updated

DEPLOY_HF.md

@@ -1,201 +0,0 @@
-# 🚀 Guide de Déploiement sur Hugging Face Spaces
-
-## 📋 Prérequis
-
-1. **Compte Hugging Face** : Créez un compte sur [huggingface.co](https://huggingface.co)
-2. **Token d'accès** : Générez un token sur [huggingface.co/settings/tokens](https://huggingface.co/settings/tokens)
-3. **Dataset HackathonCRA/2024** : Assurez-vous d'avoir accès au dataset
-
-## 🔧 Étapes de Déploiement
-
-### 1. Créer un nouveau Space
-
-1. Allez sur [huggingface.co/new-space](https://huggingface.co/new-space)
-2. Remplissez les informations :
-   - **Space name** : `analyse-adventices-cra` (ou votre nom préféré)
-   - **License** : MIT
-   - **SDK** : Gradio
-   - **Hardware** : CPU basic (gratuit)
-
-### 2. Configurer les fichiers
-
-Votre projet contient maintenant tous les fichiers nécessaires :
-
-```
-📁 Votre projet/
-├── 📄 app.py              # Application Gradio modifiée pour HF
-├── 📄 requirements.txt    # Dépendances avec datasets et huggingface_hub
-├── 📄 README.md          # Métadonnées HF (déjà configuré)
-├── 📄 Dockerfile         # Configuration Docker (optionnel)
-└── 📄 sample_data.csv    # Données de fallback
-```
-
-### 3. Uploader les fichiers
-
-**Option A : Interface Web**
-1. Cliquez sur "Files and versions" dans votre Space
-2. Uploadez tous les fichiers un par un
-
-**Option B : Git (Recommandé)**
-```bash
-# Cloner votre space
-git clone https://huggingface.co/spaces/VOTRE_USERNAME/VOTRE_SPACE_NAME
-
-# Copier vos fichiers
-cp app.py requirements.txt README.md sample_data.csv VOTRE_SPACE_NAME/
-
-# Pousser les changements
-cd VOTRE_SPACE_NAME
-git add .
-git commit -m "Ajout de l'application d'analyse des adventices"
-git push
-```
-
-### 4. Configurer les variables d'environnement
-
-1. Dans votre Space, allez dans **Settings**
-2. Ajoutez la variable d'environnement :
-   - **Name** : `HF_TOKEN`
-   - **Value** : Votre token Hugging Face
-   - ✅ Cochez "Secret" pour la sécurité
-
-### 5. Vérifier le dataset
-
-Assurez-vous que :
-- Le dataset `HackathonCRA/2024` existe
-- Vous avez les permissions pour y accéder
-- Le token a les bonnes permissions
-
-## 🏗️ Structure du Code Modifié
-
-### Chargement des données
-```python
-# Configuration HF intégrée
-hf_token = os.environ.get("HF_TOKEN")
-dataset_id = "HackathonCRA/2024"
-
-# Méthode de fallback robuste
-def load_data(self):
-    try:
-        # 1. Essayer depuis Hugging Face
-        dataset = load_dataset(dataset_id, use_auth_token=hf_token)
-        self.df = dataset['train'].to_pandas()
-    except:
-        # 2. Fallback vers fichiers locaux
-        # 3. Génération de données d'exemple si nécessaire
-```
-
-### Configuration Gradio
-```python
-# Optimisé pour HF Spaces
-demo.launch(
-    server_name="0.0.0.0",
-    server_port=7860,
-    share=False
-)
-```
-
-## 🔍 Debugging
-
-### Problèmes courants
-
-1. **Dataset non trouvé**
-   - Vérifiez que `HackathonCRA/2024` existe
-   - Confirmez les permissions d'accès
-   - L'app utilisera des données d'exemple en fallback
-
-2. **Token invalide**
-   - Régénérez votre token HF
-   - Vérifiez qu'il est bien configuré comme secret
-
-3. **Erreurs de dépendances**
-   - Les dépendances sont dans `requirements.txt`
-   - HF Spaces installe automatiquement
-
-### Logs utiles
-```python
-# Ces messages apparaîtront dans les logs HF
-print(f"🤗 Tentative de chargement depuis Hugging Face: {dataset_id}")
-print(f"✅ Données chargées depuis Hugging Face")
-print(f"⚠️ Erreur lors du chargement depuis Hugging Face")
-```
-
-## 🎯 Fonctionnalités
-
-Votre app fonctionnera avec :
-- ✅ **Chargement automatique** depuis le dataset HF
-- ✅ **Fallback robuste** vers données locales/exemple
-- ✅ **Interface Gradio complète** avec tous les onglets
-- ✅ **Visualisations interactives** Plotly
-- ✅ **Analyse des risques** par parcelle
-- ✅ **Recommandations** pour cultures sensibles
-
-## 🚀 Résultat Final
-
-Une fois déployé, votre Space sera accessible à l'adresse :
-`https://huggingface.co/spaces/VOTRE_USERNAME/VOTRE_SPACE_NAME`
-
-L'application se lancera automatiquement et tentera de charger les données depuis `HackathonCRA/2024` !
-
----
-
-**Bon déploiement ! 🌾✨**
-
-Voici comment lancer votre application en local pour tester avant le déploiement :
-
-## 🔧 Lancement en Local
-
-### 1. **Installation des dépendances**
-```bash
-# Dans votre dossier de projet
-cd /Users/tracyandre/code/hackathon/data
-
-# Installer les dépendances
-pip install -r requirements.txt
-```
-
-### 2. **Configuration des variables d'environnement (optionnel)**
-```bash
-# Créer un fichier .env (optionnel, pour tester avec le vrai dataset HF)
-echo "HF_TOKEN=votre_token_hugging_face" > .env
-
-# Ou exporter directement dans le terminal
-export HF_TOKEN=votre_token_hugging_face
-```
-
-### 3. **Lancer l'application**
-```bash
-<code_block_to_apply_changes_from>
-```
-
-### 4. **Accéder à l'interface**
-Ouvrez votre navigateur et allez à : **http://localhost:7860**
-
-## 🎯 Comportement en Local
-
-Votre app va essayer de charger les données dans cet ordre :
-1. **Dataset HF** `HackathonCRA/2024` (si `HF_TOKEN` configuré)
-2. **Fichiers locaux** (sample_data.csv, etc.)
-3. **Données d'exemple** générées automatiquement
-
-## 🔍 Messages de Debug
-Vous verrez dans la console :
-```
-🤗 Tentative de chargement depuis Hugging Face: HackathonCRA/2024
-✅ Données chargées depuis Hugging Face: HackathonCRA/2024
-# OU
-⚠️ Erreur lors du chargement depuis Hugging Face: [erreur]
-🔄 Basculement vers les fichiers locaux...
-✅ Données chargées depuis: sample_data.csv
-# OU
-⚠️ Aucun fichier de données trouvé, génération de données d'exemple
-```
-
-## 🚀 Test Rapide (sans token HF)
-Si vous voulez juste tester l'interface rapidement :
-```bash
-# L'app fonctionnera avec les données d'exemple générées
-python app.py
-```
-
-L'application sera accessible sur **http://localhost:7860** avec toutes les fonctionnalités ! 🌾✨

FINAL_SOLUTION_SUMMARY.md

@@ -1,94 +0,0 @@
-# 🎯 Solution Finale Complète
-
-## 🔧 Architecture de Chargement Robuste
-
-### 3 Niveaux de Fallback Intelligents
-
-```
-1️⃣ Configuration CSV Sécurisée
-   ├── Force tout en string (dtype=str)
-   ├── Encodage UTF-8 explicite
-   ├── Pas de conversion NaN automatique
-   └── Filtre uniquement les CSV
-   
-2️⃣ Chargement Standard HF
-   ├── Méthode load_dataset() classique
-   ├── Avec et sans token
-   └── Laisse HF gérer les types
-   
-3️⃣ Chargement CSV Manuel
-   ├── API HfApi pour lister les fichiers
-   ├── URLs directes avec encodage URL
-   ├── Pandas avec encodage UTF-8/Latin-1
-   └── Concaténation manuelle
-```
-
-## 📊 Gestion des Problèmes Spécifiques
-
-### ✅ Erreur PyArrow `'Coué - ' as double`
-- **Solution** : `dtype=str` force tout en string
-- **Fallback** : Chargement manuel avec pandas
-
-### ✅ Erreur d'encodage `'\xe9'` 
-- **Solution** : `encoding='utf-8'` explicite
-- **Fallback** : Tentative avec `latin-1`
-
-### ✅ Noms de fichiers accentués
-- **Solution** : `urllib.parse.quote()` pour encoding URL
-- **Fallback** : API HfApi pour noms exacts
-
-## 🎯 Flux d'Exécution
-
-```python
-🤗 Chargement du dataset Hugging Face: HackathonCRA/2024
-🔧 Tentative avec configuration CSV sécurisée...
-🔑 Chargement sécurisé avec token réussi
-📊 Splits disponibles: ['train']
-🎯 Utilisation du split: 'train'
-✅ Dataset chargé: XXXX lignes, XX colonnes
-🗂️ Après filtrage CSV: YYYY lignes restantes  
-📅 Années disponibles: [2020, 2021, 2022, 2023, 2024, 2025]
-✅ Données filtrées (2020+): ZZZZ lignes
-```
-
-## 🔍 Validation et Debug
-
-### Messages de Diagnostic
-- ✅ **Type de chargement** utilisé (sécurisé/standard/manuel)
-- ✅ **Nombre de fichiers** CSV détectés
-- ✅ **Encodage** utilisé pour chaque fichier
-- ✅ **Années** disponibles après filtrage
-- ✅ **Colonnes** détectées pour validation
-
-### Gestion d'Erreurs
-- ✅ **Erreurs détaillées** avec solutions
-- ✅ **Fallback automatique** entre méthodes
-- ✅ **Validation des données** après chargement
-- ✅ **Messages utilisateur** clairs
-
-## 🚀 Robustesse pour HuggingFace Spaces
-
-### Avantages de la Solution
-1. **Triple sécurité** : 3 méthodes de chargement
-2. **Gestion complète** des encodages problématiques  
-3. **Adaptation automatique** aux structures de dataset
-4. **Messages informatifs** pour debugging
-5. **Validation des données** à chaque étape
-
-### Garanties
-- ✅ **Fonctionne même avec données "sales"**
-- ✅ **Gère les accents et caractères spéciaux**
-- ✅ **Adaptatif** aux changements de structure HF
-- ✅ **Debug facile** avec logs détaillés
-- ✅ **Prêt pour production** sur HF Spaces
-
-## 🎉 Application Finale
-
-Votre application est maintenant **ultra-robuste** et peut gérer :
-- 📊 **Tous types de datasets** CSV sur HuggingFace
-- 🌍 **Caractères internationaux** et accents
-- 🔧 **Erreurs de parsing** automatiques
-- 📁 **Structures de fichiers** variables
-- 🎯 **Déploiement fiable** sur HF Spaces
-
-**L'application est prête pour le déploiement production !** 🚀✨

FINAL_SUMMARY.md

@@ -1,82 +0,0 @@
-# ✅ Configuration Finale - Application HuggingFace Spaces
-
-## 🎯 Problème Résolu : Pas de Split "train"
-
-### 📊 Structure du Dataset HackathonCRA/2024
-- **13 fichiers CSV** : 2014, 2015, 2016, 2018, 2019, 2020, 2021, 2022, 2023, 2024, 2025
-- **2 fichiers XLSX** : 2017.xlsx, 2021.xlsx
-- **Pas de split "train"** par défaut
-
-### 🔧 Solution Implémentée
-
-**Code modifié pour :**
-1. ✅ **Détection automatique des splits** disponibles
-2. ✅ **Utilisation du premier split** si pas de "train"
-3. ✅ **Filtrage automatique des XLSX** (garde uniquement les CSV)
-4. ✅ **Filtrage temporel** pour données récentes (2020+)
-
-### 📝 Nouveau Comportement
-
-```python
-# Détection intelligente des splits
-available_splits = list(dataset.keys())
-if 'train' in available_splits:
-    split_to_use = 'train'
-else:
-    split_to_use = available_splits[0]  # Premier disponible
-
-# Filtrage XLSX
-csv_mask = df['file'].str.endswith('.csv', na=False)
-df_clean = df[csv_mask]  # Exclut 2017.xlsx et 2021.xlsx
-
-# Filtrage temporel  
-recent_data = df_clean[df_clean['millesime'] >= 2020]
-```
-
-## 🚀 Messages de Debug Améliorés
-
-L'application affichera maintenant :
-```
-🤗 Chargement du dataset Hugging Face: HackathonCRA/2024
-📊 Splits disponibles: ['default']  # ou autre
-🎯 Utilisation du split: 'default'
-✅ Dataset chargé: XXXX lignes, XX colonnes
-📁 Types de fichiers détectés: ['file1.csv', 'file2.xlsx', ...]
-📊 Avant filtrage CSV: XXXX lignes
-🗂️ Après filtrage CSV: YYYY lignes restantes
-📅 Années disponibles: [2014, 2015, ..., 2025]
-✅ Données filtrées (2020+): ZZZZ lignes
-```
-
-## 📊 Données Finales Utilisées
-
-**Fichiers CSV inclus (2020+) :**
-- ✅ 2020.csv
-- ✅ 2021.csv (CSV, pas XLSX)
-- ✅ 2022.csv  
-- ✅ 2023.csv
-- ✅ 2024.csv
-- ✅ 2025.csv
-
-**Fichiers exclus :**
-- ❌ 2014-2019 (trop anciens)
-- ❌ 2017.xlsx, 2021.xlsx (format XLSX)
-
-## 🎉 Application Prête !
-
-### ✅ Fonctionnalités Garanties
-- 🔄 **Adaptation automatique** aux splits disponibles
-- 🗂️ **Filtrage intelligent** CSV vs XLSX
-- 📅 **Données récentes** pour analyse pertinente
-- 🎯 **Analyse des risques** adventices
-- 📊 **Visualisations** interactives
-
-### 🚀 Déploiement HF Spaces
-Votre application est maintenant **robuste** et **adaptative** pour HuggingFace Spaces !
-
-**Uploadez simplement :**
-- `app.py` (modifié)
-- `requirements.txt` 
-- `README.md`
-
-L'app détectera automatiquement la structure du dataset et fonctionnera ! 🎯✨

HF_FINAL_SETUP.md

@@ -1,87 +0,0 @@
-# ✅ Configuration Finale pour HuggingFace Spaces
-
-## 🎯 Modifications Effectuées
-
-### 1. **Chargement EXCLUSIF du dataset HF**
-- ✅ Suppression de tous les fallbacks locaux
-- ✅ Méthode `create_sample_data()` désactivée
-- ✅ Chargement uniquement depuis `HackathonCRA/2024`
-
-### 2. **Filtrage des Fichiers XLS**
-- ✅ Détection automatique des fichiers XLS dans le dataset
-- ✅ Filtrage pour ne garder que les fichiers CSV
-- ✅ Messages de debug pour comprendre le contenu
-
-### 3. **Gestion Robuste des Erreurs**
-- ✅ Messages d'erreur clairs
-- ✅ Instructions de dépannage intégrées
-- ✅ Validation des données après chargement
-
-## 📊 Dataset HuggingFace: HackathonCRA/2024
-
-**Contenu détecté** :
-- 📄 **11 fichiers CSV** (2014-2025)
-- 📄 **2 fichiers XLS** (ignorés automatiquement)
-- 🎯 **Filtrage automatique** pour années récentes (2020+)
-
-## 🚀 Déploiement sur HF Spaces
-
-### Fichiers à uploader :
-```
-📁 Votre Space/
-├── app.py              ✅ Configuré pour HF uniquement
-├── requirements.txt    ✅ Dépendances HF incluses
-├── README.md          ✅ Métadonnées correctes
-└── sample_data.csv    ✅ Non utilisé mais présent
-```
-
-### Variables d'environnement :
-- **HF_TOKEN** : Votre token HuggingFace (optionnel si dataset public)
-
-## 🔍 Comportement de l'App
-
-1. **Chargement** : Connexion automatique à `HackathonCRA/2024`
-2. **Filtrage XLS** : Exclusion automatique des fichiers .xls
-3. **Filtrage temporel** : Données 2020+ par défaut
-4. **Analyse** : Calcul des risques adventices
-5. **Visualisations** : Graphiques interactifs Plotly
-
-## 📝 Messages de Debug
-
-L'application affichera :
-```
-🤗 Chargement du dataset Hugging Face: HackathonCRA/2024
-🔑 Authentification avec token réussie
-📊 Splits disponibles: ['train']
-✅ Dataset chargé: XXXX lignes, XX colonnes
-🏷️ Colonnes: ['numparcell', 'nomparc', ...]
-📁 Types de fichiers détectés: ['file1.csv', 'file2.xls', ...]
-🗂️ Filtré pour CSV uniquement: YYYY lignes restantes
-📅 Années disponibles: [2014, 2015, ..., 2025]
-✅ Données filtrées (2020+): ZZZZ lignes
-```
-
-## ❌ Gestion d'Erreurs
-
-En cas de problème :
-```
-❌ ERREUR lors du chargement du dataset HuggingFace:
-   [Description de l'erreur]
-💡 Solutions:
-   1. Vérifiez l'URL: https://huggingface.co/datasets/HackathonCRA/2024
-   2. Configurez votre token: export HF_TOKEN='votre_token'
-   3. Vérifiez vos permissions d'accès
-```
-
-## 🎉 Résultat Final
-
-Votre application :
-- ✅ **Ne fonctionne QU'AVEC le dataset HF**
-- ✅ **Ignore automatiquement les fichiers XLS** 
-- ✅ **Filtre pour les données récentes**
-- ✅ **Prête pour le déploiement HF Spaces**
-- ✅ **Messages d'erreur utiles**
-
----
-
-**L'application est maintenant 100% configurée pour HuggingFace Spaces ! 🚀**

PARSING_ERROR_FIX.md

@@ -1,110 +0,0 @@
-# 🔧 Correction de l'Erreur de Parsing PyArrow
-
-## 🚨 Problème Identifié
-
-**Erreur** : `Failed to parse string: 'Coué - ' as a scalar of type double`
-
-**Cause** : HuggingFace Datasets essaie de deviner automatiquement les types de colonnes et interprète mal certaines données textuelles comme des nombres.
-
-## ✅ Solution Implémentée
-
-### 1. **Chargement Robust avec Fallback**
-
-L'application essaie maintenant **3 méthodes** dans l'ordre :
-
-1. **Chargement HF normal** (rapide)
-2. **Chargement HF avec types flexibles** (si erreur)  
-3. **Chargement CSV direct** (fallback ultime)
-
-### 2. **Chargement CSV Direct**
-
-En cas d'échec du parsing automatique :
-```python
-# Chargement direct des fichiers CSV depuis HF
-csv_files = [
-    "Interventions-...-2020.csv",
-    "Interventions-...-2021.csv", 
-    # ... etc
-]
-
-for csv_file in csv_files:
-    file_url = f"https://huggingface.co/datasets/{dataset_id}/resolve/main/{csv_file}"
-    df = pd.read_csv(file_url, dtype=str, na_filter=False)  # Tout en string
-```
-
-### 3. **Gestion des Types**
-
-- **Tout forcé en string** initialement
-- **Conversion sélective** des colonnes numériques après chargement
-- **Nettoyage des données** problématiques
-
-## 🎯 Fonctionnalités de la Solution
-
-### ✅ Messages de Debug Améliorés
-```
-🤗 Chargement du dataset Hugging Face: HackathonCRA/2024
-⚠️ Erreur de parsing automatique: Failed to parse string...
-🔄 Tentative avec types de données flexibles...
-📊 Chargement alternatif: fichiers CSV individuels...
-   ⚙️ Chargement: Interventions-...-2020.csv
-   ⚙️ Chargement: Interventions-...-2021.csv
-✅ Chargement alternatif réussi: XXXX lignes
-```
-
-### ✅ Filtrage Intelligent
-- **Exclusion automatique** des fichiers XLSX
-- **Gestion flexible** des colonnes 'file' ou 'source_file'
-- **Conversion robuste** de la colonne 'millesime'
-
-### ✅ Gestion d'Erreurs
-- **3 niveaux de fallback** 
-- **Messages détaillés** pour debugging
-- **Préservation des données** même en cas de problème
-
-## 🚀 Résultat sur HuggingFace Spaces
-
-### Comportement Attendu
-
-1. **Tentative normale** → Échoue avec erreur parsing
-2. **Chargement alternatif** → Réussit avec CSV direct
-3. **Données propres** → 6 fichiers CSV (2020-2025)
-4. **Application fonctionnelle** → Analyse des adventices
-
-### Logs de Succès
-```
-📊 Chargement alternatif: fichiers CSV individuels...
-   ⚙️ Chargement: Interventions-...-2020.csv
-   ⚙️ Chargement: Interventions-...-2021.csv
-   ⚙️ Chargement: Interventions-...-2022.csv
-   ⚙️ Chargement: Interventions-...-2023.csv
-   ⚙️ Chargement: Interventions-...-2024.csv
-   ⚙️ Chargement: Interventions-...-2025.csv
-✅ Chargement alternatif réussi: XXXX lignes
-📊 Splits disponibles: ['train']
-🎯 Utilisation du split: 'train'
-✅ Dataset chargé: XXXX lignes, XX colonnes
-```
-
-## 🔧 Modifications du Code
-
-### Imports Ajoutés
-```python
-import pandas as pd
-from datasets import DatasetDict, Dataset
-```
-
-### Logique de Chargement
-1. **Try/catch** sur `load_dataset()`
-2. **Chargement CSV direct** avec `pd.read_csv(dtype=str)`
-3. **Conversion** en `Dataset` HuggingFace
-4. **Filtrage et nettoyage** des données
-
-## 🎉 Application Robuste
-
-Votre application peut maintenant :
-- ✅ **Gérer les erreurs de parsing** PyArrow
-- ✅ **Charger les données CSV** directement depuis HF
-- ✅ **Fonctionner même avec données "sales"**
-- ✅ **Être déployée sur HF Spaces** sans problème
-
-**La solution est robuste et prête pour la production !** 🚀✨

ULTIMATE_FIX.md

@@ -1,87 +0,0 @@
-# 🔧 Solution Ultime pour les Erreurs de Parsing
-
-## 🚨 Problèmes Identifiés
-
-1. **Erreur PyArrow** : `Failed to parse string: 'Coué - ' as a scalar of type double`
-2. **Erreur d'encodage** : `'ascii' codec can't encode character '\xe9'`
-3. **Noms de fichiers** : Accents dans "Expérimentale" et "Kerguéhennec"
-
-## ✅ Solution Finale : Force String Loading
-
-### Nouvelle Approche
-
-Au lieu de lutter avec le parsing automatique, forçons **tout en string** dès le chargement du dataset avec une configuration personnalisée.
-
-### Code de Solution
-
-```python
-# Configuration CSV avec tous les types en string
-csv_config = {
-    "sep": ",",
-    "encoding": "utf-8",
-    "dtype": str,  # Force tout en string
-    "na_filter": False,  # Pas de conversion NaN
-    "keep_default_na": False,  # Pas de valeurs NA par défaut
-}
-
-# Chargement avec configuration personnalisée
-try:
-    dataset = load_dataset(
-        dataset_id, 
-        token=hf_token,
-        **csv_config  # Force le parsing en string
-    )
-except Exception:
-    # Fallback vers chargement manuel
-    # ... reste du code de fallback
-```
-
-### Avantages
-
-1. **✅ Évite le parsing automatique** problématique
-2. **✅ Gère les accents** correctement  
-3. **✅ Pas de conflit de types** (tout en string)
-4. **✅ Conversion manuelle** après chargement si nécessaire
-
-## 🎯 Mise à Jour Recommandée
-
-### Priorité 1 : Simple et Robuste
-
-Plutôt que les multiple fallbacks complexes, utilisez :
-
-```python
-def load_data(self):
-    try:
-        # Force tout en string dès le chargement
-        dataset = load_dataset(
-            dataset_id,
-            token=hf_token,
-            data_files="*.csv",  # Seulement les CSV
-            sep=",",
-            encoding="utf-8", 
-            dtype=str,
-            na_filter=False
-        )
-        
-        df = dataset['train'].to_pandas()
-        
-        # Conversion manuelle des colonnes numériques
-        if 'millesime' in df.columns:
-            df['millesime'] = pd.to_numeric(df['millesime'], errors='coerce')
-        
-        # ... reste de l'analyse
-        
-    except Exception as e:
-        print(f"Erreur: {e}")
-        raise Exception("Dataset requis mais non accessible")
-```
-
-## 🚀 Résultat Attendu
-
-Cette approche devrait **éliminer complètement** :
-- ✅ Les erreurs de parsing PyArrow
-- ✅ Les problèmes d'encodage 
-- ✅ Les conflits de types automatiques
-- ✅ La complexité des multiples fallbacks
-
-**Application simple, robuste et fonctionnelle !** 🎯✨

app.py

@@ -28,226 +28,24 @@ class AgricultureAnalyzer:
     def __init__(self):
         self.df = None
         self.risk_analysis = None
-        
-    def load_data(self, file_path=None):
-        """Charge les données agricoles UNIQUEMENT depuis Hugging Face"""
-        
-        try:
-            print(f"🤗 Chargement du dataset Hugging Face: {dataset_id}")
-            
-            # Chargement du dataset avec configuration CSV robuste
+
+        def load_data(self):
+            """Charge les données du dataset Hugging Face"""
             try:
-                print(f"🔧 Tentative avec configuration CSV sécurisée...")
-                
-                # Configuration pour forcer le chargement en string
-                if hf_token:
-                    dataset = load_dataset(
-                        dataset_id, 
-                        token=hf_token,
-                        data_files="*.csv",  # Seulement les CSV
-                        sep=",",
-                        encoding="utf-8",
-                        dtype=str,  # Force tout en string
-                        na_filter=False,  # Pas de conversion NaN automatique
-                        keep_default_na=False  # Pas de valeurs NA par défaut
-                    )
-                    print(f"🔑 Chargement sécurisé avec token réussi")
-                else:
-                    dataset = load_dataset(
-                        dataset_id,
-                        data_files="*.csv",
-                        sep=",", 
-                        encoding="utf-8",
-                        dtype=str,
-                        na_filter=False,
-                        keep_default_na=False
-                    )
-                    print(f"🔑 Chargement sécurisé sans token réussi")
-            except Exception as parse_error:
-                print(f"⚠️ Erreur avec configuration sécurisée: {str(parse_error)[:100]}...")
-                print(f"🔄 Tentative de chargement standard...")
-                
-                # Fallback: chargement standard
-                try:
-                    if hf_token:
-                        dataset = load_dataset(dataset_id, token=hf_token)
-                        print(f"🔑 Chargement standard avec token réussi")
-                    else:
-                        dataset = load_dataset(dataset_id)
-                        print(f"🔑 Chargement standard sans token réussi")
-                        
-                except Exception as standard_error:
-                    print(f"⚠️ Erreur de chargement standard: {str(standard_error)[:100]}...")
-                    print(f"🔄 Tentative avec chargement CSV manuel...")
+                self.df = load_dataset(
+                    dataset_id, 
+                    split="train", 
+                    token=hf_token  # ou use_auth_token=hf_token selon la version
+                ).to_pandas()
                 
-                    # Forcer tous les types en string pour éviter les erreurs de parsing
-                    # Chargement avec configuration CSV personnalisée
-                    from datasets import DatasetDict
-                    import pandas as pd
-                    
-                    # Alternative: utiliser l'API HuggingFace pour lister les fichiers CSV
-                    try:
-                        api = HfApi(token=hf_token)
-                        all_files = api.list_repo_files(dataset_id, repo_type="dataset")
-                        
-                        # Filtrer pour ne garder que les CSV récents
-                        csv_files = [f for f in all_files if f.endswith('.csv') and any(year in f for year in ['2020', '2021', '2022', '2023', '2024', '2025'])]
-                        csv_files.sort()  # Trier par ordre alphabétique
-                        
-                        print(f"📁 Fichiers CSV détectés: {len(csv_files)}")
-                        for f in csv_files:
-                            print(f"   - {f}")
-                            
-                    except Exception as api_error:
-                        print(f"⚠️ Erreur API HF: {api_error}")
-                        # Fallback avec noms corrects
-                        csv_files = [
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2020.csv",
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2021.csv",
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2022.csv",
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2023.csv",
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2024.csv",
-                            "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2025.csv"
-                        ]
-                    
-                    print(f"📊 Chargement alternatif: fichiers CSV individuels...")
-                    
-                    # Charger chaque fichier avec pandas et concaténer
-                    all_dataframes = []
-                    
-                    for csv_file in csv_files:
-                        try:
-                            # URL directe vers le fichier avec encodage URL correct
-                            encoded_filename = urllib.parse.quote(csv_file, safe='-()_.')
-                            file_url = f"https://huggingface.co/datasets/{dataset_id}/resolve/main/{encoded_filename}"
-                            print(f"   ⚙️ Chargement: {csv_file}")
-                            
-                            # Charger avec pandas en forçant tout en string et encodage UTF-8
-                            df_temp = pd.read_csv(file_url, dtype=str, na_filter=False, encoding='utf-8')
-                            df_temp['source_file'] = csv_file  # Ajouter la source
-                            all_dataframes.append(df_temp)
-                            print(f"   ✅ Succès: {len(df_temp)} lignes")
-                            
-                        except Exception as file_error:
-                            print(f"   ⚠️ Erreur pour {csv_file}: {str(file_error)[:100]}...")
-                            
-                            # Essayer avec un autre encodage
-                            try:
-                                print(f"   🔄 Tentative avec encodage latin-1...")
-                                df_temp = pd.read_csv(file_url, dtype=str, na_filter=False, encoding='latin-1')
-                                df_temp['source_file'] = csv_file
-                                all_dataframes.append(df_temp)
-                                print(f"   ✅ Succès avec latin-1: {len(df_temp)} lignes")
-                            except Exception as second_error:
-                                print(f"   ❌ Échec définitif: {str(second_error)[:50]}...")
-                                continue
-                    
-                    if all_dataframes:
-                        # Concaténer tous les DataFrames
-                        df_combined = pd.concat(all_dataframes, ignore_index=True)
-                        print(f"✅ Chargement alternatif réussi: {len(df_combined)} lignes")
-                        
-                        # Convertir en format Dataset
-                        from datasets import Dataset
-                        dataset = DatasetDict({
-                            'train': Dataset.from_pandas(df_combined)
-                        })
-                    else:
-                        raise Exception("Aucun fichier CSV n'a pu être chargé")
-                    
-                except Exception as csv_error:
-                    print(f"❌ Échec du chargement CSV manuel: {str(csv_error)[:100]}...")
-                    raise standard_error  # Relancer l'erreur précédente
-            
-            available_splits = list(dataset.keys())
-            print(f"📊 Splits disponibles: {available_splits}")
-            
-            # Déterminer quel split utiliser
-            split_to_use = None
-            if 'train' in available_splits:
-                split_to_use = 'train'
-            elif len(available_splits) > 0:
-                split_to_use = available_splits[0]  # Prendre le premier split disponible
-            else:
-                raise Exception("Aucun split trouvé dans le dataset")
-            
-            print(f"🎯 Utilisation du split: '{split_to_use}'")
-            
-            # Convertir en DataFrame pandas
-            df_raw = dataset[split_to_use].to_pandas()
-            print(f"✅ Dataset chargé: {len(df_raw)} lignes, {len(df_raw.columns)} colonnes")
-            
-            # Afficher quelques colonnes pour debug
-            print(f"🏷️ Colonnes: {list(df_raw.columns)[:10]}{'...' if len(df_raw.columns) > 10 else ''}")
-            
-            # Filtrer pour exclure les fichiers XLSX 
-            # Vérifier les colonnes 'file' ou 'source_file'
-            file_column = None
-            if 'file' in df_raw.columns:
-                file_column = 'file'
-            elif 'source_file' in df_raw.columns:
-                file_column = 'source_file'
-            
-            if file_column:
-                print(f"📁 Types de fichiers détectés: {df_raw[file_column].unique()[:5]}")
-                # Ne garder que les fichiers CSV (exclure XLSX)
-                csv_mask = df_raw[file_column].str.endswith('.csv', na=False)
-                csv_data = df_raw[csv_mask]
-                
-                print(f"📊 Avant filtrage CSV: {len(df_raw)} lignes")
-                if len(csv_data) > 0:
-                    df_raw = csv_data
-                    print(f"🗂️ Après filtrage CSV: {len(df_raw)} lignes restantes")
-                else:
-                    print(f"⚠️ Aucun fichier CSV trouvé dans la colonne '{file_column}', conservation de toutes les données")
-            else:
-                print(f"⚠️ Pas de colonne de fichier détectée, on garde toutes les données")
-            
-            # Filtrer par année si disponible
-            if 'millesime' in df_raw.columns:
-                # Convertir la colonne millesime en numérique si elle est en string
-                try:
-                    df_raw['millesime'] = pd.to_numeric(df_raw['millesime'], errors='coerce')
-                    # Supprimer les lignes avec millesime invalide
-                    df_raw = df_raw.dropna(subset=['millesime'])
-                    df_raw['millesime'] = df_raw['millesime'].astype(int)
-                except Exception as e:
-                    print(f"⚠️ Problème conversion millesime: {e}")
-                
-                years = sorted(df_raw['millesime'].unique())
-                print(f"📅 Années disponibles: {years}")
-                
-                # Prendre les données récentes (2020+)
-                recent_data = df_raw[df_raw['millesime'] >= 2020]
-                if len(recent_data) > 0:
-                    self.df = recent_data
-                    print(f"✅ Données filtrées (2020+): {len(self.df)} lignes")
-                else:
-                    self.df = df_raw
-                    print(f"✅ Toutes les données utilisées: {len(self.df)} lignes")
-            else:
-                self.df = df_raw
-                print(f"✅ Données chargées: {len(self.df)} lignes (pas de colonne millesime)")
-            
-            if len(self.df) == 0:
-                raise Exception("Aucune donnée disponible après filtrage")
-            
-            return self.analyze_data()
+                # Nettoyage éventuel (ex: suppression NA)
+                self.df = self.df.dropna(subset=["numparcell", "surfparc", "millesime"])
                 
-        except Exception as e:
-            print(f"❌ ERREUR lors du chargement du dataset HuggingFace:")
-            print(f"   {str(e)[:200]}...")
-            print(f"💡 Solutions:")
-            print(f"   1. Vérifiez l'URL: https://huggingface.co/datasets/{dataset_id}")
-            print(f"   2. Configurez votre token: export HF_TOKEN='votre_token'")
-            print(f"   3. Vérifiez vos permissions d'accès")
-            print(f"   4. Problème de parsing: données avec types incohérents")
-            raise Exception(f"Dataset HuggingFace requis: {dataset_id} - Erreur: {str(e)[:100]}...")
+                return f"✅ Données chargées avec succès : {len(self.df)} enregistrements"
             
+            except Exception as e:
+                return f"❌ Erreur lors du chargement du dataset : {str(e)}"
 
-    def create_sample_data(self):
-        """Méthode désactivée - utilisation exclusive du dataset HF"""
-        raise Exception("Cette application nécessite le dataset HuggingFace HackathonCRA/2024")
     
     def analyze_data(self):
         """Analyse des données et calcul des risques"""

check_dataset_splits.py

@@ -1,75 +0,0 @@
-#!/usr/bin/env python3
-"""
-Vérifier les splits disponibles dans le dataset HF
-"""
-
-import os
-
-def check_dataset_structure():
-    print("🔍 Vérification de la structure du dataset HackathonCRA/2024")
-    
-    try:
-        from huggingface_hub import HfApi
-        
-        dataset_id = "HackathonCRA/2024"
-        hf_token = os.environ.get("HF_TOKEN")
-        
-        api = HfApi(token=hf_token)
-        
-        # Informations du dataset
-        dataset_info = api.dataset_info(dataset_id)
-        print(f"📝 Dataset: {dataset_id}")
-        print(f"🔑 Token configuré: {'✅' if hf_token else '❌'}")
-        
-        # Lister les fichiers
-        files = api.list_repo_files(dataset_id, repo_type="dataset")
-        print(f"📄 Fichiers dans le repo: {len(files)}")
-        
-        for f in files:
-            print(f"   - {f}")
-        
-        # Essayer de charger avec datasets (sans pandas)
-        print("\n🧪 Test de chargement avec datasets...")
-        
-        try:
-            # Import minimal
-            from datasets import load_dataset_builder
-            
-            builder = load_dataset_builder(dataset_id, token=hf_token)
-            print(f"✅ Builder créé avec succès")
-            print(f"📊 Config: {builder.config}")
-            
-            # Essayer de voir les splits
-            if hasattr(builder.info, 'splits') and builder.info.splits:
-                print(f"📦 Splits détectés: {list(builder.info.splits.keys())}")
-            else:
-                print("⚠️ Pas de splits détectés dans builder.info")
-            
-        except Exception as e:
-            print(f"❌ Erreur avec datasets builder: {e}")
-        
-        # Test direct sans spécifier de split
-        try:
-            print("\n🔄 Test de chargement direct...")
-            from datasets import load_dataset
-            dataset = load_dataset(dataset_id, token=hf_token)
-            print(f"✅ Dataset chargé!")
-            print(f"📦 Splits disponibles: {list(dataset.keys())}")
-            
-            return list(dataset.keys())
-            
-        except Exception as e:
-            print(f"❌ Erreur de chargement: {e}")
-            return None
-            
-    except Exception as e:
-        print(f"❌ Erreur générale: {e}")
-        return None
-
-if __name__ == "__main__":
-    splits = check_dataset_structure()
-    if splits:
-        print(f"\n🎯 Splits trouvés: {splits}")
-        print(f"💡 Utilisez '{splits[0]}' au lieu de 'train' dans votre code")
-    else:
-        print("\n❌ Impossible de déterminer les splits")

fix_env.sh

@@ -1,23 +0,0 @@
-#!/bin/bash
-# Script pour corriger l'environnement local
-
-echo "🔧 Correction de l'environnement pour Mac ARM64"
-
-# Créer un nouvel environnement conda propre
-echo "📦 Création d'un environnement conda propre..."
-conda create -n hackathon-clean python=3.10 -y
-source $(conda info --base)/etc/profile.d/conda.sh
-conda activate hackathon-clean
-
-# Installation des packages dans le bon ordre
-echo "📥 Installation des dépendances..."
-pip install --no-cache-dir numpy==1.24.3
-pip install --no-cache-dir pandas
-pip install --no-cache-dir matplotlib seaborn plotly
-pip install --no-cache-dir datasets huggingface_hub
-pip install --no-cache-dir gradio==4.31.0
-
-echo "✅ Environnement configuré !"
-echo "🚀 Pour utiliser cet environnement:"
-echo "   conda activate hackathon-clean"
-echo "   python app.py"

test_app_hf.py

@@ -1,48 +0,0 @@
-#!/usr/bin/env python3
-"""
-Test de l'application avec le dataset HuggingFace uniquement
-"""
-
-import os
-import sys
-
-# Configuration
-os.environ["GRADIO_ANALYTICS_ENABLED"] = "False"
-
-try:
-    # Import de la classe directement 
-    from app import AgricultureAnalyzer
-    
-    print("🧪 Test de chargement avec dataset HuggingFace uniquement")
-    print("=" * 60)
-    
-    # Créer l'analyseur
-    analyzer = AgricultureAnalyzer()
-    
-    # Tenter de charger les données
-    print("🚀 Démarrage du chargement...")
-    result = analyzer.load_data()
-    
-    if analyzer.df is not None:
-        print("\n✅ SUCCÈS ! Données chargées depuis HuggingFace")
-        print(f"📊 Forme des données: {analyzer.df.shape}")
-        print(f"🏷️ Colonnes: {list(analyzer.df.columns)}")
-        
-        # Quelques statistiques
-        if 'millesime' in analyzer.df.columns:
-            print(f"📅 Années: {sorted(analyzer.df['millesime'].unique())}")
-        
-        if 'familleprod' in analyzer.df.columns:
-            print(f"🧪 Types de produits: {analyzer.df['familleprod'].value_counts().head().to_dict()}")
-        
-        print("\n🎯 Application prête pour HuggingFace Spaces !")
-        
-    else:
-        print("\n❌ Échec du chargement")
-        
-except Exception as e:
-    print(f"\n❌ Erreur pendant le test: {e}")
-    print("\n💡 Cela indique que:")
-    print("   - Le dataset HF n'est pas accessible localement")
-    print("   - Mais l'application fonctionnera sur HF Spaces avec le bon token")
-    print("   - Le code est configuré pour HF uniquement ✅")

test_hf_connection.py

@@ -1,64 +0,0 @@
-#!/usr/bin/env python3
-"""
-Script de test pour vérifier la connexion au dataset HuggingFace
-"""
-
-import os
-from datasets import load_dataset
-
-# Configuration
-dataset_id = "HackathonCRA/2024"
-hf_token = os.environ.get("HF_TOKEN")
-
-print("🧪 Test de connexion au dataset HuggingFace")
-print(f"📦 Dataset: {dataset_id}")
-print(f"🔑 Token configuré: {'✅ Oui' if hf_token else '❌ Non'}")
-print()
-
-try:
-    # Test 1: Chargement du dataset
-    print("🔄 Chargement du dataset...")
-    if hf_token:
-        dataset = load_dataset(dataset_id, token=hf_token)
-        print("✅ Chargement avec token réussi")
-    else:
-        print("⚠️ Tentative sans token...")
-        dataset = load_dataset(dataset_id)
-        print("✅ Chargement sans token réussi")
-    
-    # Test 2: Exploration de la structure
-    print(f"📊 Splits disponibles: {list(dataset.keys())}")
-    
-    if 'train' in dataset:
-        train_data = dataset['train']
-        print(f"📈 Nombre d'enregistrements dans 'train': {len(train_data)}")
-        
-        # Conversion en DataFrame pour inspection
-        df = train_data.to_pandas()
-        print(f"📝 Colonnes disponibles ({len(df.columns)}): {list(df.columns)}")
-        print(f"📏 Forme des données: {df.shape}")
-        
-        # Vérifier les colonnes importantes
-        important_cols = ['millesime', 'familleprod', 'produit', 'quantitetot', 'numparcell']
-        available_important = [col for col in important_cols if col in df.columns]
-        print(f"🎯 Colonnes importantes trouvées: {available_important}")
-        
-        # Statistiques rapides
-        if 'millesime' in df.columns:
-            print(f"📅 Années disponibles: {sorted(df['millesime'].unique())}")
-        
-        if 'familleprod' in df.columns:
-            print(f"🧪 Types de produits: {df['familleprod'].value_counts().head()}")
-        
-        print("✅ Test de connexion réussi !")
-        
-    else:
-        print("⚠️ Pas de split 'train' trouvé")
-        
-except Exception as e:
-    print(f"❌ Erreur lors du test: {e}")
-    print()
-    print("💡 Solutions possibles:")
-    print("1. Vérifiez que le dataset existe: https://huggingface.co/datasets/HackathonCRA/2024")
-    print("2. Configurez votre token HF: export HF_TOKEN='votre_token'")
-    print("3. Vérifiez vos permissions d'accès au dataset")

test_hf_simple.py

@@ -1,54 +0,0 @@
-#!/usr/bin/env python3
-"""
-Test simplifié de connexion HuggingFace sans numpy
-"""
-
-import os
-
-def test_hf_connection():
-    print("🧪 Test de connexion simple au dataset HuggingFace")
-    
-    dataset_id = "HackathonCRA/2024"
-    hf_token = os.environ.get("HF_TOKEN")
-    
-    print(f"📦 Dataset: {dataset_id}")
-    print(f"🔑 Token configuré: {'✅ Oui' if hf_token else '❌ Non'}")
-    
-    try:
-        # Import ici pour éviter les conflits
-        from huggingface_hub import HfApi
-        
-        api = HfApi(token=hf_token)
-        
-        # Test d'accès au dataset
-        print("🔄 Test d'accès au dataset...")
-        dataset_info = api.dataset_info(dataset_id)
-        
-        print(f"✅ Dataset accessible !")
-        print(f"📝 Description: {dataset_info.description or 'Pas de description'}")
-        print(f"🏷️ Tags: {dataset_info.tags}")
-        print(f"📊 Dernière modification: {dataset_info.last_modified}")
-        
-        # Lister les fichiers
-        files = api.list_repo_files(dataset_id, repo_type="dataset")
-        csv_files = [f for f in files if f.endswith('.csv')]
-        
-        print(f"📄 Fichiers CSV trouvés ({len(csv_files)}):")
-        for f in csv_files[:5]:  # Afficher les 5 premiers
-            print(f"  - {f}")
-        if len(csv_files) > 5:
-            print(f"  ... et {len(csv_files) - 5} autres")
-        
-        return True
-        
-    except Exception as e:
-        print(f"❌ Erreur: {e}")
-        print()
-        print("💡 Solutions possibles:")
-        print("1. Vérifiez que le dataset existe: https://huggingface.co/datasets/HackathonCRA/2024")
-        print("2. Configurez votre token: export HF_TOKEN='votre_token'")
-        print("3. Vérifiez vos permissions d'accès")
-        return False
-
-if __name__ == "__main__":
-    test_hf_connection()

test_parsing_fix.py

@@ -1,65 +0,0 @@
-#!/usr/bin/env python3
-"""
-Test de la correction du problème de parsing
-"""
-
-import pandas as pd
-
-def test_direct_csv_loading():
-    """Test du chargement direct des CSV depuis HuggingFace"""
-    
-    dataset_id = "HackathonCRA/2024"
-    
-    csv_files = [
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2020.csv",
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2021.csv", 
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2022.csv",
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2023.csv",
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2024.csv",
-        "Interventions-(sortie-excel)-Station_Expérimentale_de_Kerguéhennec-2025.csv"
-    ]
-    
-    print("🧪 Test du chargement CSV direct depuis HuggingFace")
-    print("=" * 60)
-    
-    all_dataframes = []
-    
-    for csv_file in csv_files:
-        try:
-            # URL directe vers le fichier
-            file_url = f"https://huggingface.co/datasets/{dataset_id}/resolve/main/{csv_file}"
-            print(f"📥 Test: {csv_file}")
-            
-            # Charger avec pandas en forçant tout en string
-            df_temp = pd.read_csv(file_url, dtype=str, na_filter=False, nrows=5)  # Juste 5 lignes pour test
-            print(f"   ✅ Succès: {df_temp.shape[0]} lignes, {df_temp.shape[1]} colonnes")
-            print(f"   📊 Colonnes: {list(df_temp.columns)[:5]}...")
-            
-            df_temp['source_file'] = csv_file
-            all_dataframes.append(df_temp)
-            
-        except Exception as e:
-            print(f"   ❌ Erreur: {str(e)[:100]}...")
-            continue
-    
-    if all_dataframes:
-        # Concaténer
-        df_combined = pd.concat(all_dataframes, ignore_index=True)
-        print(f"\n🎯 RÉSULTAT:")
-        print(f"   ✅ {len(csv_files)} fichiers testés")
-        print(f"   ✅ {len(all_dataframes)} fichiers chargés avec succès")
-        print(f"   ✅ {df_combined.shape[0]} lignes totales")
-        print(f"   ✅ {df_combined.shape[1]} colonnes")
-        
-        # Vérifier millesime
-        if 'millesime' in df_combined.columns:
-            print(f"   📅 Années détectées: {sorted(df_combined['millesime'].unique())}")
-        
-        print(f"\n💡 La solution de chargement direct fonctionne !")
-        return True
-    else:
-        print(f"\n❌ Aucun fichier n'a pu être chargé")
-        return False
-
-if __name__ == "__main__":
-    test_direct_csv_loading()

validate_app_structure.py

@@ -1,101 +0,0 @@
-#!/usr/bin/env python3
-"""
-Validation de la structure finale de l'application
-"""
-
-import os
-
-def validate_app_structure():
-    """Valide que tous les fichiers nécessaires sont présents"""
-    
-    print("🔍 Validation de la structure de l'application")
-    print("=" * 50)
-    
-    required_files = {
-        'app.py': 'Application Gradio principale',
-        'requirements.txt': 'Dépendances Python',
-        'README.md': 'Métadonnées HuggingFace Spaces',
-        'sample_data.csv': 'Données de fallback (non utilisées)'
-    }
-    
-    optional_files = {
-        'DEPLOY_HF.md': 'Guide de déploiement',
-        'PARSING_ERROR_FIX.md': 'Documentation de la correction',
-        'FINAL_SUMMARY.md': 'Résumé des modifications'
-    }
-    
-    print("📁 Fichiers requis:")
-    all_present = True
-    
-    for filename, description in required_files.items():
-        if os.path.exists(filename):
-            size = os.path.getsize(filename)
-            print(f"   ✅ {filename:<20} ({size:,} bytes) - {description}")
-        else:
-            print(f"   ❌ {filename:<20} MANQUANT - {description}")
-            all_present = False
-    
-    print("\n📁 Fichiers optionnels:")
-    for filename, description in optional_files.items():
-        if os.path.exists(filename):
-            size = os.path.getsize(filename)
-            print(f"   ✅ {filename:<25} ({size:,} bytes) - {description}")
-        else:
-            print(f"   ⚪ {filename:<25} Absent - {description}")
-    
-    print("\n🔧 Validation du contenu:")
-    
-    # Vérifier app.py
-    if os.path.exists('app.py'):
-        with open('app.py', 'r', encoding='utf-8') as f:
-            content = f.read()
-            
-        checks = [
-            ('HackathonCRA/2024', 'Dataset ID configuré'),
-            ('load_dataset', 'Import datasets présent'),
-            ('dtype=str', 'Chargement CSV robuste'),
-            ('csv_files =', 'Fallback CSV direct'),
-            ('pandas', 'Import pandas'),
-            ('AgricultureAnalyzer', 'Classe principale')
-        ]
-        
-        for check, description in checks:
-            if check in content:
-                print(f"   ✅ {description}")
-            else:
-                print(f"   ⚠️ {description} - Non trouvé: '{check}'")
-    
-    # Vérifier requirements.txt
-    if os.path.exists('requirements.txt'):
-        with open('requirements.txt', 'r') as f:
-            requirements = f.read()
-            
-        deps = [
-            'gradio',
-            'datasets',
-            'huggingface_hub',
-            'pandas',
-            'numpy',
-            'plotly'
-        ]
-        
-        print(f"\n📦 Dépendances:")
-        for dep in deps:
-            if dep in requirements:
-                print(f"   ✅ {dep}")
-            else:
-                print(f"   ❌ {dep} manquant")
-    
-    print(f"\n🎯 RÉSULTAT:")
-    if all_present:
-        print("   ✅ Tous les fichiers requis sont présents")
-        print("   ✅ Application prête pour HuggingFace Spaces")
-        print("   🚀 Vous pouvez déployer maintenant !")
-    else:
-        print("   ❌ Des fichiers requis sont manquants")
-        print("   🔧 Corrigez avant le déploiement")
-    
-    return all_present
-
-if __name__ == "__main__":
-    validate_app_structure()