Module visualization

Modules d’analyse et génération de graphiques interactifs Plotly.

Guide utilisateur : voir Utilisation pour description détaillée des 4 analyses.

visualization.analyse_trendlines_v2

Analyse des tendances temporelles (1999-2018).

Métriques Analysées

Volume d’interactions
Durée de préparation (moyenne, médiane)
Complexité des recettes
Nombre d’ingrédients
Profils nutritionnels
Tags populaires

Insights Clés

Boom 2008-2018 : +350% volume interactions
Simplification : Recettes plus rapides (-15% temps préparation)
Santé : Réduction calories, hausse tags végétariens/healthy
Complexité : Score +12% sur 20 ans
Ingrédients : Stable ~9 ingrédients par recette

Visualisations Générées

6 graphiques temporels synchronisés (subplots)
Tendances avec régression linéaire (R² affichés)
Annotations des insights majeurs
Zoom interactif Plotly avec rangeselector

Exemple d’Utilisation

from visualization import analyse_trendlines_v2
from data.cached_loaders import get_recipes_clean

# Charger données
recipes = get_recipes_clean()

# Afficher analyse complète
analyse_trendlines_v2.render_trendlines_analysis()

# L'analyse génère automatiquement:
# - Widgets sélection temporelle (slider années)
# - 6 graphiques tendances
# - Métriques statistiques (R², p-values)

visualization.analyse_seasonality

Analyse des patterns saisonniers.

Métriques Analysées

Distribution par saison
Variations mensuelles
Pics saisonniers d’activité
Catégories de recettes par saison

Insights Clés

Hiver : Pics calories (+12%), recettes réconfort
Été : Recettes légères, salades, BBQ
Décembre : Pic absolu (+45% vs moyenne annuelle)
Automne : +18% recettes vs été
Patterns stables : Reproduction annuelle prévisible

Visualisations Générées

Histogrammes saisonniers avec palette thématique (orange/bleu/vert/rouge)
Heatmaps mensuelles (12 mois × métriques nutritionnelles)
Distribution nutritionnelle par saison
Codage couleur automatique par saison

Exemple d’Utilisation

from visualization import analyse_seasonality
from data.cached_loaders import get_recipes_clean

# Charger données
recipes = get_recipes_clean()

# Afficher analyse saisonnière
analyse_seasonality.render_seasonality_analysis()

# L'analyse génère:
# - Sélecteur saison (Automne, Hiver, Printemps, Été)
# - Graphiques distribution saisonnière
# - Heatmap mensuelle interactive
# - Statistiques par saison

visualization.analyse_weekend

Analyse de l’effet jour de la semaine vs weekend.

Métriques Analysées

Comparaison jours ouvrés vs weekend
Variations de complexité
Impact sur types de recettes

Insights Clés

Lundi = champion : +45% publications vs moyenne hebdomadaire
Samedi = creux : -49% publications (le plus bas)
Durée/complexité : Aucune différence significative semaine vs weekend
Conclusion : Moment publication ≠ type recette
Effet psychologique : Planification début semaine

Visualisations Générées

3 panels comparatifs (volume, distribution, écarts à la moyenne)
Tests statistiques Chi-2 avec p-values affichées
Barres bicolores semaine (bleu) vs weekend (orange)
Écarts à la moyenne en pourcentage

Exemple d’Utilisation

from visualization import analyse_weekend
from data.cached_loaders import get_recipes_clean

# Charger données
recipes = get_recipes_clean()

# Afficher analyse weekend
analyse_weekend.render_weekend_analysis()

# L'analyse génère:
# - Comparaison jour par jour (7 jours)
# - Tests statistiques Chi-2
# - Distribution complexité/durée
# - Insights sur effet jour semaine

visualization.analyse_ratings

Analyse des notes utilisateurs.

Métriques Analysées

Distribution des notes (0-5 étoiles)
Statistiques agrégées
Corrélations avec caractéristiques
Analyse des outliers

Insights Clés

Biais positif massif : 78% notes = 5 étoiles
Moyenne : 4.63/5 (distribution asymétrique)
Notes basses rares : <2% notes ≤ 2 étoiles
Corrélations faibles : Complexité/temps ≠ note
Effet auto-sélection : Utilisateurs satisfaits notent

Visualisations Générées

Histogrammes interactifs avec hover détails
Distribution avec courbe de densité
Métriques satisfaction (moyenne, médiane, mode)
Boxplots par tranche de rating

Exemple d’Utilisation

from visualization import analyse_ratings
from data.cached_loaders import get_ratings_longterm

# Charger ratings
ratings = get_ratings_longterm()

# Afficher analyse ratings
analyse_ratings.render_ratings_analysis()

# L'analyse génère:
# - Distribution complète 0-5 étoiles
# - Statistiques descriptives
# - Corrélations avec attributs recettes
# - Identification outliers

visualization.analyse_ratings_simple

Version simplifiée de l’analyse des ratings.

mangetamain_analytics.visualization.analyse_ratings_simple.setup_s3_connection()[source]: Configure la connexion S3 pour DuckDB

mangetamain_analytics.visualization.analyse_ratings_simple.get_ratings_data()[source]: Récupère les données depuis le Parquet S3

mangetamain_analytics.visualization.analyse_ratings_simple.process_data(ratings_data)[source]: Traite les données pour l’analyse

mangetamain_analytics.visualization.analyse_ratings_simple.create_plots_streamlit(ratings_data, stats) → None[source]: Crée les graphiques pour Streamlit

mangetamain_analytics.visualization.analyse_ratings_simple.create_plots_matplotlib(ratings_data, stats) → None[source]: Crée les graphiques avec matplotlib (mode standalone)

mangetamain_analytics.visualization.analyse_ratings_simple.print_stats(stats) → None[source]: Affiche les statistiques en mode console

mangetamain_analytics.visualization.analyse_ratings_simple.print_interpretation() → None[source]: Affiche l’interprétation

mangetamain_analytics.visualization.analyse_ratings_simple.render_analysis(conn=None) → None[source]

Fonction principale pour Streamlit

Paramètres:: conn – Connexion DuckDB (ignorée, on utilise S3 directement)

mangetamain_analytics.visualization.analyse_ratings_simple.main() → None[source]: Fonction principale pour exécution standalone

visualization.analyse_trendlines

Version initiale de l’analyse des tendances.

visualization.custom_charts

Fonctions utilitaires pour créer des graphiques réutilisables.

Module pour les graphiques personnalisés.

mangetamain_analytics.visualization.custom_charts.create_correlation_heatmap(conn, table_name: str) → None[source]: Crée une heatmap de corrélation.

mangetamain_analytics.visualization.custom_charts.create_distribution_plot(conn, table_name: str, column_name: str) → None[source]: Crée un graphique de distribution.

mangetamain_analytics.visualization.custom_charts.create_time_series_plot(conn, table_name: str, date_col: str, value_col: str) → None[source]: Crée un graphique temporel.

mangetamain_analytics.visualization.custom_charts.create_custom_scatter_plot(conn, table_name: str, x_col: str, y_col: str, color_col: str | None = None) → None[source]: Crée un graphique en nuage de points personnalisé.

visualization.plotly_config

Configuration Plotly pour l’application.

Configuration centralisée pour les graphiques Plotly.

Ce module définit les styles, couleurs et configurations réutilisables pour tous les graphiques de l’application.

mangetamain_analytics.visualization.plotly_config.apply_theme(fig: Any, title: str | None = None, height: int = 600, add_grids: bool = False) → Any[source]

Applique le thème blanc cohérent à un graphique Plotly.

Paramètres:

fig – Figure Plotly à styliser
title – Titre optionnel du graphique
height – Hauteur du graphique en pixels
add_grids – Si True, ajoute les grilles aux axes (défaut: False) Pour les subplots, il vaut mieux configurer les grilles directement dans le code de la fonction

Renvoie:

Figure Plotly avec thème appliqué

Exemple

>>> fig = go.Figure()
>>> fig.add_trace(go.Scatter(x=[1,2,3], y=[4,5,6]))
>>> fig = apply_theme(fig, title="Mon graphique", height=500)