fix(etl): importer une seule mesure par heure depuis l'API Mock

L'API Mock ne renvoie pas les mesures d'une période : elle génère `limit` points
répartis sur l'intervalle demandé (1 000 par heure avec --limit 1000, un toutes
les 3,6 s). Le DAG aurait écrit 7 000 lignes par heure et par environnement,
alors que le dataset historique a une mesure horaire et que les features ML
décalent par ligne : `shift(168)`, le retard d'une semaine, serait devenu un
retard de dix minutes, sans erreur visible au scoring ni au réentraînement.

Avec --limit 1, l'API renvoie la mesure de :00 de chaque heure, au pas du CSV.
Constaté sur la recette le 23/09 avant la réactivation des DAGs.

etl/README.md

@@ -669,8 +669,10 @@ des recommandations (`alertes`, issue #116), l'import historique (`historical_im
 issue #119) et l'import périodique de l'API Mock (`mock_api_import`, issue #15).
 
 Le DAG `mock_api_import` s'exécute chaque heure, à la minute `:45`. Il appelle
-`app.etl.mock_api_import` avec un intervalle explicite d'une heure et une limite de 1 000 lectures
+`app.etl.mock_api_import` avec un intervalle explicite d'une heure et une limite d'une lecture
-par site. Les deux pipelines normalisent leurs données vers les tables communes `site` et
+par site. L'API Mock génère autant de points que la limite demandée, répartis sur l'intervalle :
+un seul donne la mesure de :00, au pas horaire du dataset historique, que les features ML
+supposent en décalant par ligne. Les deux pipelines normalisent leurs données vers les tables communes `site` et
 `reading`, tout en conservant leur source (`csv` ou `api_history`). La réconciliation globale
 des deux sources reste à compléter dans l'issue #15.
 

etl/airflow/dags/mock_api_import.py

@@ -18,9 +18,9 @@ from airflow.timetables.trigger import CronTriggerTimetable
 # Le backend possède son propre environnement uv dans l'image Airflow (ADR 0008).
 COMMANDE_BACKEND = "cd /opt/backend && env -u VIRTUAL_ENV uv run --no-sync python -m"
 
-# Le pipeline backend et l'API acceptent au maximum 1 000 lectures par site.
+# Contrainte : l'API Mock génère `limit` points répartis sur l'intervalle. Un seul donne la mesure
-# Cette marge évite de perdre silencieusement une lecture si une heure en contient plus de 60.
+# de :00, au pas horaire du CSV que les features ML supposent (`shift(168)` compte des lignes).
-LIMITE_LECTURES = 1000
+LIMITE_LECTURES = 1
 
 # Deux reprises donnent trois tentatives au total. Même dans le pire cas, l'exécution reste
 # inférieure au pas horaire du DAG.

etl/airflow/tests/test_dags.py

@@ -118,7 +118,7 @@ def test_mock_api_import_uses_the_airflow_data_interval(dagbag: DagBag) -> None:
 
     assert "--start-time \"{{ data_interval_start.strftime('%Y-%m-%dT%H:%M:%S') }}\"" in commande
     assert "--end-time \"{{ data_interval_end.strftime('%Y-%m-%dT%H:%M:%S') }}\"" in commande
-    assert "--limit 1000" in commande
+    assert commande.endswith("--limit 1")
 
 
 @pytest.mark.parametrize("task_id", ["detection", "recommandations"])