File size: 4,038 Bytes
d0661bd d2c8f3c 0527fa6 9603f8e d0661bd 854dede 2392756 854dede 10118ca 0527fa6 d2c8f3c bda553e d2c8f3c bda553e 9ee810a 0527fa6 d2c8f3c 0527fa6 bda553e 0527fa6 d2c8f3c 10118ca 9ee810a 9603f8e 0a64f3b bd6f02f 9603f8e bd6f02f 9603f8e bd6f02f 9603f8e f3a6502 9603f8e 0527fa6 f3a6502 0527fa6 f3a6502 9603f8e 48d778d f3a6502 0a64f3b 9603f8e 0527fa6 10118ca |
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 |
import streamlit as st
import pandas as pd
import requests
import folium
from streamlit_folium import folium_static
from transformers import pipeline
import tensorflow as tf
assert tf.__version__.startswith('2.')
print("TensorFlow version:", tf.__version__)
# Fonction pour récupérer les données de l'API
def get_data():
url = "https://opendata.bordeaux-metropole.fr/api/records/1.0/search/?dataset=met_etablissement_rse&q=&rows=100"
response = requests.get(url)
if response.status_code == 200:
data = response.json()
records = data.get("records", [])
return [record["fields"] for record in records], data.get("nhits", 0)
else:
return [], 0
# Fonction pour l'onglet "Organisations engagées"
def display_organisations_engagees():
st.markdown("## OPEN DATA RSE")
st.markdown("### Découvrez les organisations engagées RSE de la métropole de Bordeaux")
data, _ = get_data()
if data:
df = pd.DataFrame(data)
df = df.rename(columns={
"nom_courant_denomination": "Nom",
"commune": "Commune",
"libelle_section_naf": "Section NAF",
"tranche_effectif_entreprise": "Effectif",
"action_rse": "Action RSE"
})
df = df[["Nom", "Commune", "Section NAF", "Effectif", "Action RSE"]]
st.dataframe(df, width=None, height=None)
# Fonction pour l'onglet "GeoRSE Insights"
def display_geo_rse_insights():
data, _ = get_data()
if data:
m = folium.Map(location=[44.84474, -0.60711], zoom_start=11)
for item in data:
point_geo = item.get('point_geo', [])
if point_geo:
lat, lon = point_geo
lat, lon = float(lat), float(lon)
if lat and lon:
folium.Marker(
[lat, lon],
popup=f"<b>{item.get('nom_courant_denomination', 'Sans nom')}</b><br>Action RSE: {item.get('action_rse', 'Non spécifié')}",
icon=folium.Icon(color="green", icon="leaf"),
).add_to(m)
folium_static(m)
# Fonction pour la classification des actions RSE
def classify_rse_actions(descriptions):
classifier = pipeline("zero-shot-classification", model="typeform/distilbert-base-uncased-mnli")
categories = [
"La gouvernance de la structure",
"Les droits humains",
"Les conditions et relations de travail",
"La responsabilité environnementale",
"La loyauté des pratiques",
"Les questions relatives au consommateur et à la protection du consommateur",
"Les communautés et le développement local"
]
classified_data = []
for description in descriptions:
result = classifier(description, categories)
top_category = result['labels'][0]
classified_data.append(top_category)
return classified_data
# Nouvelle fonction pour l'onglet de classification RSE
def display_rse_categorizer():
st.header("Classification des Actions RSE")
st.write("Cet outil classe les actions RSE des entreprises selon les normes ISO 26000.")
data, _ = get_data()
if data:
descriptions = [item['action_rse'] for item in data if 'action_rse' in item]
categories = classify_rse_actions(descriptions)
for i, category in enumerate(categories):
st.write(f"Action RSE: {descriptions[i]}")
st.write(f"Catégorie prédite: {category}")
st.write("---")
# Main function orchestrating the app UI
def main():
st.sidebar.title("Navigation")
app_mode = st.sidebar.radio("Choisissez l'onglet", ["Organisations engagées", "GeoRSE Insights", "Classification RSE"])
if app_mode == "Organisations engagées":
display_organisations_engagees()
elif app_mode == "GeoRSE Insights":
display_geo_rse_insights()
elif app_mode == "Classification RSE":
display_rse_categorizer()
if __name__ == "__main__":
main()
|