-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathdata_preprocessing.py
More file actions
1064 lines (866 loc) · 38 KB
/
data_preprocessing.py
File metadata and controls
1064 lines (866 loc) · 38 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
"""
data_preprocessing_v2.py
Module PRODUCTION de prétraitement des données ML
Version améliorée avec fit/transform pattern, sans data leakage
Compatible avec base_model.py et data_loader.py
"""
import pandas as pd
import numpy as np
from typing import Dict, List, Tuple, Optional, Union, Any
from datetime import datetime
import warnings
import json
import pickle
from pathlib import Path
from copy import deepcopy
warnings.filterwarnings('ignore')
# Imports sklearn
from sklearn.preprocessing import (
StandardScaler, MinMaxScaler, RobustScaler, MaxAbsScaler,
LabelEncoder, OneHotEncoder, OrdinalEncoder,
PowerTransformer, QuantileTransformer, Normalizer,
PolynomialFeatures, KBinsDiscretizer
)
from sklearn.impute import SimpleImputer, KNNImputer
from sklearn.feature_selection import (
SelectKBest, SelectPercentile, RFE, SelectFromModel,
VarianceThreshold, chi2, f_classif, f_regression,
mutual_info_classif, mutual_info_regression
)
from sklearn.decomposition import PCA, TruncatedSVD
from sklearn.model_selection import train_test_split
from sklearn.utils import resample
from sklearn.base import BaseEstimator, TransformerMixin
import scipy.stats as stats
# ============================================================================
# EXCEPTIONS PERSONNALISÉES
# ============================================================================
class PreprocessorNotFittedError(Exception):
"""Erreur quand le preprocessor n'est pas fitted"""
pass
class DataValidationError(Exception):
"""Erreur de validation des données"""
pass
class TransformationError(Exception):
"""Erreur durant une transformation"""
pass
# ============================================================================
# TRANSFORMERS PERSONNALISÉS (Compatible sklearn)
# ============================================================================
class SmartEncoder(BaseEstimator, TransformerMixin):
"""
Encodeur intelligent qui choisit automatiquement la meilleure stratégie
Compatible avec sklearn pipeline
"""
def __init__(self, max_categories_onehot: int = 10, handle_unknown: str = 'ignore'):
self.max_categories_onehot = max_categories_onehot
self.handle_unknown = handle_unknown
self.encoders_ = {}
self.encoding_strategies_ = {}
self.feature_names_out_ = []
def fit(self, X: pd.DataFrame, y=None):
"""Apprend les encodages"""
X = X.copy()
cat_cols = X.select_dtypes(include=['object', 'category']).columns
for col in cat_cols:
n_unique = X[col].nunique()
if n_unique == 2:
# Binaire → Label Encoding
self.encoding_strategies_[col] = 'label'
le = LabelEncoder()
le.fit(X[col].astype(str))
self.encoders_[col] = le
elif n_unique <= self.max_categories_onehot:
# One-Hot Encoding
self.encoding_strategies_[col] = 'onehot'
ohe = OneHotEncoder(sparse_output=False, handle_unknown=self.handle_unknown)
ohe.fit(X[[col]].astype(str))
self.encoders_[col] = ohe
else:
# Frequency Encoding
self.encoding_strategies_[col] = 'frequency'
freq_map = X[col].value_counts(normalize=True).to_dict()
# Ajouter une valeur par défaut pour unseen categories
freq_map['__UNKNOWN__'] = 0.0
self.encoders_[col] = freq_map
# Calculer feature_names_out
self._calculate_feature_names(X)
return self
def transform(self, X: pd.DataFrame) -> pd.DataFrame:
"""Applique les encodages appris"""
X = X.copy()
for col, strategy in self.encoding_strategies_.items():
if col not in X.columns:
continue
if strategy == 'label':
le = self.encoders_[col]
# Gérer les valeurs inconnues
X[col] = X[col].astype(str).apply(
lambda x: x if x in le.classes_ else le.classes_[0]
)
X[col] = le.transform(X[col])
elif strategy == 'onehot':
ohe = self.encoders_[col]
encoded = ohe.transform(X[[col]].astype(str))
feature_names = ohe.get_feature_names_out([col])
# Créer DataFrame avec noms cohérents
encoded_df = pd.DataFrame(
encoded,
columns=feature_names,
index=X.index
)
X = pd.concat([X.drop(columns=[col]), encoded_df], axis=1)
elif strategy == 'frequency':
freq_map = self.encoders_[col]
X[col] = X[col].map(freq_map).fillna(freq_map['__UNKNOWN__'])
# Assurer que toutes les colonnes attendues sont présentes
for col in self.feature_names_out_:
if col not in X.columns:
X[col] = 0 # Colonne manquante = 0
# Retourner dans le bon ordre
return X[self.feature_names_out_]
def _calculate_feature_names(self, X: pd.DataFrame):
"""Calcule les noms de features après transformation"""
X_temp = X.copy()
for col, strategy in self.encoding_strategies_.items():
if strategy == 'onehot':
ohe = self.encoders_[col]
feature_names = list(ohe.get_feature_names_out([col]))
X_temp = X_temp.drop(columns=[col])
for fname in feature_names:
X_temp[fname] = 0
# label et frequency gardent le même nom
self.feature_names_out_ = list(X_temp.columns)
def get_feature_names_out(self, input_features=None):
"""Retourne les noms de features de sortie"""
return self.feature_names_out_
class OutlierHandler(BaseEstimator, TransformerMixin):
"""Gestionnaire d'outliers compatible sklearn"""
def __init__(self, method: str = 'clip', strategy: str = 'iqr',
columns: List[str] = None):
self.method = method
self.strategy = strategy
self.columns = columns
self.bounds_ = {}
def fit(self, X: pd.DataFrame, y=None):
"""Calcule les bornes sur les données d'entraînement"""
X = X.copy()
cols = self.columns or X.select_dtypes(include=[np.number]).columns
for col in cols:
if col not in X.columns:
continue
if self.strategy == 'iqr':
Q1 = X[col].quantile(0.25)
Q3 = X[col].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
elif self.strategy == 'zscore':
mean = X[col].mean()
std = X[col].std()
lower_bound = mean - 3 * std
upper_bound = mean + 3 * std
self.bounds_[col] = (lower_bound, upper_bound)
return self
def transform(self, X: pd.DataFrame) -> pd.DataFrame:
"""Applique le traitement des outliers"""
X = X.copy()
if self.method == 'clip':
for col, (lower, upper) in self.bounds_.items():
if col in X.columns:
X[col] = X[col].clip(lower=lower, upper=upper)
elif self.method == 'remove':
# Marquer les outliers
mask = pd.Series([True] * len(X), index=X.index)
for col, (lower, upper) in self.bounds_.items():
if col in X.columns:
mask &= (X[col] >= lower) & (X[col] <= upper)
X = X[mask]
return X
class SmartImputer(BaseEstimator, TransformerMixin):
"""Imputer intelligent qui choisit la stratégie selon le type"""
def __init__(self, numeric_strategy: str = 'median',
categorical_strategy: str = 'most_frequent',
threshold_drop: float = 0.5):
self.numeric_strategy = numeric_strategy
self.categorical_strategy = categorical_strategy
self.threshold_drop = threshold_drop
self.imputers_ = {}
self.columns_to_drop_ = []
def fit(self, X: pd.DataFrame, y=None):
"""Apprend les stratégies d'imputation"""
X = X.copy()
# Identifier colonnes à supprimer (trop de missing)
missing_pct = X.isnull().sum() / len(X)
self.columns_to_drop_ = missing_pct[missing_pct > self.threshold_drop].index.tolist()
# Fit imputers pour les colonnes restantes
X_remaining = X.drop(columns=self.columns_to_drop_)
# Numeric imputer
numeric_cols = X_remaining.select_dtypes(include=[np.number]).columns
if len(numeric_cols) > 0:
if self.numeric_strategy == 'knn':
self.imputers_['numeric'] = KNNImputer(n_neighbors=5)
else:
self.imputers_['numeric'] = SimpleImputer(strategy=self.numeric_strategy)
self.imputers_['numeric'].fit(X_remaining[numeric_cols])
self.imputers_['numeric_cols'] = list(numeric_cols)
# Categorical imputer
cat_cols = X_remaining.select_dtypes(include=['object', 'category']).columns
if len(cat_cols) > 0:
self.imputers_['categorical'] = SimpleImputer(strategy=self.categorical_strategy)
self.imputers_['categorical'].fit(X_remaining[cat_cols].astype(str))
self.imputers_['categorical_cols'] = list(cat_cols)
return self
def transform(self, X: pd.DataFrame) -> pd.DataFrame:
"""Applique l'imputation"""
X = X.copy()
# Supprimer colonnes avec trop de missing
X = X.drop(columns=[col for col in self.columns_to_drop_ if col in X.columns])
# Imputer numeric
if 'numeric' in self.imputers_:
numeric_cols = [col for col in self.imputers_['numeric_cols'] if col in X.columns]
if numeric_cols:
X[numeric_cols] = self.imputers_['numeric'].transform(X[numeric_cols])
# Imputer categorical
if 'categorical' in self.imputers_:
cat_cols = [col for col in self.imputers_['categorical_cols'] if col in X.columns]
if cat_cols:
X[cat_cols] = self.imputers_['categorical'].transform(X[cat_cols].astype(str))
return X
# ============================================================================
# CLASSE PRINCIPALE : DataPreprocessor (Version Production)
# ============================================================================
class DataPreprocessor:
"""
Preprocessor de données ML avec fit/transform pattern
Compatible avec base_model.py et data_loader.py
Caractéristiques:
- Pattern fit/transform pour éviter data leakage
- Sauvegarde complète de tous les transformers
- Validation robuste des données
- Historique des transformations
- Compatible avec sklearn Pipeline
Exemple d'utilisation:
>>> preprocessor = DataPreprocessor(verbose=True)
>>>
>>> # Entraînement
>>> preprocessor.fit(X_train, y_train)
>>> X_train_processed = preprocessor.transform(X_train)
>>> X_test_processed = preprocessor.transform(X_test)
>>>
>>> # Sauvegarde
>>> preprocessor.save('preprocessor.pkl')
>>>
>>> # Production
>>> preprocessor = DataPreprocessor.load('preprocessor.pkl')
>>> X_new_processed = preprocessor.transform(X_new)
"""
def __init__(self,
problem_type: str = 'classification',
handle_missing: bool = True,
handle_outliers: bool = True,
encode_categorical: bool = True,
scale_features: bool = True,
select_features: bool = False,
balance_classes: bool = False,
verbose: bool = True):
"""
Initialise le preprocessor
Args:
problem_type: 'classification' ou 'regression'
handle_missing: Gérer les valeurs manquantes
handle_outliers: Gérer les outliers
encode_categorical: Encoder les variables catégorielles
scale_features: Normaliser les features
select_features: Sélectionner les meilleures features
balance_classes: Équilibrer les classes (classification uniquement)
verbose: Afficher les messages
"""
self.problem_type = problem_type
self.handle_missing = handle_missing
self.handle_outliers = handle_outliers
self.encode_categorical = encode_categorical
self.scale_features = scale_features
self.select_features = select_features
self.balance_classes = balance_classes
self.verbose = verbose
# État
self.is_fitted_ = False
self.feature_names_in_ = []
self.feature_names_out_ = []
self.n_features_in_ = 0
self.n_features_out_ = 0
# Transformers
self.transformers_ = {}
# Métadonnées
self.metadata_ = {
'created_at': datetime.now().isoformat(),
'fitted_at': None,
'n_samples_seen': 0,
'transformations_applied': []
}
# Configuration
self.config_ = {
'missing_threshold': 0.5,
'outlier_method': 'clip',
'outlier_strategy': 'iqr',
'scaler_type': 'standard',
'max_categories_onehot': 10,
'feature_selection_k': 10,
'balance_method': 'oversample'
}
def _log(self, message: str, level: str = 'INFO'):
"""Affiche un message si verbose"""
if self.verbose:
icons = {'INFO': '✓', 'WARNING': '⚠', 'ERROR': '✗', 'DEBUG': '→'}
print(f"{icons.get(level, '•')} {message}")
def set_config(self, **kwargs):
"""
Configure les paramètres du preprocessor
Args:
missing_threshold: Seuil pour supprimer colonnes (0.5 = 50%)
outlier_method: 'clip', 'remove'
outlier_strategy: 'iqr', 'zscore'
scaler_type: 'standard', 'minmax', 'robust'
max_categories_onehot: Max catégories pour one-hot
feature_selection_k: Nombre de features à garder
balance_method: 'oversample', 'undersample', 'smote'
"""
self.config_.update(kwargs)
self._log(f"Configuration mise à jour: {kwargs}")
return self
def fit(self, X: pd.DataFrame, y: pd.Series = None) -> 'DataPreprocessor':
"""
Apprend les transformations sur les données d'entraînement
Args:
X: Features d'entraînement
y: Target (nécessaire pour sélection de features et équilibrage)
Returns:
self (pour chaining)
"""
self._log("="*60)
self._log("DÉMARRAGE DU FIT")
self._log("="*60)
X = X.copy()
# Validation initiale
self._validate_input_fit(X, y)
# Sauvegarder info initiales
self.feature_names_in_ = list(X.columns)
self.n_features_in_ = len(X.columns)
self.metadata_['n_samples_seen'] = len(X)
# Pipeline de transformations
step = 1
# 1. Gestion des valeurs manquantes
if self.handle_missing:
self._log(f"\n{step}. Gestion des valeurs manquantes")
imputer = SmartImputer(
threshold_drop=self.config_['missing_threshold']
)
imputer.fit(X)
self.transformers_['imputer'] = imputer
X = imputer.transform(X)
self.metadata_['transformations_applied'].append('imputation')
self._log(f" Colonnes après imputation: {len(X.columns)}")
step += 1
# 2. Encodage catégoriel
if self.encode_categorical:
self._log(f"\n{step}. Encodage des variables catégorielles")
encoder = SmartEncoder(
max_categories_onehot=self.config_['max_categories_onehot']
)
encoder.fit(X)
self.transformers_['encoder'] = encoder
X = encoder.transform(X)
self.metadata_['transformations_applied'].append('encoding')
self._log(f" Colonnes après encodage: {len(X.columns)}")
step += 1
# 3. Gestion des outliers (sur données numériques)
if self.handle_outliers:
self._log(f"\n{step}. Gestion des outliers")
outlier_handler = OutlierHandler(
method=self.config_['outlier_method'],
strategy=self.config_['outlier_strategy']
)
outlier_handler.fit(X)
self.transformers_['outlier_handler'] = outlier_handler
# Note: on n'applique pas transform ici pour ne pas modifier X
# Ce sera fait dans transform()
self.metadata_['transformations_applied'].append('outlier_handling')
step += 1
# 4. Sélection de features
if self.select_features and y is not None:
self._log(f"\n{step}. Sélection de features")
score_func = f_classif if self.problem_type == 'classification' else f_regression
k = min(self.config_['feature_selection_k'], len(X.columns))
selector = SelectKBest(score_func=score_func, k=k)
selector.fit(X, y)
self.transformers_['selector'] = selector
selected_features = X.columns[selector.get_support()].tolist()
X = X[selected_features]
self.metadata_['transformations_applied'].append('feature_selection')
self._log(f" Features sélectionnées: {len(selected_features)}")
step += 1
# 5. Scaling (toujours en dernier sur les features numériques)
if self.scale_features:
self._log(f"\n{step}. Normalisation des features")
scaler_map = {
'standard': StandardScaler(),
'minmax': MinMaxScaler(),
'robust': RobustScaler()
}
scaler = scaler_map.get(self.config_['scaler_type'], StandardScaler())
numeric_cols = X.select_dtypes(include=[np.number]).columns
if len(numeric_cols) > 0:
scaler.fit(X[numeric_cols])
self.transformers_['scaler'] = scaler
self.transformers_['scaler_columns'] = list(numeric_cols)
self.metadata_['transformations_applied'].append('scaling')
self._log(f" Scaler '{self.config_['scaler_type']}' appliqué")
step += 1
# Sauvegarder les noms de features finaux
self.feature_names_out_ = list(X.columns)
self.n_features_out_ = len(X.columns)
# Marquer comme fitted
self.is_fitted_ = True
self.metadata_['fitted_at'] = datetime.now().isoformat()
self._log("\n" + "="*60)
self._log("FIT TERMINÉ")
self._log(f"Features: {self.n_features_in_} → {self.n_features_out_}")
self._log("="*60)
return self
def transform(self, X: pd.DataFrame) -> pd.DataFrame:
"""
Applique les transformations apprises sur de nouvelles données
Args:
X: Données à transformer
Returns:
DataFrame transformé
"""
if not self.is_fitted_:
raise PreprocessorNotFittedError(
"Le preprocessor doit être fitted avant transform. "
"Appelez fit() d'abord."
)
self._validate_input_transform(X)
X = X.copy()
# Appliquer les transformations dans l'ordre
if 'imputer' in self.transformers_:
X = self.transformers_['imputer'].transform(X)
if 'encoder' in self.transformers_:
X = self.transformers_['encoder'].transform(X)
if 'outlier_handler' in self.transformers_:
X = self.transformers_['outlier_handler'].transform(X)
if 'selector' in self.transformers_:
selector = self.transformers_['selector']
selected_cols = [col for col in X.columns if col in self.feature_names_out_]
X = X[selected_cols]
if 'scaler' in self.transformers_:
scaler = self.transformers_['scaler']
scaler_cols = [col for col in self.transformers_['scaler_columns']
if col in X.columns]
if scaler_cols:
X[scaler_cols] = scaler.transform(X[scaler_cols])
# S'assurer que les colonnes correspondent exactement
X = self._ensure_column_consistency(X)
return X
def fit_transform(self, X: pd.DataFrame, y: pd.Series = None) -> pd.DataFrame:
"""
Fit puis transform en une seule étape
Args:
X: Features
y: Target (optionnel)
Returns:
DataFrame transformé
"""
return self.fit(X, y).transform(X)
def _ensure_column_consistency(self, X: pd.DataFrame) -> pd.DataFrame:
"""
S'assure que X a exactement les mêmes colonnes que lors du fit
Args:
X: DataFrame à vérifier
Returns:
DataFrame avec colonnes cohérentes
"""
# Ajouter colonnes manquantes (avec 0)
for col in self.feature_names_out_:
if col not in X.columns:
X[col] = 0
# Supprimer colonnes en trop
extra_cols = set(X.columns) - set(self.feature_names_out_)
if extra_cols:
X = X.drop(columns=list(extra_cols))
# Réordonner dans le bon ordre
return X[self.feature_names_out_]
def _validate_input_fit(self, X: pd.DataFrame, y: pd.Series = None):
"""Valide les entrées pour fit"""
if not isinstance(X, pd.DataFrame):
raise TypeError("X doit être un pandas DataFrame")
if X.empty:
raise ValueError("X ne peut pas être vide")
if self.select_features and y is None:
raise ValueError("y est requis pour la sélection de features")
if self.balance_classes and y is None:
raise ValueError("y est requis pour l'équilibrage des classes")
if y is not None:
if not isinstance(y, pd.Series):
raise TypeError("y doit être un pandas Series")
if len(X) != len(y):
raise ValueError("X et y doivent avoir la même longueur")
def _validate_input_transform(self, X: pd.DataFrame):
"""Valide les entrées pour transform"""
if not isinstance(X, pd.DataFrame):
raise TypeError("X doit être un pandas DataFrame")
if X.empty:
raise ValueError("X ne peut pas être vide")
# Vérifier que les colonnes essentielles sont présentes
missing_cols = set(self.feature_names_in_) - set(X.columns)
if missing_cols:
self._log(f"Colonnes manquantes: {missing_cols}", 'WARNING')
# On ne raise pas d'erreur car certaines colonnes peuvent avoir été
# supprimées durant le fit (ex: trop de missing values)
def balance_data(self, X: pd.DataFrame, y: pd.Series,
method: str = None) -> Tuple[pd.DataFrame, pd.Series]:
"""
Équilibre les classes déséquilibrées (classification uniquement)
Cette méthode doit être appelée APRÈS fit et transform
Args:
X: Features transformées
y: Target
method: 'oversample', 'undersample', 'smote' (ou None pour config)
Returns:
Tuple (X_balanced, y_balanced)
"""
if self.problem_type != 'classification':
self._log("Équilibrage ignoré (pas une classification)", 'WARNING')
return X, y
method = method or self.config_['balance_method']
class_counts = y.value_counts()
self._log(f"Distribution avant: {class_counts.to_dict()}")
if method == 'oversample':
max_size = class_counts.max()
dfs = []
for class_label in class_counts.index:
class_X = X[y == class_label]
class_y = y[y == class_label]
if len(class_X) < max_size:
class_X_resampled = resample(
class_X,
replace=True,
n_samples=max_size,
random_state=42
)
class_y_resampled = pd.Series([class_label] * max_size)
dfs.append((class_X_resampled, class_y_resampled))
else:
dfs.append((class_X, class_y))
X_balanced = pd.concat([df[0] for df in dfs]).reset_index(drop=True)
y_balanced = pd.concat([df[1] for df in dfs]).reset_index(drop=True)
elif method == 'undersample':
min_size = class_counts.min()
dfs = []
for class_label in class_counts.index:
class_X = X[y == class_label]
class_y = y[y == class_label]
class_X_resampled = resample(
class_X,
replace=False,
n_samples=min_size,
random_state=42
)
class_y_resampled = pd.Series([class_label] * min_size)
dfs.append((class_X_resampled, class_y_resampled))
X_balanced = pd.concat([df[0] for df in dfs]).reset_index(drop=True)
y_balanced = pd.concat([df[1] for df in dfs]).reset_index(drop=True)
elif method == 'smote':
try:
from imblearn.over_sampling import SMOTE
smote = SMOTE(random_state=42)
X_balanced, y_balanced = smote.fit_resample(X, y)
X_balanced = pd.DataFrame(X_balanced, columns=X.columns)
y_balanced = pd.Series(y_balanced, name=y.name)
except ImportError:
self._log("SMOTE nécessite: pip install imbalanced-learn", 'ERROR')
return X, y
new_counts = y_balanced.value_counts()
self._log(f"Distribution après: {new_counts.to_dict()}")
return X_balanced, y_balanced
def get_feature_names_out(self) -> List[str]:
"""Retourne les noms des features de sortie"""
if not self.is_fitted_:
raise PreprocessorNotFittedError("Preprocessor pas fitted")
return self.feature_names_out_.copy()
def get_preprocessing_report(self) -> Dict:
"""
Génère un rapport détaillé du preprocessing
Returns:
Dictionnaire avec toutes les informations
"""
return {
'is_fitted': self.is_fitted_,
'problem_type': self.problem_type,
'n_features_in': self.n_features_in_,
'n_features_out': self.n_features_out_,
'feature_names_in': self.feature_names_in_,
'feature_names_out': self.feature_names_out_,
'transformers': list(self.transformers_.keys()),
'config': self.config_,
'metadata': self.metadata_
}
def save(self, filepath: str) -> bool:
"""
Sauvegarde le preprocessor complet
Args:
filepath: Chemin de sauvegarde (.pkl)
Returns:
True si succès
"""
try:
filepath = Path(filepath)
filepath.parent.mkdir(parents=True, exist_ok=True)
with open(filepath, 'wb') as f:
pickle.dump(self, f, protocol=pickle.HIGHEST_PROTOCOL)
self._log(f"Preprocessor sauvegardé: {filepath}")
return True
except Exception as e:
self._log(f"Erreur sauvegarde: {e}", 'ERROR')
return False
@classmethod
def load(cls, filepath: str) -> 'DataPreprocessor':
"""
Charge un preprocessor sauvegardé
Args:
filepath: Chemin du fichier
Returns:
DataPreprocessor chargé
"""
try:
with open(filepath, 'rb') as f:
preprocessor = pickle.load(f)
if not isinstance(preprocessor, cls):
raise TypeError("Le fichier ne contient pas un DataPreprocessor")
return preprocessor
except Exception as e:
raise IOError(f"Erreur chargement: {e}")
# ============================================================================
# FONCTION PRINCIPALE : AUTO_PREPROCESS_ML
# ============================================================================
def auto_preprocess_ml(df: pd.DataFrame,
target_column: str,
problem_type: str = 'classification',
test_size: float = 0.2,
config: Dict = None,
verbose: bool = True) -> Dict:
"""
Pipeline automatique complet de preprocessing ML (SANS DATA LEAKAGE)
Cette fonction est le point d'entrée principal pour intégrer avec
base_model.py et data_loader.py
Args:
df: DataFrame complet (avec target)
target_column: Nom de la colonne cible
problem_type: 'classification' ou 'regression'
test_size: Proportion du test set (0.2 = 20%)
config: Configuration personnalisée (optionnel)
verbose: Afficher les messages
Returns:
Dictionnaire contenant:
- X_train: Features d'entraînement transformées
- X_test: Features de test transformées
- y_train: Target d'entraînement
- y_test: Target de test
- preprocessor: DataPreprocessor fitted (pour transform ultérieur)
- feature_names: Liste des noms de features
- report: Rapport détaillé
Exemple:
>>> from data_loader import DataLoader
>>> from models import create_model
>>>
>>> # 1. Charger les données
>>> loader = DataLoader()
>>> df = loader.load_data("iris.csv")
>>>
>>> # 2. Preprocessing automatique
>>> result = auto_preprocess_ml(
... df,
... target_column='species',
... problem_type='classification'
... )
>>>
>>> # 3. Entraîner un modèle
>>> model = create_model('RandomForestClassifierModel', 'classification')
>>> training_results = model.train(
... result['X_train'],
... result['y_train'],
... n_estimators=100
... )
>>>
>>> # 4. Évaluer
>>> eval_results = model.evaluate(result['X_test'], result['y_test'])
>>>
>>> # 5. Production (nouvelles données)
>>> X_new_processed = result['preprocessor'].transform(X_new)
>>> predictions = model.predict(X_new_processed)
"""
if verbose:
print("\n" + "="*70)
print("PIPELINE AUTOMATIQUE ML - SANS DATA LEAKAGE")
print("="*70)
df = df.copy()
# Validation
if target_column not in df.columns:
raise ValueError(f"Colonne '{target_column}' introuvable dans le DataFrame")
# 1. Séparation X et y
if verbose:
print("\n1️⃣ Séparation features / target")
y = df[target_column]
X = df.drop(columns=[target_column])
if verbose:
print(f" Features: {X.shape[1]} colonnes")
print(f" Target: {target_column}")
print(f" Échantillons: {len(X)}")
# 2. Split AVANT tout preprocessing (CRITIQUE pour éviter data leakage)
if verbose:
print(f"\n2️⃣ Split train/test ({int((1-test_size)*100)}% / {int(test_size*100)}%)")
stratify = y if problem_type == 'classification' else None
X_train, X_test, y_train, y_test = train_test_split(
X, y,
test_size=test_size,
stratify=stratify,
random_state=42
)
if verbose:
print(f" Train: {len(X_train)} échantillons")
print(f" Test: {len(X_test)} échantillons")
# 3. Créer et configurer le preprocessor
if verbose:
print("\n3️⃣ Configuration du preprocessor")
preprocessor = DataPreprocessor(
problem_type=problem_type,
verbose=verbose
)
if config:
preprocessor.set_config(**config)
# 4. Fit sur TRAIN seulement
if verbose:
print("\n4️⃣ Fit du preprocessor (sur train uniquement)")
preprocessor.fit(X_train, y_train)
# 5. Transform train et test avec les MÊMES transformations
if verbose:
print("\n5️⃣ Transform train et test")
X_train_processed = preprocessor.transform(X_train)
X_test_processed = preprocessor.transform(X_test)
if verbose:
print(f" Train transformé: {X_train_processed.shape}")
print(f" Test transformé: {X_test_processed.shape}")
# 6. Équilibrage des classes (sur train seulement, si demandé)
if preprocessor.balance_classes and problem_type == 'classification':
if verbose:
print("\n6️⃣ Équilibrage des classes (train uniquement)")
X_train_processed, y_train = preprocessor.balance_data(
X_train_processed,
y_train
)
# 7. Générer le rapport
if verbose:
print("\n" + "="*70)
print("PREPROCESSING TERMINÉ")
print("="*70)
report = preprocessor.get_preprocessing_report()
return {
'X_train': X_train_processed,
'X_test': X_test_processed,
'y_train': y_train,
'y_test': y_test,
'preprocessor': preprocessor,
'feature_names': preprocessor.get_feature_names_out(),
'report': report,
'summary': {
'train_samples': len(X_train_processed),
'test_samples': len(X_test_processed),
'n_features': len(preprocessor.get_feature_names_out()),
'problem_type': problem_type,
'transformations': report['metadata']['transformations_applied']
}
}
# ============================================================================
# UTILITAIRES PRATIQUES
# ============================================================================
def quick_preprocess(X_train: pd.DataFrame, X_test: pd.DataFrame,
y_train: pd.Series = None,
problem_type: str = 'classification') -> Dict:
"""
Preprocessing rapide pour données déjà splitées
Args:
X_train: Features train
X_test: Features test
y_train: Target train (optionnel)
problem_type: Type de problème
Returns:
Dict avec X_train et X_test transformés + preprocessor
"""
preprocessor = DataPreprocessor(problem_type=problem_type, verbose=False)
preprocessor.fit(X_train, y_train)
return {
'X_train': preprocessor.transform(X_train),
'X_test': preprocessor.transform(X_test),
'preprocessor': preprocessor
}
def analyze_preprocessing_needs(df: pd.DataFrame, target_column: str = None) -> Dict:
"""
Analyse les besoins de preprocessing d'un dataset
Args:
df: DataFrame à analyser
target_column: Colonne cible (optionnel)