Create CSV Brûlés

dashboard.create_csv_brules

Functions

create_csv_brules(env, date)

Crée un fichier CSV récapitulatif des capacités et taux d'occupation des unités de brûlés.

Cette fonction interroge les données des unités de brûlés depuis une base de données, les traite pour calculer différentes métriques pour les unités adultes et pédiatriques, puis exporte les résultats dans un fichier CSV.

Le traitement comprend: - Filtrage des données selon des critères de date et d'heure - Séparation des données adultes et pédiatriques - Calcul des capacités, disponibilités et taux d'occupation - Gestion des critères de fraîcheur des données - Fusion avec les données de référence des centres de brûlés

Parameters:
  • env (str) –

    Environnement de base de données à interroger ('prod', 'preprod', etc.)

  • date (str) –

    Date de traitement des données au format 'YYYY-MM-DD'

Retourne

None. Exporte les résultats dans un fichier CSV à {csv_dir}/recap_brules.csv

Colonnes du CSV de sortie
  • nom: Nom du centre de brûlés
  • ordre: Ordre/classement du centre
  • new_cate: Catégorie de l'unité (rea_brules_adulte, usc_brules_adulte, etc.)
  • lit_capacite_tot: Capacité totale en lits
  • lit_capacite: Capacité en lits disponible respectant les critères de fraîcheur
  • lit_dispo: Nombre de lits disponibles
  • fraicheur: Ratio de fraîcheur des données (0-1)
  • taux_occ: Taux d'occupation (0-1)
Lève

DatabaseError: Si la connexion à la base de données échoue ValueError: Si le format de date en entrée est invalide IOError: Si le fichier CSV ne peut pas être écrit

Exemple

create_csv_brules("production", "2023-12-01")

Source code in dashboard/create_csv_brules.py
def create_csv_brules(env:str, date:str) -> None:
    """
    Crée un fichier CSV récapitulatif des capacités et taux d'occupation des unités de brûlés.

    Cette fonction interroge les données des unités de brûlés depuis une base de données, 
    les traite pour calculer différentes métriques pour les unités adultes et pédiatriques,
    puis exporte les résultats dans un fichier CSV.

    Le traitement comprend:
    - Filtrage des données selon des critères de date et d'heure
    - Séparation des données adultes et pédiatriques
    - Calcul des capacités, disponibilités et taux d'occupation
    - Gestion des critères de fraîcheur des données
    - Fusion avec les données de référence des centres de brûlés

    Arguments:
        env (str): Environnement de base de données à interroger ('prod', 'preprod', etc.)
        date (str): Date de traitement des données au format 'YYYY-MM-DD'

    Retourne:
        None. Exporte les résultats dans un fichier CSV à {csv_dir}/recap_brules.csv

    Colonnes du CSV de sortie:
        - nom: Nom du centre de brûlés
        - ordre: Ordre/classement du centre
        - new_cate: Catégorie de l'unité (rea_brules_adulte, usc_brules_adulte, etc.)
        - lit_capacite_tot: Capacité totale en lits
        - lit_capacite: Capacité en lits disponible respectant les critères de fraîcheur
        - lit_dispo: Nombre de lits disponibles
        - fraicheur: Ratio de fraîcheur des données (0-1)
        - taux_occ: Taux d'occupation (0-1)

    Lève:
        DatabaseError: Si la connexion à la base de données échoue
        ValueError: Si le format de date en entrée est invalide
        IOError: Si le fichier CSV ne peut pas être écrit

    Exemple:
        >>> create_csv_brules("production", "2023-12-01")
    """  
    _dt_manager = DateTimeManager(date)

    # Variables à exporter pour compatibilité avec vos anciens imports
    hour_exec          = _dt_manager.execution_hour
    today_Ymd_short    = _dt_manager.today_Ymd_short
    today_Ymd_long     = _dt_manager.today_Ymd_long

    df = req2table(f"""SELECT *
                    FROM table_union tu
                    WHERE sous_categorie_lit LIKE '%brule%'
                    AND capacite_extract_datetime::date = '{today_Ymd_long}'
                    AND h_exec='{hour_exec}'
                    """, env)
    df = df.drop_duplicates()
    centres_brulés_df = pd.DataFrame(centres_brulés).explode('finess')

    #%% ----------------- Filtre ----------
    df = df[~df["lit_capacite"].isnull()]
    df = df[(df["region"] != "IDF") | (df["lit_capacite"] != 100)]

    #%% ---------- Créations catégories --------
    df_pedia = df[df["categorie_lit"] == 'pediatrie']

    df.loc[df["sous_categorie_lit"].isin(ss_cat_rea_brules_adulte), "new_cate"] = "rea_brules_adulte"
    df.loc[df["sous_categorie_lit"].isin(ss_cat_usc_brules_adulte), "new_cate"] = "usc_brules_adulte"

    df_pedia.loc[df_pedia["sous_categorie_lit"].isin(ss_cat_rea_brules_pedia), "new_cate"] = "rea_brules_pedia"
    df_pedia.loc[df_pedia["sous_categorie_lit"].isin(ss_cat_rea_brules_pedia_possible), "new_cate"] = "rea_brules_pedia_possible"
    #%% ------ Adultes -----------
    df = df.merge(centres_brulés_df, on = 'finess', how = 'left')
    df_frais = df[((~df["region"].isin(["MAR", "GUY", "GUA"])) & (df["dispo_maj_fraicheur"] <= 24)) | \
                        ((df["region"].isin(["MAR", "GUY", "GUA"])) & (df["dispo_maj_fraicheur"] <= 48))]
    df_frais = df_frais[df_frais['lit_capacite'] >= df_frais['lit_dispo']]
    recap = df.groupby(["nom", "new_cate"])["lit_capacite"].sum().reset_index(name = "lit_capacite_tot")
    recap_frais = df_frais.groupby(["nom", "new_cate"], as_index = False)[["lit_capacite", 'lit_dispo']].sum()
    recap = recap.merge(recap_frais, how = 'left', on =["nom", "new_cate"])
    fraicheur = df_frais.groupby(["nom", "new_cate"])["lit_capacite"].sum() \
        / df.groupby(["nom", "new_cate"])["lit_capacite"].sum()
    fraicheur = pd.DataFrame({'fraicheur':fraicheur.round(2)})
    fraicheur["nom"] = [ind[0] for ind in fraicheur.index]
    fraicheur["new_cate"] = [ind[1] for ind in fraicheur.index]
    fraicheur = fraicheur.reset_index(drop = True)
    recap = recap.merge(fraicheur, how = 'left', on =["nom", "new_cate"])
    recap["taux_occ"] = ((recap["lit_capacite"] - recap["lit_dispo"]) \
        / recap["lit_capacite"]).round(2)

    #%% ------ Pediatrie -----------
    df_pedia = df_pedia.merge(centres_brulés_df, on = 'finess', how = 'left')
    df_frais_pedia = df_pedia[((~df_pedia["region"].isin(["MAR", "GUY", "GUA"])) & (df_pedia["dispo_maj_fraicheur"] <= 24)) | \
                        ((df_pedia["region"].isin(["MAR", "GUY", "GUA"])) & (df_pedia["dispo_maj_fraicheur"] <= 48))]
    df_frais_pedia = df_frais_pedia[df_frais_pedia['lit_capacite'] >= df_frais_pedia['lit_dispo']]
    recap_pedia = df_pedia.groupby(["nom", "new_cate"])["lit_capacite"].sum().reset_index(name = "lit_capacite_tot")
    recap_frais_pedia = df_frais_pedia.groupby(["nom", "new_cate"], as_index = False)[["lit_capacite", 'lit_dispo']].sum()
    recap_pedia = recap_pedia.merge(recap_frais_pedia, how = 'left', on =["nom", "new_cate"])

    if recap_pedia.empty or df_frais_pedia.empty:
        logger.warning(f"Un dataframe recap_pedia est vide : {recap_pedia.shape} ou {df_frais_pedia.shape}")
        recap_pedia = pd.DataFrame(columns = recap.columns)
    else:
        fraicheur = df_frais_pedia.groupby(["nom", "new_cate"])["lit_capacite"].sum() \
            / df_pedia.groupby(["nom", "new_cate"])["lit_capacite"].sum()
        fraicheur = pd.DataFrame({'fraicheur':fraicheur.round(2)})
        fraicheur["nom"] = [ind[0] for ind in fraicheur.index]
        fraicheur["new_cate"] = [ind[1] for ind in fraicheur.index]
        fraicheur = fraicheur.reset_index(drop = True)
        recap_pedia = recap_pedia.merge(fraicheur, how = 'left', on =["nom", "new_cate"])
        recap_pedia["taux_occ"] = ((recap_pedia["lit_capacite"] - recap_pedia["lit_dispo"]) \
            / recap_pedia["lit_capacite"]).round(2)

    #%% ------ Concaténation ------
    recap = pd.concat([recap, recap_pedia])
    df_cate = pd.DataFrame(
        {
            'new_cate': ['rea_brules_adulte', 'usc_brules_adulte',
                        'rea_brules_pedia', 'rea_brules_pedia_possible'],
            'key': [1, 1, 1, 1]
        })
    centres_brulés_unique = centres_brulés_df[['nom', 'ordre']].drop_duplicates()
    centres_brulés_unique['key'] = 1
    df_final = centres_brulés_unique.merge(df_cate, on = 'key').drop('key', axis = 1)

    df_final = df_final.merge(recap, on = ['new_cate', 'nom'], how = 'left')

    #%% ----------- export ---------
    df_final.to_csv(f"{csv_dir}/recap_brules.csv", index = False)