Facile

Conclusion — Séance 3

Cette séance couvrait le passage de graphiques statiques à des visualisations interactives et personnalisées dans un dashboard Streamlit.

Ce que vous savez faire

Vous savez maintenant :

Choisir la bibliothèque : Plotly Express plutôt que Matplotlib (interactivité) ou Graph Objects (simplicité)
Créer les graphiques courants : bar chart (vertical, horizontal, groupé), line chart, pie/donut, scatter, area, box, heatmap
Choisir le bon graphique : question analytique → type adapté
Mapper une réponse API sur un graphique : endpoint → DataFrame → px.type() → st.plotly_chart()
Gérer les cas limites : df.empty, NaN, pd.to_datetime(), rangemode="tozero", category_orders
Personnaliser : update_layout(), update_traces(), hovertemplate, palette centralisée, fond transparent
Ajouter de l'interactivité : on_select="rerun", cross-filtering, st.session_state

Les 5 patterns clés

Patterns à retenir

Sélection du graphique — la question analytique détermine le type de graphique, pas les données
Pipeline API → graphique — requests.get() → pd.DataFrame() → px.bar() → st.plotly_chart()
Garde-fous — if df.empty, dropna(), pd.to_datetime() avant chaque graphique
Personnalisation — fond transparent, hovertemplate, palette centralisée, style_figure() factorisée
Interactivité — on_select="rerun" + st.session_state pour le cross-filtering

Checklist dashboard

Points de contrôle avant de livrer votre dashboard :

Point de contrôle	Code / technique
Garde DataFrame vide	`if df.empty: st.info(...)` avant chaque graphique
Largeur responsive	`use_container_width=True` sur chaque `st.plotly_chart()`
Dates natives	`pd.to_datetime()` sur toute colonne de date
Fond transparent	`plot_bgcolor="rgba(0,0,0,0)"`, `paper_bgcolor="rgba(0,0,0,0)"`
Palette cohérente	Dictionnaire `COULEURS` réutilisé dans tous les graphiques
Hover lisible	`hovertemplate` personnalisé avec `<extra></extra>`
Axes non trompeurs	`rangemode="tozero"` sur les bar charts
Labels métier	`labels={...}` pour remplacer les noms de colonnes techniques

La suite

La séance suivante abordera des sujets complémentaires pour enrichir votre dashboard.

Bilan

Le cycle API → données → graphique interactif → dashboard personnalisé est en place. Flask (séance 1) + Streamlit (séance 2) + Plotly Express (séance 3) forment la stack de visualisation du cours.

Plotly Express — Documentation officielle

Référence de tous les types de graphiques et paramètres

Documentation

Plotly Express — Gallery

Galerie d'exemples interactifs pour tous les types de graphiques

Documentation

From Data to Viz — Choosing the right chart

Guide interactif pour choisir le bon type de visualisation selon vos données