final commit

2026-06-19 11:15:39 +02:00
parent e2b1b20913
commit d095840037
975 changed files with 1232523 additions and 0 deletions
@@ -0,0 +1,140 @@
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from mpl_toolkits.mplot3d import Axes3D
+from scipy.interpolate import make_interp_spline
+from sklearn.cluster import DBSCAN
+
+# === Chargement des données ===
+chemin_fichier = "data.xlsx"
+df = pd.read_excel(chemin_fichier)
+
+# === Filtrer les sources ===
+df = df[df["type"].str.lower() == "source"]
+df = df.dropna(subset=["c25°C ", "Nom"])
+
+# === Couleurs par source ===
+couleurs_sources = {
+    "Bullac": "#D77D00",
+    "Corn": "#A1C935",
+    "Bual": "#F5D200",
+    "La diège": "#9271EA",
+    "Ayrissac": "#EB64C3",
+    "Pito": "#D52117",
+    "Ressel": "#1DC6C3",
+    "Marchepied": "#3FB94D",
+    "Anglades": "#0084C9",
+    "Liauzu": "#431D84",
+    "Pescalerie": "#D8676B",
+    "Sagne": "tab:purple",
+}
+
+# === Paramètres DBSCAN ===
+eps_val = 5
+min_samples_val = 1
+
+# === Clustering dynamique par source ===
+clusters_data = []
+
+for nom in df["Nom"].unique():
+    sub_df = df[df["Nom"] == nom].copy()
+    X = sub_df[["c25°C "]].to_numpy()
+
+    db = DBSCAN(eps=eps_val, min_samples=min_samples_val).fit(X)
+    sub_df["cluster"] = db.labels_
+
+    grouped = (
+        sub_df.groupby("cluster")
+        .agg(
+            conductivite_min=("c25°C ", "min"),
+            conductivite_max=("c25°C ", "max"),
+            conductivite_moyenne=("c25°C ", "mean"),
+            effectif=("c25°C ", "count")
+        )
+        .reset_index(drop=True)
+    )
+
+    grouped["frequence_normalisee"] = grouped["effectif"] / grouped["effectif"].sum()
+    grouped["Nom"] = nom
+    clusters_data.append(grouped)
+
+# === Fusion des résultats ===
+df_clusters = pd.concat(clusters_data, ignore_index=True)
+
+# === Ordre des sources ===
+noms_ordonnes = [
+    "Sagne", "Ressel", "Pito", "Pescalerie", "Marchepied",
+    "Liauzu", "La diège", "Corn", "Bullac", "Bual", "Ayrissac", "Anglades"
+]
+sources_disponibles = set(df_clusters["Nom"].unique())
+noms_valides = [nom for nom in noms_ordonnes if nom in sources_disponibles]
+
+# === Tracé du graphique 3D ===
+fig = plt.figure(figsize=(20, 12))
+ax = fig.add_subplot(111, projection='3d')
+
+y_spacing = 4.0
+
+for idx, nom in enumerate(reversed(noms_valides)):
+    df_nom = df_clusters[df_clusters["Nom"] == nom].sort_values("conductivite_moyenne")
+    if df_nom.empty:
+        continue
+
+    xs_min = df_nom["conductivite_min"].to_numpy()
+    xs_max = df_nom["conductivite_max"].to_numpy()
+    xs_center = df_nom["conductivite_moyenne"].to_numpy()
+    ys = df_nom["frequence_normalisee"].to_numpy()
+    color = couleurs_sources.get(nom, "gray")
+    y_val = (len(noms_valides) - 1 - idx) * y_spacing
+
+    x_curve = []
+    y_curve = []
+
+    for i in range(len(xs_center)):
+        # Pic trapézoïdal
+        x_curve.extend([xs_min[i], xs_center[i], xs_max[i]])
+        y_curve.extend([0, ys[i], 0])
+
+        # Relier à la suivante si les clusters sont très proches
+        if i < len(xs_center) - 1 and xs_min[i + 1] - xs_max[i] <= 1.5:
+            x_curve.extend([xs_max[i], xs_min[i + 1]])
+            y_curve.extend([0, 0])
+           
+    # Ajout d'un point d’ancrage à gauche (252 µS/cm) à z=0
+    x_curve = [525] + x_curve
+    y_curve = [0] + y_curve
+
+    # Ajouter un point final à la courbe à droite (limite max de l'axe X)
+    xlim_max = df_clusters["conductivite_max"].max() + 10
+    x_curve.append(xlim_max)
+    y_curve.append(0)
+   
+    # Tracé 3D
+    ax.plot(x_curve, [y_val] * len(x_curve), y_curve, color=color, linewidth=2, alpha=0.8)
+
+    # Affichage du nom de la source
+    ax.text(
+        x=df_clusters["conductivite_moyenne"].min() - 30,
+        y=y_val,
+        z=0,
+        s=nom,
+        color=color,
+        fontsize=10,
+        ha='right',
+        va='center'
+    )
+
+# === Configuration finale du graphique ===
+ax.set_yticks([])
+ax.set_xlabel("Conductivité (c25°C, µS/cm)", labelpad=15)
+ax.set_ylabel("")
+ax.set_zlabel("Fréquence normalisée", labelpad=10)
+ax.set_title("Courbes 3D type histogrammes par source (pics trapézoïdaux DBSCAN)", pad=20)
+
+ax.set_xlim(525, df_clusters["conductivite_max"].max() + 10)
+ax.set_ylim(-y_spacing, len(noms_valides) * y_spacing)
+ax.set_zlim(0, 1)
+ax.view_init(elev=10, azim=-120)
+
+plt.tight_layout()
+plt.show()