Update app.py

app.py

@@ -3,12 +3,12 @@ import pandas as pd
 import numpy as np
 import joblib
 import __main__
-from fastapi import FastAPI, Body
+from fastapi import FastAPI
 from fastapi.responses import RedirectResponse
 from pydantic import BaseModel, Field
 from sklearn.base import BaseEstimator, TransformerMixin
 
-# --- 1. CLASSE PERSONNALISÉE (DÉFINITION ROBUSTE) ---
+# --- 1. CLASSE PERSONNALISÉE (CORRECTION DU HASHING) ---
 class DFToHashedTokens(BaseEstimator, TransformerMixin):
     def __init__(self, columns=None):
         self.columns = columns
@@ -17,16 +17,20 @@ class DFToHashedTokens(BaseEstimator, TransformerMixin):
         return self
     
     def transform(self, X):
+        # On s'assure que X est un DataFrame
+        if not isinstance(X, pd.DataFrame):
+            X = pd.DataFrame(X)
+        
         X = X.copy()
-        # Sécurité : on récupère 'columns' dynamiquement pour éviter l'AttributeError
         cols = getattr(self, 'columns', None)
+        
         if cols is not None:
-            for col in cols:
-                if col in X.columns:
-                    X[col] = X[col].astype(str)
-        return X
+            # Pour chaque ligne, on crée une liste de chaînes de caractères
+            # C'est ce que "iterable over iterables of strings" signifie
+            return X[cols].astype(str).values.tolist()
+        return X.astype(str).values.tolist()
 
-# Injection dans le namespace principal pour joblib
+# Injection pour que joblib retrouve la classe
 __main__.DFToHashedTokens = DFToHashedTokens
 
 # --- 2. CHARGEMENT DU MODÈLE ---
@@ -35,16 +39,12 @@ try:
     print("✅ Modèle chargé avec succès")
 except Exception as e:
     model = None
-    print(f"❌ Erreur critique lors du chargement : {e}")
+    print(f"❌ Erreur critique : {e}")
 
-# --- 3. CONFIGURATION API ET SCHÉMA ---
-app = FastAPI(
-    title="Fraud Detection API",
-    description="API de prédiction de fraude bancaire basée sur un modèle de Hashing."
-)
+# --- 3. CONFIGURATION API ---
+app = FastAPI(title="Fraud Detection API")
 
 class Transaction(BaseModel):
-    # Field(..., example=...) permet de remplir automatiquement la doc Swagger
     amt: float = Field(..., example=85.20)
     trans_date_trans_time: str = Field(..., example="2024-02-18 14:30:00")
     dob: str = Field(..., example="1985-05-20")
@@ -79,22 +79,19 @@ def prepare_input(data: dict):
     df["day_of_week"] = dt.dt.dayofweek
     df["day"] = dt.dt.day
     df["month"] = dt.dt.month
-    
-    # Âge
     df["age"] = ((dt - dob).dt.days / 365.25).astype("float32")
     
-    # Distance Haversine
+    # Distance
     lat1, lon1 = np.radians(df["lat"]), np.radians(df["long"])
     lat2, lon2 = np.radians(df["merch_lat"]), np.radians(df["merch_long"])
     d = np.sin((lat2-lat1)/2)**2 + np.cos(lat1)*np.cos(lat2)*np.sin((lon2-lon1)/2)**2
     df["distance"] = (6371 * 2 * np.arcsin(np.sqrt(d))).astype("float32")
 
-    # Agrégats (valeurs par défaut pour prédiction unitaire)
+    # Valeurs par défaut pour les agrégats
     df["avg_amt"] = df["amt"]
     df["std_amt"] = 0.0
     df["nb_trans"] = 1.0
 
-    # Sélection stricte des 18 colonnes attendues par le modèle
     expected_cols = [
         'amt', 'hour', 'day_of_week', 'day', 'month', 'age', 'lat', 'long', 
         'city_pop', 'distance', 'avg_amt', 'std_amt', 'nb_trans', 
@@ -106,9 +103,10 @@ def prepare_input(data: dict):
 @app.post("/predict")
 def predict(data: Transaction):
     if model is None:
-        return {"status": "error", "message": "Modèle non chargé sur le serveur."}
+        return {"status": "error", "message": "Modèle non chargé."}
     try:
         X_processed = prepare_input(data.dict())
+        # Le modèle Pipeline appellera automatiquement DFToHashedTokens.transform()
         prediction = model.predict(X_processed)
         return {
             "prediction": int(prediction[0]),
@@ -120,5 +118,4 @@ def predict(data: Transaction):
 
 if __name__ == "__main__":
     import uvicorn
-    # Port 7860 est le port standard pour Hugging Face Spaces
     uvicorn.run(app, host="0.0.0.0", port=7860)