explainable-income-classifier/pre-processing.py at main · elouali-code/explainable-income-classifier · GitHub

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
import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer
import numpy as np
import time

start_time = time.time()

# --- 1. Chargement des Données ---
try:
    features_df = pd.read_csv('features_split_1.csv')
    labels_df = pd.read_csv('labels_split_1.csv')
    print("Fichiers chargés.")
except FileNotFoundError:
    print("ERREUR: Fichiers CSV non trouvés.")
    exit()

# --- 2. Feature Engineering  ---
print("Application des regroupements ...")

# === Regroupement SCHL (Niveau d'études) ===
schl_bins = [0, 16, 20, 24]
schl_labels = ['Etudes_Basses', 'Etudes_Moyennes', 'Etudes_Hautes']
features_df['SCHL_Group'] = pd.cut(features_df['SCHL'], bins=schl_bins, labels=schl_labels, right=True)

# === Regroupement RELP (Référent) ===
relp_bins = [0, 1, 10, 12, 13, 17]
relp_labels = ['Référent_Partenaire', 'Famille', 'Colloc', 'Partenaire_Seul', 'Autre']
features_df['RELP_Group'] = pd.cut(features_df['RELP'], bins=relp_bins, labels=relp_labels, right=True)

# === Regroupement POBP (Lieu de naissance) ===

def classify_pob(code):
    # US + Canada
    if 1 <= code <= 78 or code == 301:
        return "US_Canada"

    # Europe
    if 100 <= code <= 169:
        return "Europe"

    # Extrême-Orient
    if code in [207, 209, 215, 217, 240]:
        return "Extreme_Orient"

    # Moyen-Orient
    if (212 <= code <= 216) or code in [222, 224, 235, 239, 243, 245, 248, 253]:
        return "Moyen_Orient"

    # Asie centrale et du sud (210-254 sauf ceux déjà listés)
    if 210 <= code <= 254:
        # exclus : Extreme-Orient + Moyen-Orient
        excl = [207, 209, 215, 217, 240] + \
               list(range(212, 217)) + [222, 224, 235, 239, 243, 245, 248, 253]
        if code not in excl:
            return "Asie_Centrale_Sud"

    # Amérique latine
    if (260 <= code <= 300) or (303 <= code <= 349):
        return "Amerique_Latine"

    # Afrique
    if 400 <= code <= 468:
        return "Afrique"

    # Océanie
    if 501 <= code <= 554:
        return "Oceanie"

    return "Autre"  # si aucun cas ne correspond

features_df["POBP_Group"] = features_df["POBP"].apply(classify_pob)


# --- 3. Définition des colonnes pour le Pre-processing ---

# Colonnes numériques (vrais chiffres)
numerical_cols = ['AGEP', 'WKHP']

# Colonnes catégorielles
# On prend nos NOUVEAUX groupes + les colonnes simples (SANS OCCP)
categorical_cols = [
    'SCHL_Group', 'POBP_Group', # Nos nouveaux groupes
    'COW', 'MAR', 'RELP_Group',
    'SEX', 'RAC1P'       # Les colonnes simples
]

# On supprime les colonnes originales qu'on a regroupées ET OCCP
features_df = features_df.drop(columns=['SCHL', 'OCCP', 'POBP', 'RELP'])

print("Regroupements et suppression de OCCP terminés.")

# --- 4. Création du "Preprocessor" (Le transformateur) ---
print("Configuration du preprocessor (OneHotEncoder + StandardScaler)...")

preprocessor = ColumnTransformer(
    transformers=[
        # Transformer 1: Pour les colonnes numériques
        ('num', StandardScaler(), numerical_cols),

        # Transformer 2: Pour les colonnes catégorielles
        ('cat', OneHotEncoder(handle_unknown='ignore', sparse_output=False), categorical_cols)
    ],
    remainder='passthrough'
)

# --- 5. Application de la Transformation ---
print("Application de la transformation...")

X_processed = preprocessor.fit_transform(features_df)

print("Transformation terminée.")

# --- 6. Récupération des Noms de Colonnes ---
cat_feature_names = preprocessor.named_transformers_['cat'].get_feature_names_out(categorical_cols)
all_feature_names = list(numerical_cols) + list(cat_feature_names)

# Convertir le résultat (un array numpy) en DataFrame pandas
X_processed_df = pd.DataFrame(X_processed, columns=all_feature_names)

print(f"Dimensions des données AVANT transformation : {features_df.shape}")
print(f"Dimensions des données APRÈS transformation : {X_processed_df.shape}")
print("\nAperçu des données transformées :")
print(X_processed_df.head())

# --- 7. Sauvegarde des Fichiers "Propres" ---
print("Sauvegarde des fichiers 'X_processed.csv' et 'y_labels.csv'...")

X_processed_df.to_csv('X_processed_s1.csv', index=False)
labels_df.to_csv('y_labels_s1.csv', index=False) # On sauvegarde aussi les labels

end_time = time.time()