dkoevidjin2-ops/togo-energy-dashboard

Dashboard interactif Streamlit d'analyse du secteur de l'énergie et de l'environnement au Togo. # Diagnostic Énergie, Climat & Forêts — Togo Application Streamlit reprenant les 6 axes d'analyse (électricité, cuisson des ménages, émissions de GES, climat, cartographie des forêts classées, recommandations) à partir des jeux de données Banque mondiale / 4ᵉ Communication nationale climat / cadastre des forêts classées. ## Structure du projet ``` togo-streamlit/ ├── app.py # Application Streamlit ├── prepare_data.py # Prétraitement CSV bruts -> data/processed.json ├── requirements.txt ├── .streamlit/ │ └── config.toml # Thème sombre ├── data/ │ ├── raw/ # Les 6 CSV sources (à fournir) │ └── processed.json # Généré par prepare_data.py └── README.md ``` ## 1. Installation locale ```bash python3 -m venv .venv source .venv/bin/activate # Windows : .venv\Scripts\activate pip install -r requirements.txt ``` ## 2. Préparer les données Placez les 6 fichiers CSV sources dans `data/raw/` (noms exacts attendus, voir `FILES` dans `prepare_data.py`), puis : ```bash python prepare_data.py ``` Cela génère `data/processed.json` (~55 Ko), seul fichier lu par `app.py`. À relancer chaque fois que les CSV source changent. ## 3. Lancer l'application en local ```bash streamlit run app.py ``` L'application s'ouvre sur `localhost`. ## 4. Déployer sur Streamlit Community Cloud (gratuit) ### a) Créer le dépôt GitHub ```bash cd togo-streamlit git init git add . git commit -m "Diagnostic énergie-climat-forêts Togo" git branch -M main git remote add origin github.com /togo-diagnostic.git git push -u origin main ``` > Le dossier `data/raw/` (CSV bruts) peut être inclus dans le dépôt (il fait > quelques Mo, largement sous la limite GitHub de 100 Mo par fichier). Seul > `data/processed.json` est réellement nécessaire au runtime : vous pouvez > aussi ne committer que ce fichier et garder les CSV bruts en local. ### b) Connecter le dépôt à Streamlit Cloud 1. Aller sur **share.streamlit.i …