Réutiliser le code de la séance 1

Le repository écrit pour Flask lors de la séance 1 est directement importable dans Streamlit, sans modification.

Pourquoi le repository est directement importable

La classe VentesRepository (méthodes get_ventes(), get_stats(), get_par_region()) est du Python pur — aucune dépendance à Flask, aucun import de flask, aucune référence au contexte de requête HTTP.

Structure de projet

projet/
├── app.py                  # point d'entrée Streamlit
├── pages/                  # pages secondaires (séance 4)
│   ├── 1_Ventes.py
│   └── 2_Statistiques.py
├── api/                    # code Flask de la séance 1 (inchangé)
│   ├── app.py
│   ├── blueprints/
│   └── repository.py
└── db/
    └── ventes.db

L'import dans le fichier Streamlit app.py :

import sys
sys.path.append(".")
from api.repository import VentesRepository

Le problème des appels lents

Rappel : chaque interaction utilisateur réexécute tout le script. Chaque clic sur un filtre ou un slider relance toutes les requêtes SQL.

Sur quelques dizaines de lignes, pas de problème. Sur des dizaines de milliers de lignes, le délai devient perceptible.

D'où le cache Streamlit.

Les deux décorateurs de cache

Streamlit fournit deux décorateurs de cache aux comportements distincts.

@st.cache_data — pour les données

Met en cache le résultat d'une fonction qui retourne des données (DataFrame, liste, dict). Le résultat est indexé par les arguments de la fonction : si les arguments changent, la fonction est réexécutée.

@st.cache_data(ttl=300)  # cache valide 300 secondes
def get_ventes_cached(region, annee):
    return repo.get_ventes(region=region, annee=annee)

Le paramètre ttl (time to live) définit la durée de validité du cache en secondes. Après expiration, la fonction est réexécutée au prochain appel.

@st.cache_resource — pour les ressources partagées

Pour les objets instanciés une seule fois et partagés entre tous les utilisateurs : connexions à une base de données, modèles ML.

@st.cache_resource
def get_repository():
    return VentesRepository("db/ventes.db")

repo = get_repository()

Comparaison

Convertir les résultats en DataFrame pandas

Les méthodes du repository retournent des listes de dictionnaires (format JSON). Streamlit et les bibliothèques de visualisation (Plotly, Matplotlib) travaillent avec des DataFrames pandas.

La conversion :

import pandas as pd

data = repo.get_par_region(annee=2024)  # [{"region": "IDF", ...}, ...]
df = pd.DataFrame(data)                 # conversion en DataFrame

Opérations courantes avant affichage

# Renommer les colonnes pour la lisibilité
df = df.rename(columns={
    "chiffre_affaires": "CA (€)",
    "nombre_ventes": "Nb ventes",
    "panier_moyen": "Panier moyen (€)"
})

# Arrondir les décimales
df = df.round(2)

# Afficher
st.dataframe(df, use_container_width=True)

À retenir