Code Editor for app.py

import streamlit as st
import pandas as pd
import plotly.express as px
import snowflake.connector
from datetime import datetime, timedelta

# Configuration de la page
st.set_page_config(page_title="Chemical Treatment Dashboard", layout="wide")
st.title("Chemical Treatment Dashboard")

# Connexion Snowflake - À configurer avec vos credentials
# Note: Dans un environnement de production, ces informations devraient être stockées de manière sécurisée
@st.cache_resource
def init_snowflake_connection():
    return snowflake.connector.connect(
        user=st.secrets["snowflake"]["user"],
        password=st.secrets["snowflake"]["password"],
        account=st.secrets["snowflake"]["account"],
        warehouse=st.secrets["snowflake"]["warehouse"],
        database=st.secrets["snowflake"]["database"],
        schema=st.secrets["snowflake"]["schema"]
    )

# Fonction pour charger les données
@st.cache_data
def load_data():
    conn = init_snowflake_connection()
    query = """
    SELECT * FROM CHEM_TEST.LOGBOOK_TEST
    ORDER BY CHEM_DATE DESC
    """
    df = pd.read_sql(query, conn)
    conn.close()
    return df

try:
    # Chargement des données
    df = load_data()
    
    # Filtres dans la barre latérale
    st.sidebar.header("Filtres")
    
    # Filtre par date
    date_range = st.sidebar.date_input(
        "Sélectionner la période",
        value=(df['CHEM_DATE'].min(), df['CHEM_DATE'].max()),
        key='date_range'
    )
    
    # Filtre par produit chimique
    selected_products = st.sidebar.multiselect(
        "Sélectionner les produits chimiques",
        options=sorted(df['CHEM_PRODUCT_NAME'].unique()),
        default=[]
    )
    
    # Filtre par point d'injection
    selected_injection_points = st.sidebar.multiselect(
        "Sélectionner les points d'injection",
        options=sorted(df['INJECTION_POINT'].unique()),
        default=[]
    )
    
    # Application des filtres
    filtered_df = df.copy()
    
    if len(date_range) == 2:
        filtered_df = filtered_df[
            (filtered_df['CHEM_DATE'].dt.date >= date_range[0]) &
            (filtered_df['CHEM_DATE'].dt.date <= date_range[1])
        ]
    
    if selected_products:
        filtered_df = filtered_df[filtered_df['CHEM_PRODUCT_NAME'].isin(selected_products)]
        
    if selected_injection_points:
        filtered_df = filtered_df[filtered_df['INJECTION_POINT'].isin(selected_injection_points)]
    
    # Affichage des métriques clés
    col1, col2, col3 = st.columns(3)
    
    with col1:
        st.metric("Nombre total de traitements", len(filtered_df))
    with col2:
        st.metric("Nombre de produits utilisés", filtered_df['CHEM_PRODUCT_NAME'].nunique())
    with col3:
        st.metric("Points d'injection actifs", filtered_df['INJECTION_POINT'].nunique())
    
    # Graphiques
    st.subheader("Analyse des traitements chimiques")
    
    # Graphique 1: Evolution temporelle des traitements
    fig1 = px.line(
        filtered_df,
        x='CHEM_DATE',
        y='TARGET_PPM',
        color='CHEM_PRODUCT_NAME',
        title="Evolution des doses de traitement dans le temps"
    )
    st.plotly_chart(fig1, use_container_width=True)
    
    # Graphique 2: Distribution par point d'injection
    col1, col2 = st.columns(2)
    
    with col1:
        fig2 = px.pie(
            filtered_df,
            names='INJECTION_POINT',
            title="Distribution par point d'injection"
        )
        st.plotly_chart(fig2)
    
    with col2:
        fig3 = px.box(
            filtered_df,
            x='CHEM_PRODUCT_NAME',
            y='TARGET_PPM',
            title="Distribution des doses par produit"
        )
        st.plotly_chart(fig3)
    
    # Tableau détaillé
    st.subheader("Données détaillées")
    st.dataframe(
        filtered_df.sort_values('CHEM_DATE', ascending=False),
        use_container_width=True
    )

except Exception as e:
    st.error(f"Une erreur s'est produite lors du chargement des données: {str(e)}")
    st.info("Veuillez vérifier votre connexion Snowflake et réessayer.")