abdoulazizdabakhsow/prix-denrees-senegal

# Application — dashboard interactif Dashboard du projet (partie 9 du rapport) : exploration des prix, comparaison des régions (ACP + clusters) et prévision SARIMA à 1–12 mois. Design inspiré d'une maquette « EcoSync » (cartes arrondies, carte insight en dégradé, carte vert foncé, badges et barres de progression). Deux implémentations sont fournies : ## 1. Version HTML/CSS/JS autonome (`index.html`) — recommandée Un seul fichier, **sans serveur ni dépendance** : ouvrir `index.html` dans un navigateur (double-clic). Les graphiques (courbes, barres, heatmap, ACP, prévision avec intervalle de confiance) sont dessinés en SVG/JS pur, avec infobulles et filtres interactifs. Les données sont pré-agrégées et embarquées dans la page par : ```bash python3 exporter_web.py # à relancer seulement si les CSV de ../data changent ``` Les agrégats mensuels portent (effectif, moyenne, écart-type) par région × denrée × mois : le JS recalcule des moyennes et écarts-types exacts (identiques à pandas) sur n'importe quel sous-ensemble filtré. ## 2. Version Streamlit (`app.py`) ```bash streamlit run app.py ``` Le navigateur s'ouvre sur localhost (3 onglets : Explorer, Comparer les régions, Prévoir). Thème dans `.streamlit/config.toml`, composants HTML/CSS injectés via `st.markdown(unsafe_allow_html=True)`. Dépendances : `streamlit`, `plotly`, `pandas`, `scikit-learn` (`pip install streamlit plotly pandas scikit-learn`). ## Régénérer les prévisions (optionnel) Les prévisions lues par le dashboard sont pré-calculées dans `../data/app_previsions.csv` et `../data/app_series_historiques.csv`. Pour les recalculer (nécessite `statsmodels`) : ```bash python3 exporter_previsions.py ``` Les ordres SARIMA utilisés sont ceux sélectionnés par AIC dans le notebook `../serie_temporelle/Series_temporelles_toutes_denrees.ipynb`.