"""Rendu HTML de la heatmap de co-occurrence taxonomique — Sprint 75.
A.I.4 chantier 1 du plan d'évolution 2026.
Suite directe ``picarones/core/taxonomy_cooccurrence.py``. Pattern
identique aux autres rendus (Sprints 41/43/62/67/72/74) :
**server-side**, pas de JavaScript, anti-injection systématique.
Sortie typique
--------------
- ``build_taxonomy_cooccurrence_html(data, labels)`` produit un
bloc complet : titre + note d'usage + heatmap SVG + table des
paires les plus co-occurrentes.
- ``""`` retourné si ``data is None`` ou si la matrice est vide
(rapport adaptatif).
"""
from __future__ import annotations
from html import escape as _e
from typing import Optional
def _color_for_jaccard(j: float) -> str:
"""Gradient blanc → bleu profond pour Jaccard ∈ [0, 1].
Interpolation entre #ffffff (j=0) et #1e3a8a (j=1).
"""
f = max(0.0, min(1.0, j))
r = int(255 + (30 - 255) * f)
g = int(255 + (58 - 255) * f)
b = int(255 + (138 - 255) * f)
return f"#{r:02x}{g:02x}{b:02x}"
def _text_color_for_bg(j: float) -> str:
"""Texte blanc si fond foncé, noir sinon (lisibilité)."""
return "#fff" if j > 0.55 else "#222"
def _build_heatmap_svg(
classes: list[str],
matrix: dict[str, dict[str, float]],
*,
cell_size: int = 36,
label_left: int = 130,
label_top: int = 80,
) -> str:
"""Construit la heatmap SVG.
Cellule = carré coloré ``_color_for_jaccard``, valeur Jaccard
affichée en chiffres si > 0,05. Étiquettes des classes en
colonne (haut) et en ligne (gauche).
"""
n = len(classes)
if n == 0:
return ""
width = label_left + n * cell_size + 10
height = label_top + n * cell_size + 10
parts = [
f'")
return "".join(parts)
def _build_top_pairs_table(
top_pairs: list,
labels: dict,
) -> str:
"""Construit la table HTML des paires les plus co-occurrentes."""
if not top_pairs:
return ""
pair_label = labels.get("taxocooc_pair_label", "Paire")
jaccard_label = labels.get("taxocooc_jaccard_label", "Jaccard")
parts = [
'
',
'
',
f'
'
f'{_e(pair_label)}
',
f'
'
f'{_e(jaccard_label)}
',
'
',
]
for ca, cb, j in top_pairs:
parts.append(
f'
'
f'
'
f'{_e(ca)} ↔ {_e(cb)}
'
f'
{j:.2f}
'
f'
'
)
parts.append("
")
return "".join(parts)
def build_taxonomy_cooccurrence_html(
data: Optional[dict],
labels: Optional[dict[str, str]] = None,
) -> str:
"""Construit le bloc HTML complet de co-occurrence taxonomique.
Retourne ``""`` si ``data is None`` ou matrice vide.
"""
if not data:
return ""
classes = data.get("classes") or []
matrix = data.get("cooccurrence_matrix") or {}
if not classes or not matrix:
return ""
labels = labels or {}
title = labels.get(
"taxocooc_title",
"Co-occurrence des classes d'erreur",
)
note = labels.get(
"taxocooc_note",
"Indice de Jaccard au niveau document : 1,00 = ces deux classes "
"apparaissent toujours ensemble ; 0,00 = jamais. Lecture par paires "
"co-occurrentes ci-dessous.",
)
n_docs = data.get("n_documents", 0)
n_docs_label_template = labels.get(
"taxocooc_n_docs", "Calculé sur {n_docs} documents.",
)
n_docs_phrase = n_docs_label_template.format(n_docs=n_docs)
svg = _build_heatmap_svg(classes, matrix)
top_table = _build_top_pairs_table(
data.get("top_pairs") or [], labels,
)
parts = [
'