fiche-ppi 0.1.0__tar.gz

fiche_ppi-0.1.0/PKG-INFO

@@ -0,0 +1,135 @@
+Metadata-Version: 2.4
+Name: fiche-ppi
+Version: 0.1.0
+Summary: Generate PPI sheets from Excel templates
+Author-email: Your Name <you@example.com>
+License: MIT
+Project-URL: Homepage, https://github.com/yourusername/fiche-ppi
+Project-URL: Bug-tracker, https://github.com/yourusername/fiche-ppi/issues
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: pandas>=1.5.0
+Requires-Dist: numpy>=1.24.0
+Requires-Dist: requests>=2.28.0
+Requires-Dist: beautifulsoup4>=4.12.0
+
+# Générateur de Fiches PPI
+
+Générateur de fiches PPI (Phrases Préfabriquées des Interactions) à partir de grilles d'analyse de PPI pré-remplies.
+
+## 📋 Description
+
+Cet outil permet de générer automatiquement des fiches d'analyse PPI à partir de paires de grilles Excel (oral/écrit) pré-remplies. Les fiches produites suivent la grille d'analyse développée dans le cadre du projet ANR PREFAB et résument certaines informations pour faciliter la saisie des fiches finales.
+
+Les fonctionnalités principales :
+
+- **Mode simple** : génération d'une fiche à partir d'une paire de fichiers (oral + écrit)
+- **Mode batch** : génération de plusieurs fiches à partir d'un dossier contenant des paires de fichiers `*_Or.xlsx` / `*_Ph.xlsx`
+- **Interface graphique** intuitive (Tkinter)
+- **Formatage automatique** des cellules (gras, couleurs, tags XML)
+
+## 🚀 Installation
+
+### Depuis PyPI (recommandé)
+
+```bash
+pip install fiche-ppi
+```
+
+### Depuis les sources
+
+```bash
+git clone https://github.com/yourusername/fiche-ppi.git
+cd fiche-ppi
+pip install -e .
+```
+
+### Dépendances
+
+- Python ≥ 3.8
+- pandas ≥ 1.5.0
+- numpy ≥ 1.24.0
+- requests ≥ 2.28.0
+- beautifulsoup4 ≥ 4.12.0
+- ppi_analyser (dépendance interne)
+
+**Note** : Sur Linux, `tkinter` peut nécessiter l'installation d'un paquet système :
+
+```bash
+sudo apt-get install python3-tk   # Debian/Ubuntu
+sudo dnf install python3-tkinter  # Fedora
+```
+
+## 💻 Utilisation
+
+### Interface graphique
+
+Lancez l'interface graphique :
+
+```bash
+fiche-ppi-gui
+```
+
+### Mode graphique - Onglet Simple
+
+1. Sélectionnez le fichier oral (`*_Or.xlsx`)
+2. Sélectionnez le fichier écrit (`*_Ph.xlsx`)
+3. Le chemin de sortie est automatiquement généré (modifiable)
+4. Cliquez sur "⚡ Générer la fiche"
+
+### Mode graphique - Onglet Batch
+
+1. Sélectionnez un dossier contenant des paires de fichiers
+2. Les paires `*_Or.xlsx` / `*_Ph.xlsx` sont automatiquement détectées
+3. Cliquez sur "⚡ Générer toutes les fiches"
+
+### Ligne de commande
+
+```bash
+python -m fiche_ppi.fiche_ppi fichier_oral.xlsx fichier_ecrit.xlsx -o fiche.xlsx
+```
+
+## 📁 Structure des fichiers d'entrée
+
+Les fichiers Excel doivent contenir les colonnes suivantes (issues de l'export Lexicoscope) :
+
+- `sentId`, `left`, `node`, `right`, `author`, `collection`
+- `corpusId`, `pubdate`, `publisher`, `pubplace`, `puburl`
+- `source_language`, `sourcefilename`, `sub_genre`, `title`
+- `type`, `wordsnumber`, `year`
+
+et les colonnes d'annotation PPI :
+
+- `Lemme`, `Forme PPI`, `Acception`, `Type de phrase`
+- `Modalité d'énonciation`, `Expansion`, `Modifieurs`
+- `Cooccurrents`, `Fonction globale`, `Fonctions spécifiques`
+- `milieu`, `secteur`, `Remarques`
+
+## Génération des colonnes de la fiche PPI
+
+| Propriété | Comment c'est généré |
+|-----------|---------------------|
+| **Fe_1a PPI** | Prend la valeur de la colonne `Forme PPI` du premier enregistrement du DataFrame combiné (oral + écrit) |
+| **Fe_1b Acception** | Joint les valeurs uniques non-vides de la colonne `Acception` (triées, séparées par ", ") |
+| **Fe_1c Variantes formelles** | Calcule les variantes formelles pour l'oral et l'écrit séparément :<br>- Extrait les modifieurs de la colonne `Modifieurs`<br>- Nettoie les tokens de modifieurs<br>- Applique `remove_modifier()` pour retirer les modifieurs de la colonne `node`<br>- Formate : `\n- Oral : var1, var2\n- Écrit : var3, var4` |
+| **Fe_1e Prononciation** | Pour le lemme (premier `Lemme` du DataFrame oral) :Scrape la page Wiktionary du lemme pour extraire les URLs des fichiers audio MP3 - Extrait les URLs des fichiers MP3<br>- Retourne une liste d'URLs séparées par des sauts de ligne |
+| **Fe_2a Statut syntaxique phrase** | Joint les valeurs uniques de la colonne `Type de phrase` |
+| **Fe_2c Modalité de phrase** | Joint les valeurs uniques de la colonne `Modalité d'énonciation` |
+| **Fe_2e Expansion éventuelle** | Joint les valeurs uniques de la colonne `Expansion` |
+| **Fe_3a Fonction globale** | Joint les valeurs uniques de la colonne `Fonction globale` |
+| **Fe_3b Fonctions spécifiques** | Joint les valeurs uniques de la colonne `Fonctions spécifiques` |
+| **Fe_3c Codes Fonction globale** | Joint les valeurs uniques de la colonne `Fonction globale` (identique à Fe_3a) |
+| **Fe_3d Codes Fonctions spécifiques** | Joint les valeurs uniques de la colonne `Fonctions spécifiques` (identique à Fe_3b) |
+| **Fe_3f Structure interactionnelle** | Pour l'oral, l'écrit et le combiné :<br>- Calcule les fréquences des colonnes `Déclenchement`, `Portée`, `Position`<br>- Formate : `Oral :\n\t- Déclenchement : val1 (n), val2 (n)\n\t- Portée : ...` |
+| **Fe_3g Contexte spécifique** | Joint les valeurs uniques de la colonne `milieu` |
+| **Fe_3h Modalité écrite et orale** | Joint les valeurs uniques de la colonne `secteur` |
+| **Fe_4a Cooccurrents privilégiés** | Pour l'oral, l'écrit et le combiné :<br>- Parse la colonne `Cooccurrents`<br>- Sépare les éléments antéposés (a) et postposés (p)<br>- Compte les fréquences avec `Counter()`<br>- Calcule les pourcentages d'antéposés/postposés<br>- Formate : `Oral :\n\t- Cooccurrents antéposés (X%) : ...\n\t- Cooccurrents postposés (Y%) : ...` |
+| **Fe_4b Modifieurs de la PPI** | Joint les valeurs uniques de la colonne `Modifieurs` |
+| **Fe_9a Remarques** | Joint les valeurs uniques de la colonne `Remarques` |
+
+---
+
+**LIDILEM · ANR PREFAB**

fiche_ppi-0.1.0/README.md

@@ -0,0 +1,117 @@
+# Générateur de Fiches PPI
+
+Générateur de fiches PPI (Phrases Préfabriquées des Interactions) à partir de grilles d'analyse de PPI pré-remplies.
+
+## 📋 Description
+
+Cet outil permet de générer automatiquement des fiches d'analyse PPI à partir de paires de grilles Excel (oral/écrit) pré-remplies. Les fiches produites suivent la grille d'analyse développée dans le cadre du projet ANR PREFAB et résument certaines informations pour faciliter la saisie des fiches finales.
+
+Les fonctionnalités principales :
+
+- **Mode simple** : génération d'une fiche à partir d'une paire de fichiers (oral + écrit)
+- **Mode batch** : génération de plusieurs fiches à partir d'un dossier contenant des paires de fichiers `*_Or.xlsx` / `*_Ph.xlsx`
+- **Interface graphique** intuitive (Tkinter)
+- **Formatage automatique** des cellules (gras, couleurs, tags XML)
+
+## 🚀 Installation
+
+### Depuis PyPI (recommandé)
+
+```bash
+pip install fiche-ppi
+```
+
+### Depuis les sources
+
+```bash
+git clone https://github.com/yourusername/fiche-ppi.git
+cd fiche-ppi
+pip install -e .
+```
+
+### Dépendances
+
+- Python ≥ 3.8
+- pandas ≥ 1.5.0
+- numpy ≥ 1.24.0
+- requests ≥ 2.28.0
+- beautifulsoup4 ≥ 4.12.0
+- ppi_analyser (dépendance interne)
+
+**Note** : Sur Linux, `tkinter` peut nécessiter l'installation d'un paquet système :
+
+```bash
+sudo apt-get install python3-tk   # Debian/Ubuntu
+sudo dnf install python3-tkinter  # Fedora
+```
+
+## 💻 Utilisation
+
+### Interface graphique
+
+Lancez l'interface graphique :
+
+```bash
+fiche-ppi-gui
+```
+
+### Mode graphique - Onglet Simple
+
+1. Sélectionnez le fichier oral (`*_Or.xlsx`)
+2. Sélectionnez le fichier écrit (`*_Ph.xlsx`)
+3. Le chemin de sortie est automatiquement généré (modifiable)
+4. Cliquez sur "⚡ Générer la fiche"
+
+### Mode graphique - Onglet Batch
+
+1. Sélectionnez un dossier contenant des paires de fichiers
+2. Les paires `*_Or.xlsx` / `*_Ph.xlsx` sont automatiquement détectées
+3. Cliquez sur "⚡ Générer toutes les fiches"
+
+### Ligne de commande
+
+```bash
+python -m fiche_ppi.fiche_ppi fichier_oral.xlsx fichier_ecrit.xlsx -o fiche.xlsx
+```
+
+## 📁 Structure des fichiers d'entrée
+
+Les fichiers Excel doivent contenir les colonnes suivantes (issues de l'export Lexicoscope) :
+
+- `sentId`, `left`, `node`, `right`, `author`, `collection`
+- `corpusId`, `pubdate`, `publisher`, `pubplace`, `puburl`
+- `source_language`, `sourcefilename`, `sub_genre`, `title`
+- `type`, `wordsnumber`, `year`
+
+et les colonnes d'annotation PPI :
+
+- `Lemme`, `Forme PPI`, `Acception`, `Type de phrase`
+- `Modalité d'énonciation`, `Expansion`, `Modifieurs`
+- `Cooccurrents`, `Fonction globale`, `Fonctions spécifiques`
+- `milieu`, `secteur`, `Remarques`
+
+## Génération des colonnes de la fiche PPI
+
+| Propriété | Comment c'est généré |
+|-----------|---------------------|
+| **Fe_1a PPI** | Prend la valeur de la colonne `Forme PPI` du premier enregistrement du DataFrame combiné (oral + écrit) |
+| **Fe_1b Acception** | Joint les valeurs uniques non-vides de la colonne `Acception` (triées, séparées par ", ") |
+| **Fe_1c Variantes formelles** | Calcule les variantes formelles pour l'oral et l'écrit séparément :<br>- Extrait les modifieurs de la colonne `Modifieurs`<br>- Nettoie les tokens de modifieurs<br>- Applique `remove_modifier()` pour retirer les modifieurs de la colonne `node`<br>- Formate : `\n- Oral : var1, var2\n- Écrit : var3, var4` |
+| **Fe_1e Prononciation** | Pour le lemme (premier `Lemme` du DataFrame oral) :Scrape la page Wiktionary du lemme pour extraire les URLs des fichiers audio MP3 - Extrait les URLs des fichiers MP3<br>- Retourne une liste d'URLs séparées par des sauts de ligne |
+| **Fe_2a Statut syntaxique phrase** | Joint les valeurs uniques de la colonne `Type de phrase` |
+| **Fe_2c Modalité de phrase** | Joint les valeurs uniques de la colonne `Modalité d'énonciation` |
+| **Fe_2e Expansion éventuelle** | Joint les valeurs uniques de la colonne `Expansion` |
+| **Fe_3a Fonction globale** | Joint les valeurs uniques de la colonne `Fonction globale` |
+| **Fe_3b Fonctions spécifiques** | Joint les valeurs uniques de la colonne `Fonctions spécifiques` |
+| **Fe_3c Codes Fonction globale** | Joint les valeurs uniques de la colonne `Fonction globale` (identique à Fe_3a) |
+| **Fe_3d Codes Fonctions spécifiques** | Joint les valeurs uniques de la colonne `Fonctions spécifiques` (identique à Fe_3b) |
+| **Fe_3f Structure interactionnelle** | Pour l'oral, l'écrit et le combiné :<br>- Calcule les fréquences des colonnes `Déclenchement`, `Portée`, `Position`<br>- Formate : `Oral :\n\t- Déclenchement : val1 (n), val2 (n)\n\t- Portée : ...` |
+| **Fe_3g Contexte spécifique** | Joint les valeurs uniques de la colonne `milieu` |
+| **Fe_3h Modalité écrite et orale** | Joint les valeurs uniques de la colonne `secteur` |
+| **Fe_4a Cooccurrents privilégiés** | Pour l'oral, l'écrit et le combiné :<br>- Parse la colonne `Cooccurrents`<br>- Sépare les éléments antéposés (a) et postposés (p)<br>- Compte les fréquences avec `Counter()`<br>- Calcule les pourcentages d'antéposés/postposés<br>- Formate : `Oral :\n\t- Cooccurrents antéposés (X%) : ...\n\t- Cooccurrents postposés (Y%) : ...` |
+| **Fe_4b Modifieurs de la PPI** | Joint les valeurs uniques de la colonne `Modifieurs` |
+| **Fe_9a Remarques** | Joint les valeurs uniques de la colonne `Remarques` |
+
+---
+
+**LIDILEM · ANR PREFAB**

fiche_ppi-0.1.0/fiche_ppi/fiche_ppi.py

@@ -0,0 +1,325 @@
+"""
+fiche_ppi.py
+Génère une fiche PPI consolidée à partir de deux fichiers Excel (oral / écrit).
+
+Usage:
+    python fiche_ppi.py <file_oral.xlsx> <file_ecrit.xlsx>
+"""
+
+# ── Imports ────────────────────────────────────────────────────────────────────
+
+import argparse
+import re
+import sys
+from collections import Counter
+from urllib.parse import quote
+
+import numpy as np
+import pandas as pd
+import requests
+from bs4 import BeautifulSoup
+
+from .format_excel import format_ppi_bold
+
+
+# ── CLI ────────────────────────────────────────────────────────────────────────
+
+def parse_args() -> argparse.Namespace:
+    parser = argparse.ArgumentParser(
+        description="Génère une fiche PPI consolidée à partir de deux fichiers Excel."
+    )
+    parser.add_argument("file_oral",  help="Fichier Excel oral  (.xlsx)")
+    parser.add_argument("file_ecrit", help="Fichier Excel écrit (.xlsx)")
+    parser.add_argument(
+        "-o", "--output",
+        default="fiche.xlsx",
+        help="Fichier de sortie (défaut: fiche.xlsx)"
+    )
+    return parser.parse_args()
+
+
+# ── Wiktionary ─────────────────────────────────────────────────────────────────
+
+def get_wiktionary_pronunciation(expression: str, lang: str = "fr") -> list[str]:
+    """
+    Récupère les URLs audio MP3 pour une expression depuis Wiktionary.
+    Retourne une liste d'URLs ou une liste vide en cas d'échec.
+    """
+    url = f"https://{lang}.wiktionary.org/wiki/{quote(expression)}"
+    headers = {"User-Agent": "Mozilla/5.0 (pronunciation-fetcher/1.0)"}
+
+    try:
+        response = requests.get(url, headers=headers, timeout=10)
+        response.raise_for_status()
+
+        soup = BeautifulSoup(response.text, "html.parser")
+        audio_urls = []
+
+        for source in soup.find_all("source"):
+            src = source.get("src", "")
+            if src and src.startswith("//") and src.endswith(".mp3"):
+                audio_urls.append("https:" + src)
+
+        if not audio_urls:
+            print(f"[warn] Aucun audio trouvé pour '{expression}'.", file=sys.stderr)
+
+        return list(set(audio_urls))
+
+    except requests.exceptions.ConnectionError:
+        print("[warn] Impossible de joindre Wiktionary.", file=sys.stderr)
+    except requests.exceptions.Timeout:
+        print(f"[warn] Timeout pour '{expression}'.", file=sys.stderr)
+    except requests.exceptions.HTTPError as e:
+        print(f"[warn] HTTP {e.response.status_code} pour '{expression}'.", file=sys.stderr)
+    except Exception as e:
+        print(f"[warn] Erreur inattendue : {e}", file=sys.stderr)
+
+    return []
+
+
+# ── Nettoyage des données ──────────────────────────────────────────────────────
+
+def stringify(df: pd.DataFrame) -> pd.DataFrame:
+    """
+    Remplace les NaN / None / chaînes vides par "" et convertit toutes
+    les colonnes en str. Ne modifie pas le DataFrame en place — retourne
+    une copie.
+    """
+    df = df.copy()
+    for col in df.columns:
+        df[col] = df[col].apply(
+            lambda x: ""
+            if (x is None or (isinstance(x, float) and np.isnan(x)))
+            else x
+        )
+        df[col] = df[col].astype(str).str.strip()
+        # Remplace les chaînes vides ou purement blanches par ""
+        df[col] = df[col].apply(lambda x: "" if not x.split() else x)
+    return df
+
+
+def clean_list(series) -> list[str]:
+    """Retourne les valeurs non-vides d'une Series ou d'une liste."""
+    return [str(v) for v in series if isinstance(v, str) and v.strip()]
+
+
+def join_unique(series) -> str:
+    """Joint les valeurs uniques non-vides triées d'une Series."""
+    values = sorted(
+        set(series.dropna().astype(str).str.strip()) - {"", "nan"}
+    )
+    return ", ".join(values)
+
+
+def clean_modifieurs(modifieurs: list[str]) -> list[str]:
+    return [re.sub(r"[.,»]", "", m).strip().lower() for m in modifieurs]
+
+
+# ── Variantes formelles ────────────────────────────────────────────────────────
+
+def remove_modifier(modifier_tokens: list[str], forme: str) -> str:
+    """Retire les tokens de modifieur présents dans la forme."""
+    modifier_lower = {t.lower() for t in modifier_tokens}
+    tokens = forme.split()
+    filtered = [t for t in tokens if t.lower() not in modifier_lower]
+    result = " ".join(filtered).replace(" -", "-")
+    return result.strip()
+
+
+def compute_variantes_formelles(df: pd.DataFrame) -> list[str]:
+    modifieurs = [m for m in df["Modifieurs"] if isinstance(m, str) and m.strip()]
+    modifier_tokens = " ".join(modifieurs).lower().split()
+
+    nodes = df["node"].str.replace(" -", "-", regex=False)
+    variantes = nodes.apply(lambda x: remove_modifier(modifier_tokens, x))
+    variantes = clean_modifieurs(variantes.tolist())
+    return list(set(variantes))
+
+
+# ── Cooccurrents ───────────────────────────────────────────────────────────────
+
+def count_cooccurrents(df: pd.DataFrame) -> dict:
+    """
+    Parse la colonne Cooccurrents et calcule les stats
+    antéposés (a) / postposés (p).
+    """
+    raw = ", ".join(clean_list(df["Cooccurrents"]))
+    items = [c.strip() for c in raw.replace(";", ",").split(",") if c.strip()]
+
+    cooc_a = [c.lower() for c in items if "(a)" in c]
+    cooc_p = [c.lower() for c in items if "(p)" in c]
+    all_coocs = [
+        re.sub(r"\((a|p)\)", "", c).strip().lower()
+        for c in items
+    ]
+
+    total = len(cooc_a) + len(cooc_p)
+    pct_a = round(len(cooc_a) / total * 100, 2) if total > 0 else 0.0
+    pct_p = round(len(cooc_p) / total * 100, 2) if total > 0 else 0.0
+
+    def fmt(counter_items, tag):
+        pattern = f"({tag})"
+        return ", ".join(
+            f"{cooc.replace(pattern, '').strip()} ({n})"
+            for cooc, n in counter_items
+        )
+
+    return {
+        "all":       ", ".join(f"{c} ({n})" for c, n in Counter(all_coocs).most_common()),
+        "anteposés": fmt(Counter(cooc_a).most_common(), "a"),
+        "postposés": fmt(Counter(cooc_p).most_common(), "p"),
+        "pct_a":     pct_a,
+        "pct_p":     pct_p,
+    }
+
+
+def format_cooc_stats(stats: dict, label: str) -> str:
+    return (
+        f"<bold>{label}</bold>:\n"
+        f"\t- <bold>Cooccurrents antéposés</bold>  ({stats['pct_a']}%) : {stats['anteposés']}\n"
+        f"\t- <bold>Cooccurrents postposés</bold>  ({stats['pct_p']}%) : {stats['postposés']}\n"
+        f"\t- <bold>Total</bold> : {stats['all']}\n"
+    )
+
+
+# ── Structure interactionnelle ─────────────────────────────────────────────────
+
+def get_interaction_stats(df: pd.DataFrame) -> str:
+    """Comptages sur Déclenchement, Portée, Position."""
+
+    def fmt_counts(series):
+        counts = Counter(clean_list(series.str.lower().str.strip()))
+        return ", ".join(f"{val} ({n})" for val, n in counts.most_common())
+
+    decl = fmt_counts(df["Déclenchement"])
+    port = fmt_counts(df["Portée"])
+    pos  = fmt_counts(df["Position"])
+
+    return (
+        f"\t- <bold>Déclenchement</bold> : {decl}\n"
+        f"\t- <bold>Portée</bold>        : {port}\n"
+        f"\t- <bold>Position</bold>      : {pos}\n"
+    )
+
+
+# ── Construction de la fiche ───────────────────────────────────────────────────
+
+FICHE_COLS = [
+    "Fe_1a PPI",
+    "Fe_1b Acception",
+    "Fe_1c Variantes formelles",
+    "Fe_1e Prononciation",
+    "Fe_2a Statut syntaxique phrase",
+    "Fe_2b Type phrase",
+    "Fe_2c Modalité de phrase",
+    "Fe_2d Structure syntaxique globale",
+    "Fe_2e Expansion éventuelle",
+    "Fe_2f Construction syntaxique détaillée",
+    "Fe_2g Alternances syntaxiques",
+    "Fe_3a Fonction globale",
+    "Fe_3b Fonctions spécifiques",
+    "Fe_3c Codes Fonction globale",
+    "Fe_3d Codes Fonctions spécifiques",
+    "Fe_3e Fonctionnement pragma-sémantique",
+    "Fe_3f Structure interactionnelle",
+    "Fe_3g Contexte spécifique",
+    "Fe_3h Modalité écrite et orale",
+    "Fe_4a Cooccurrents privilégiés communs à la PPI",
+    "Fe_4b Modifieurs de la PPI",
+    "Fe_4c Renvois synonymiques",
+    "Fe_5a Marques d'usage de la PPI",
+    "Fe_6a Définitions et sources",
+    "Fe_7a Gestes/comportements associés",
+    "Fe_9a Remarques",
+    "Fe_9b Références",
+    "Fe_10a Noms des rédacteurs",
+    "Fe_10b Date de mise à jour",
+]
+
+
+def build_fiche(
+    df_oral:   pd.DataFrame,
+    df_ecrit:  pd.DataFrame,
+    df_combined: pd.DataFrame,
+) -> pd.DataFrame:
+
+    # Variantes formelles
+    var_oral  = compute_variantes_formelles(df_oral)
+    var_ecrit = compute_variantes_formelles(df_ecrit)
+    variantes_str = (
+        f"\n- <bold>Oral</bold>  : {', '.join(var_oral)}"
+        f"\n- <bold>Écrit</bold> : {', '.join(var_ecrit)}\n"
+    )
+
+    # Prononciation
+    lemme = df_oral["Lemme"].iloc[0]
+    prononciation = "\n".join(get_wiktionary_pronunciation(lemme))
+
+    # Cooccurrents
+    cooc_oral     = count_cooccurrents(df_oral)
+    cooc_ecrit    = count_cooccurrents(df_ecrit)
+    cooc_combined = count_cooccurrents(df_combined)
+
+    cooc_str = (
+        format_cooc_stats(cooc_oral,     "Oral")
+        + format_cooc_stats(cooc_ecrit,  "Écrit")
+        + format_cooc_stats(cooc_combined, "Combiné")
+    )
+
+    # Structure interactionnelle
+    stats_oral     = get_interaction_stats(df_oral)
+    stats_ecrit    = get_interaction_stats(df_ecrit)
+    stats_combined = get_interaction_stats(df_combined)
+
+    stats_str = (
+        "<bold>Oral</bold> :\n"     + stats_oral
+        + "<bold>Écrit</bold> :\n"  + stats_ecrit
+        + "<bold>Combiné</bold> :\n" + stats_combined
+    )
+
+    # Remplissage
+    df_fiche = pd.DataFrame(columns=FICHE_COLS, index=[0])
+
+    df_fiche["Fe_1a PPI"]                                   = df_combined["Forme PPI"].values[0]
+    df_fiche["Fe_1b Acception"]                             = join_unique(df_combined["Acception"])
+    df_fiche["Fe_1c Variantes formelles"]                   = variantes_str
+    df_fiche["Fe_1e Prononciation"]                         = prononciation
+    df_fiche["Fe_2a Statut syntaxique phrase"]              = join_unique(df_combined["Type de phrase"])
+    df_fiche["Fe_2c Modalité de phrase"]                    = join_unique(df_combined["Modalité d'énonciation"])
+    df_fiche["Fe_2e Expansion éventuelle"]                  = join_unique(df_combined["Expansion"])
+    df_fiche["Fe_3a Fonction globale"]                      = join_unique(df_combined["Fonction globale"])
+    df_fiche["Fe_3b Fonctions spécifiques"]                 = join_unique(df_combined["Fonctions spécifiques"])
+    df_fiche["Fe_3c Codes Fonction globale"]                = join_unique(df_combined["Fonction globale"])
+    df_fiche["Fe_3d Codes Fonctions spécifiques"]           = join_unique(df_combined["Fonctions spécifiques"])
+    df_fiche["Fe_3f Structure interactionnelle"]            = stats_str
+    df_fiche["Fe_3g Contexte spécifique"]                   = join_unique(df_combined["milieu"])
+    df_fiche["Fe_3h Modalité écrite et orale"]              = join_unique(df_combined["secteur"])
+    df_fiche["Fe_4a Cooccurrents privilégiés communs à la PPI"] = cooc_str
+    df_fiche["Fe_4b Modifieurs de la PPI"]                  = join_unique(df_combined["Modifieurs"])
+    df_fiche["Fe_9a Remarques"]                             = join_unique(df_combined["Remarques"])
+
+    # Pivot
+    df_fiche = df_fiche.T.reset_index()
+    df_fiche.rename(columns={"index": "Propriétés", 0: "Valeurs"}, inplace=True)
+
+    return df_fiche
+
+
+# ── Main ───────────────────────────────────────────────────────────────────────
+
+def main():
+    args = parse_args()
+
+    df_oral  = stringify(pd.read_excel(args.file_oral))
+    df_ecrit = stringify(pd.read_excel(args.file_ecrit))
+    df_combined = pd.concat([df_oral, df_ecrit], ignore_index=True)
+
+    df_fiche = build_fiche(df_oral, df_ecrit, df_combined)
+
+    print(df_fiche.to_string(index=False))
+    format_ppi_bold(df_fiche, args.output)
+    print(f"\n[ok] Fiche exportée → {args.output}")
+
+
+if __name__ == "__main__":
+    main()