Créer un dashboard en python avec Panel

Objectif : permalink

Centraliser et présenter sur une même page les divers indicateurs et informations de pilotage des bâtiments utilisés dans les études de réaménagement ou d'optimisation :

• la surface de plancher (sdp),
• la surface utile brute (sub),
• la surface utile net (sun),
• le ratio sun/sub qui permet de définir les bâtiments dit 'de bureau',
• le ratio sun / postes de travail (pdt) qui permet de déterminer l'optimisation des surfaces de bureau (le ratio cible de l'État est de 12m2 par poste de travail),
• le nombre d'amphithéâtres et de salles banalisées et leurs taux d'occupation N-1, qui permet d'apprécier l'utilisation effective des bâtiments d'enseignement.
• la répartition des surfaces au sein du bâtiment selon 3 critères : les typologies de pièces, les usages, et les occupants.

Les sources de données permalink

N'ayant pas d'accès au bases de données / API en direct pour les interroger depuis mon dashboard, j'ai réalisé 3 extractions depuis divers outils métier pour pouvoir exploiter la donnée avec pandas :

L'intégralité des pièces du patrimoine :

l'intégralité des réservations de salles pour l'année universitaire 2022-23 :

Les effectifs et postes de travail déclarés par bâtiment :

D'après la methode .nunique(), il y a dans notre patrimoine : 259 bâtiments, répartis sur 53 sites pour 1926 salles d'enseignement, dont il faut traiter les données pour les afficher sur notre dashboard.

Les libs python utilisés : permalink

• Pandas pour la manipulation de données,
• plotly-express pour les graphiques,
• Panel pour le dashboard interactif

Le code : permalink

import pandas as pd
import panel as pn
import plotly.express as px
df = pd.read_excel("Ensemble des pièces.xls")
adf =pd.read_csv('2022.csv', delimiter=';').groupby(['Salle SIPI'])['Durée de l\'activité'].sum().reset_index()
pdt =  pd.read_excel("pdt.xls")

#un peu de nettoyage/ formatage
df = df.drop_duplicates(subset=['NUMERO_INTERNE_PIECE']) # on élimine les doublons de multi usage pour garder que le principal
df.rename(columns={'SDP - Surface de Plancher' : 'SDP', 'SUB - Surface Utile Brute' : 'SUB', 'SUN - Surface Utile Nette' : 'SUN'}, inplace=True)
df['SDP'] =df['SDP'].replace("," , ".", regex=True).astype(float)
df['SUB'] =df['SUB'].replace("," , ".", regex=True).astype(float)
df['SUN'] =df['SUN'].replace("," , ".", regex=True).astype(float)
df['NUMERO_INTERNE_PIECE']=df['NUMERO_INTERNE_PIECE'].astype(int)
adf['Salle SIPI'] =adf['Salle SIPI'].replace("ABY_" , "", regex=True).astype(int)
pdt.fillna(0, inplace=True)
df = df.set_index('NUMERO_INTERNE_PIECE').join(adf.set_index('Salle SIPI')).reset_index()
list_site = df['NOM_SITE'].sort_values().unique()

class building():

    def __init__(self,bat):
        #on recupère les données lié au bâtiment
        self.name = bat
        self.data = df[df['Bâtiment'] == bat]    
        self.sdp = round(self.data['SDP'].sum(),0)
        self.sub = round(self.data['SUB'].sum(),0)
        self.sun = round(self.data['SUN'].sum(),0)
        self.sbCount =self.data[self.data['TYPE_PIECE' ] == "116-Salle banalisée"]['NUMERO_INTERNE_PIECE'].nunique()
        self.amphiCount = self.data[self.data['TYPE_PIECE' ] == "117-Amphithéâtre"]['NUMERO_INTERNE_PIECE'].nunique()
        self.pdtCount = pdt[pdt['Bâtiment'] == self.name]['Nombre de postes de travail'].values[0]

    def chart(self, type): # une méthode pour créer les graphiques de répartition de surface
        color_scale = px.colors.qualitative.Set2
        #on définit les valeurs manquantes dans les types de pièces, affectataire et usage comme "Non déclaré"
        self.data['TYPE_PIECE'] = self.data['TYPE_PIECE'].fillna( value="Non déclaré")
        self.data['AFFECTATAIRE'] = self.data['AFFECTATAIRE'].fillna( value="Non déclaré")
        self.data['USAGE_PIECE']= self.data['USAGE_PIECE'].fillna( value="Non déclaré")
        if type =='typologie' :
            sub_df = self.data.groupby(['TYPE_PIECE'])['SDP'].sum().reset_index()
            name ='TYPE_PIECE'
        if type =='affectataire' :
             sub_df = self.data.groupby(['AFFECTATAIRE'])['SDP'].sum().reset_index()
             name ='AFFECTATAIRE'
        if type =='usage' :
             sub_df = self.data.groupby(['USAGE_PIECE'])['SDP'].sum().reset_index()
             name ='USAGE_PIECE'
        pie_fig = px.pie(sub_df, values='SDP', names=name, color_discrete_sequence = color_scale)
        pie_fig.update_traces(textposition='inside', direction ='clockwise', hole=0.3, textinfo="label+percent")
        pie_fig.update_layout(uniformtext_minsize=10,
                            uniformtext_mode='hide',
                            title="Par "+type,
                        )
        return pie_fig

    def dataFrame(self,type) :  # une méthode pour retourner un dataframe sortable des répartitions de surface
        if type =='typologie' :
            sub_df = self.data.groupby(['TYPE_PIECE'])['SDP'].sum().reset_index('TYPE_PIECE')
        if type =='affectataire' :
             sub_df = self.data.groupby(['AFFECTATAIRE'])['SDP'].sum().reset_index('AFFECTATAIRE')
        if type =='usage' :
             sub_df = self.data.groupby(['USAGE_PIECE'])['SDP'].sum().reset_index('USAGE_PIECE')
        return pn.widgets.DataFrame(sub_df, sortable=True,row_height=25, widths={'index': 10, 'TYPE_PIECE':250, 'SDP': 50})          
    def tauxOccup(self): # une méthode pour retourner un dict des taux d'occupation des amphithéâtre et salles banalisées
            t = df[df['Bâtiment'] == self.name]
            tx = {
            'amphi' : round(
                100*(t[t['TYPE_PIECE' ] == "117-Amphithéâtre"]['Durée de l\'activité'].sum() / t[t['TYPE_PIECE' ] == "117-Amphithéâtre"]['NUMERO_INTERNE_PIECE'].nunique())/1120,
                2),
            'sb' :  round(
                100*(t[t['TYPE_PIECE' ] == "116-Salle banalisée"]['Durée de l\'activité'].sum() / t[t['TYPE_PIECE' ] == "116-Salle banalisée"]['NUMERO_INTERNE_PIECE'].nunique())/1120,
                2)
            }
            return tx      
def list_bat(site):
    return list(df[df['NOM_SITE' ] == site]['Bâtiment'].sort_values().unique())
def siteName(site):
    return pn.pane.Markdown(' # '+site)
def siteNbBat(site):
    return df[df['NOM_SITE' ] == site]['Bâtiment'].nunique()
def siteSDP(site):
    return round(df[df['NOM_SITE' ] == site]['SDP'].sum(),0)
def tab(bat):
    b = building(bat)
    type_chart = pn.widgets.Select(name='Selectionnez une valeur', options=['typologie','affectataire','usage'])
    tabs =  pn.Column(pn.pane.Markdown(' # '+b.name),
            pn.pane.Markdown(' ## Surfaces légales'),
            pn.Row(pn.indicators.Number(name='Surface de Plancher', value=b.sdp, format='{value} m2',font_size='28pt',margin=25,styles={'text-align': 'center'}),
                    pn.indicators.Number(name='Surface Utile Brute', value=b.sub, format='{value} m2',font_size='28pt',margin=25,styles={'text-align': 'center'}),
                    pn.indicators.Number(name='Surface Utile Nette', value=b.sun, format='{value} m2',font_size='28pt',margin=25,styles={'text-align': 'center'}),
                    pn.indicators.Number(name='Ratio SUN/SUB', value=round(100*(b.sun/b.sub),1), format='{value} %',font_size='32pt',margin=25,styles={'text-align': 'center'}),
                    pn.indicators.Number(name='Ratio SUN/PDT', value=round((b.sun/b.pdtCount),1), format='{value} m2',font_size='32pt',margin=25,styles={'text-align': 'center'}),
                    ),
            pn.Tabs(('Occupation',
            pn.Column(
                pn.pane.Markdown(" ## Taux d'occupation 2022-23"),
            pn.Row(
                pn.indicators.Number(name='Nombre d\'Amphi', value=b.amphiCount, format='{value}',font_size='28pt',margin=25,styles={'text-align': 'center'}),
                pn.indicators.Number(name='tx occupation', value=b.tauxOccup()['amphi'], format='{value} %',font_size='28pt',margin=25,styles={'text-align': 'center' }),
                pn.indicators.Number(name='Nombre de Salle banalisé', value=b.sbCount, format='{value}',font_size='28pt',margin=25,styles={'text-align': 'center'}),
                pn.indicators.Number(name='tx occupation', value=b.tauxOccup()['sb'] , format='{value} %',font_size='28pt',margin=25,styles={'text-align': 'center'})
                ))),
            ('Répartion',pn.Column(
                pn.pane.Markdown(' ## Répartition des Surfaces '),
                pn.Row((type_chart)),
                pn.Row(pn.bind(b.chart, type_chart), pn.bind(b.dataFrame, type_chart)),
            )))
            )          
    return tabs
def dash_builder():
    select_site = pn.widgets.Select(name='Selectionnez un site', options=list(list_site))
    select = pn.widgets.Select(name='Selectionnez un bâtiment', options=pn.bind(list_bat,select_site))
    template = pn.template.FastListTemplate(
        site= "DashPi",
        title= "Dashboard immobilier",
        sidebar=[pn.pane.Markdown(' # Un simple dashboard'),
                pn.pane.Markdown("D'après des extractions Abyla et SAP BO"),
                select_site,
                select,
                ],
        main =pn.Column(
            pn.bind(siteName, select_site),
            pn.Row(pn.indicators.Number(name="Nombre de bâtiment(s)", value=pn.bind(siteNbBat,select_site), format='{value}',font_size='32pt',margin=25,styles={'text-align': 'center'}),
                    pn.indicators.Number(name='Surface de Plancher Totale', value=pn.bind(siteSDP,select_site), format='{value} m2',font_size='32pt',margin=25,styles={'text-align': 'center'}),
                    ),
            pn.bind(tab, select)),
        header_background ='#023047',
    )
    return template
app = dash_builder()
app.servable()

Le résultat permalink

Une fois l'application lancé via la commande 'panel serve dash.py' on peut accéder au dashboard en local :

Pour l'instant, ce PoC n'a pas vocation à être mis en ligne ni même à être utilisé en interne, mais c'était un side projet très intéressant à mener pour découvrir la lib panel et produire un dashboard en utilisant autre chose que powerBI.

Webmentions permalink

1 Like permalink

1 Reply permalink

Nicolas Birckel ???? 15 Mar 2024 at 02:48PM

petite mise à jour pour rajouter quelques infos sur le patrimoine issues de .nunique() sur les différents dataset utilisés