hdary85

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt


def repartition_par_pourcentiles(values, pct_step=5):
    """
    Calcule la répartition par tranche de population et renvoie bornes, effectifs et proportions.
    """
    series = pd.Series(values).dropna().sort_values().reset_index(drop=True)

hdary85

Le modèle S+ repose sur trois approches complémentaires afin de maximiser la précision et l'efficacité de la détection. La première approche consiste à analyser les dépôts en espèces, particulièrement ceux effectués de manière inhabituelle ou fréquente. La deuxième approche se concentre sur la recherche de mots clés spécifiques directement dans les informations associées aux virements bancaires, visant à repérer des indices linguistiques liés au commerce illégal d'espèces sauvages. Enfin, la troisième approche identifie les comportements transactionnels atypiques, tels que des volumes inhabituels, des fréquences élevées, ou des montants significatifs de paiements et de virements internationaux, notamment vers ou depuis des pays considérés à risque pour ce type de criminalité.

hdary85

# 1. Import des librairies nécessaires
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import colors
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
from sklearn.preprocessing import StandardScaler, OneHotEncoder

hdary85

import numpy as np
import pandas as pd

# On suppose que df_merged est déjà chargé avec toutes les colonnes nécessaires.
# Pour cet exemple, nous utilisons la colonne 'PARTY_TYPE_CODE' qui doit contenir
# 1 pour les particuliers et 2 pour les entreprises.

# Initialisation de la colonne de score total
df_merged['risk_score_total'] = 0

hdary85

import matplotlib.pyplot as plt
import seaborn as sns

# 1. Création d'une nouvelle colonne pour distinguer les top 10
df_merged['highlight_top10'] = 0
df_merged.loc[df_final_top10.index, 'highlight_top10'] = 1

# 2. Nouveau graphe PCA avec 3 groupes :
# - 0 = normal
# - 1 = anomalies hors top 10

hdary85

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.cluster import DBSCAN
import matplotlib.pyplot as plt
import seaborn as sns

# === ÉTAPE 1 : Préparation des données ===
# Sélection des colonnes utilisées pour la détection d'anomalies

hdary85

from sklearn.ensemble import IsolationForest
from sklearn.cluster import DBSCAN
from sklearn.neighbors import LocalOutlierFactor
from sklearn.covariance import EllipticEnvelope
from sklearn.svm import OneClassSVM
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import seaborn as sns

hdary85

import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest
from sklearn.cluster import DBSCAN
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.callbacks import EarlyStopping

hdary85

import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest
from sklearn.cluster import DBSCAN
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.callbacks import EarlyStopping
import matplotlib.pyplot as plt

hdary85

df['col1'] = df['col1'].fillna(df['col2'])

# --- 2. Prétraitement du DataFrame TV2 ---
# On s'attend à ce que TV2 contienne les colonnes suivantes en MAJUSCULE :
# PARTY_KEY, ROLE, PARTY_TYPE_CODE, RISQUE_SECTEUR, BASE_CURR_AMOUNT, etc.
TV2['PARTY_TYPE_CODE'] = TV2['PARTY_TYPE_CODE'].astype(int)

# Agrégation générale par PARTY_KEY pour les indicateurs financiers
tv2_agg = TV2.groupby('PARTY_KEY').agg(