new mise a jours

app.py

@@ -0,0 +1,108 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import seaborn as sns
+import matplotlib.pyplot as plt
+import scipy.stats as stats
+import statsmodels.api as sm
+import statsmodels.formula.api as smf
+from sklearn.cluster import KMeans
+from statsmodels.stats.multicomp import pairwise_tukeyhsd
+
+# 🏠 Titre de l'application
+st.title("📊 Analyse des Évaluations des Clients avec ANOVA")
+
+# 📂 Upload du fichier
+uploaded_file = st.file_uploader("📂 Téléchargez le fichier 'supermarket_sales.csv'", type=["csv"])
+
+if uploaded_file is not None:
+    # 📖 Charger les données
+    data = pd.read_csv(uploaded_file)
+
+    # ✅ Renommer les colonnes pour éviter les erreurs de syntaxe
+    data = data.rename(columns={'Product line': 'Product_line'})
+
+    # ✅ Sélectionner les colonnes nécessaires
+    data = data[['Product_line', 'Payment', 'Rating']]
+    data.dropna(inplace=True)  # Supprimer les valeurs manquantes
+
+    # ✅ Convertir en catégories
+    data['Product_line'] = data['Product_line'].astype('category')
+    data['Payment'] = data['Payment'].astype('category')
+
+    # 📌 Afficher un aperçu des données
+    st.subheader("📊 Aperçu des Données")
+    st.write(data.head())
+
+    # ============================
+    # 📌 Vérification des Hypothèses
+    # ============================
+
+    st.subheader("🧪 Vérification des Hypothèses")
+
+    # 🔹 Test de normalité des résidus (Shapiro-Wilk)
+    model = smf.ols('Rating ~ C(Product_line) * C(Payment)', data=data).fit()
+    residuals = model.resid
+    shapiro_test = stats.shapiro(residuals)
+    st.write(f"✅ Test de Shapiro-Wilk (Normalité) : **p-value = {shapiro_test.pvalue:.4f}**")
+
+    # 🔹 Test d'homogénéité des variances (Levene)
+    group_list = [data['Rating'][data['Product_line'] == cat] for cat in data['Product_line'].unique()]
+    levene_test = stats.levene(*group_list)
+    st.write(f"✅ Test de Levene (Homogénéité des variances) : **p-value = {levene_test.pvalue:.4f}**")
+
+    # ============================
+    # 📌 ANOVA à Deux Facteurs
+    # ============================
+
+    st.subheader("📊 ANOVA à Deux Facteurs")
+    anova_table = sm.stats.anova_lm(model, typ=2)
+    st.write(anova_table)
+
+    # ============================
+    # 📌 Comparaisons Post-Hoc (Tukey HSD)
+    # ============================
+
+    st.subheader("📌 Comparaisons Post-Hoc (Tukey HSD)")
+    tukey = pairwise_tukeyhsd(data['Rating'], data['Product_line'])
+    st.write(tukey.summary())
+
+    # ============================
+    # 📊 Visualisation des Résultats
+    # ============================
+
+    st.subheader("📊 Visualisation des Résultats")
+
+    # 🔹 Boxplot
+    fig, ax = plt.subplots(figsize=(10, 5))
+    sns.boxplot(x='Product_line', y='Rating', hue='Payment', data=data, ax=ax)
+    plt.xticks(rotation=45)
+    st.pyplot(fig)
+
+    # 🔹 Heatmap des Moyennes des Évaluations
+    mean_ratings = data.groupby(['Product_line', 'Payment'])['Rating'].mean().unstack()
+    fig, ax = plt.subplots(figsize=(8, 5))
+    sns.heatmap(mean_ratings, annot=True, cmap='coolwarm', ax=ax)
+    st.pyplot(fig)
+
+    # ============================
+    # 📌 Régression Linéaire Multiple
+    # ============================
+
+    st.subheader("📈 Régression Linéaire Multiple")
+    lm_model = smf.ols('Rating ~ C(Product_line) + C(Payment)', data=data).fit()
+    st.write(lm_model.summary())
+
+    # ============================
+    # 📌 Clustering des Clients (K-Means)
+    # ============================
+
+    st.subheader("🎯 Clustering des Clients (K-Means)")
+    kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
+    data['Cluster'] = kmeans.fit_predict(data[['Rating']])
+
+    # 🔹 Visualisation du Clustering
+    fig, ax = plt.subplots(figsize=(8, 5))
+    sns.scatterplot(x='Product_line', y='Rating', hue=data['Cluster'].astype(str), palette='viridis', data=data, ax=ax)
+    plt.xticks(rotation=45)
+    st.pyplot(fig)

requirement.txt

@@ -0,0 +1,8 @@
+streamlit
+pandas
+numpy
+seaborn
+matplotlib
+scipy
+statsmodels
+scikit-learn