Code Editor for app.py

import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt
import re

st.set_page_config(page_title="Analyse des Évaluations", layout="wide")

url = "https://docs.google.com/spreadsheets/d/1HEmNfPYfEP6oiYqSHkxSGzbyfsLQinUuTuwrkH86VGQ/export?format=csv"

try:
    df = pd.read_csv(url)
    # Nettoyer les espaces dans les noms de colonnes
    df.columns = df.columns.str.strip()
    st.success("✅ Données chargées avec succès !")
except Exception as e:
    st.error("❌ Erreur lors du chargement du fichier Google Sheets.")
    st.stop()

# Affichage des colonnes pour vérification
st.subheader("🧾 Colonnes détectées dans le fichier :")
st.write(df.columns.tolist())

# Critères après nettoyage des colonnes
criteres = [
    "Propreté du restaurant",
    "Accueil et réception",
    "Goût des plats",
    "Qualité du service (serveurs, rapidité, amabilité)",
    "Rapport qualité / prix"
]

# Vérification des colonnes manquantes
missing_cols = [col for col in criteres if col not in df.columns]
if missing_cols:
    st.error(f"❌ Les colonnes suivantes sont manquantes dans la feuille : {missing_cols}")
    st.stop()

# Conversion du timestamp
if 'Timestamp' in df.columns:
    df['Timestamp'] = pd.to_datetime(df['Timestamp'], errors='coerce')
    df['Date'] = df['Timestamp'].dt.date
else:
    df['Date'] = pd.to_datetime("today").date()

# Moyenne globale par client
df['Moyenne client'] = df[criteres].mean(axis=1)

# Titre principal
st.title("📊 Analyse des Évaluations Clients")

# Moyenne par critère
st.subheader("⭐ Moyenne pour chaque critère")
moyennes = df[criteres].mean().round(2)
st.dataframe(moyennes)

# Statistiques sur les notes
st.subheader("🔢 Répartition des notes par critère")

# Dictionnaire pour stocker les résultats
repartition_par_critere = {}

for critere in criteres:
    repartition = {}
    for note in [5, 4, 3, 2, 1]:
        repartition[note] = int((df[critere] == note).sum())
    repartition_par_critere[critere] = repartition

# Transformer en DataFrame pour un affichage clair
repartition_df = pd.DataFrame(repartition_par_critere).T  # Transpose pour avoir critères en ligne, notes en colonnes
repartition_df = repartition_df[[5, 4, 3, 2, 1]]  # Ordre des colonnes

st.dataframe(repartition_df)


# Moyenne par jour (bar chart)
st.subheader("📅 Moyenne globale par jour (Barres)")
daily_means = df.groupby("Date")["Moyenne client"].mean().reset_index()

fig1, ax1 = plt.subplots()
ax1.bar(daily_means["Date"].astype(str), daily_means["Moyenne client"], color='skyblue')
ax1.set_xlabel("Date")
ax1.set_ylabel("Moyenne")
plt.xticks(rotation=45)
st.pyplot(fig1)

# Évolution temporelle (courbe)
st.subheader("📈 Évolution de la moyenne globale (Courbe)")

fig2, ax2 = plt.subplots()
ax2.plot(daily_means["Date"], daily_means["Moyenne client"], marker='o', linestyle='-', color='green')
ax2.set_xlabel("Date")
ax2.set_ylabel("Moyenne globale")
plt.xticks(rotation=45)
st.pyplot(fig2)

# Nettoyage nom et numéro de téléphone
df['Nom'] = df['Nom'].str.strip()

# Nettoyer et formater les numéros de téléphone :
# - garder que les chiffres
# - afficher au format international si possible (ex: +212 XXXXXXXX)
def format_phone(num):
    if pd.isna(num):
        return ""
    digits = re.sub(r'\D', '', str(num))
    # Exemple pour Maroc (code +212), adapte selon besoin
    if digits.startswith('0') and len(digits) == 10:
        return '+212 ' + digits[1:4] + ' ' + digits[4:7] + ' ' + digits[7:]
    else:
        return digits

df['Téléphone'] = df['Numéro de téléphone'].apply(format_phone)

# Préparer DataFrame simplifié
df_affiche = df[['Nom', 'Téléphone', 'Moyenne client']]

# Affichage final
st.subheader("📄 Données clients simplifiées")
st.dataframe(df_affiche)