Update app.py

app.py

@@ -4,19 +4,41 @@ import joblib
 import pandas as pd
 import numpy as np
 from pydantic import BaseModel
+from sklearn.base import BaseEstimator, TransformerMixin
 
-# 1. Configuration de l'API
-app = FastAPI(title="Fraud Detection API")
+# --- 1. DEFINITION DES CLASSES PERSONNALISÉES (CRUCIAL) ---
+# Cette classe doit être définie AVANT le chargement du modèle pour que joblib la reconnaisse
+class DFToHashedTokens(BaseEstimator, TransformerMixin):
+    def __init__(self, columns=None):
+        self.columns = columns
+    
+    def fit(self, X, y=None):
+        return self
+    
+    def transform(self, X):
+        X = X.copy()
+        # Ici, remets la logique exacte que tu avais dans ton notebook
+        # Par exemple, si tu transformais des colonnes en chaînes de caractères :
+        for col in self.columns:
+            X[col] = X[col].astype(str)
+        return X
 
-# 2. Chargement du modèle (assure-toi que le nom correspond)
-model = joblib.load('fraud_model_hashing.pkl')
+# --- 2. CHARGEMENT DU MODÈLE ---
+# Maintenant que la classe est définie, joblib ne plantera plus
+try:
+    model = joblib.load('fraud_model_hashing.pkl')
+    print("✅ Modèle chargé avec succès")
+except Exception as e:
+    print(f"❌ Erreur lors du chargement du modèle : {e}")
+
+# --- 3. CONFIGURATION API ---
+app = FastAPI(title="Fraud Detection API")
 
-# 3. Redirection automatique vers /docs
 @app.get("/", include_in_schema=False)
 def root():
     return RedirectResponse(url="/docs")
 
-# 4. Schéma des données d'entrée
+# --- 4. SCHÉMA DES DONNÉES ---
 class Transaction(BaseModel):
     amt: float
     trans_date_trans_time: str
@@ -33,36 +55,51 @@ class Transaction(BaseModel):
     job: str
     cc_num: int
 
-# 5. Ta fonction de préparation (adaptée pour une seule ligne)
+# --- 5. LOGIQUE DE PRÉPARATION ---
 def prepare_input(data: dict):
     df = pd.DataFrame([data])
-    # Calculs rapides (similaires à ton make_features)
+    
+    # Dates
     dt = pd.to_datetime(df["trans_date_trans_time"])
-    df["hour"], df["day_of_week"] = dt.dt.hour, dt.dt.dayofweek
-    df["day"], df["month"] = dt.dt.day, dt.dt.month
+    df["hour"] = dt.dt.hour
+    df["day_of_week"] = dt.dt.dayofweek
+    df["day"] = dt.dt.day
+    df["month"] = dt.dt.month
     
+    # Âge
     dob = pd.to_datetime(df["dob"])
     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")
 
-    # Valeurs par défaut pour les agrégats (car une API reçoit souvent 1 seule transaction)
-    df["avg_amt"] = df["amt"] 
+    # Agrégats par défaut (pour une transaction isolée via API)
+    df["avg_amt"] = df["amt"]
     df["std_amt"] = 0.0
     df["nb_trans"] = 1.0
 
+    # Ordre strict des colonnes
     cols = ['amt', 'hour', 'day_of_week', 'day', 'month', 'age', 'lat', 'long', 
             'city_pop', 'distance', 'avg_amt', 'std_amt', 'nb_trans', 
             'category', 'gender', 'state', 'merchant', 'job']
     return df[cols]
 
+# --- 6. ENDPOINT DE PRÉDICTION ---
 @app.post("/predict")
 def predict(data: Transaction):
-    X = prepare_input(data.dict())
-    prediction = model.predict(X)
-    return {"is_fraud": int(prediction[0])}
+    try:
+        X = prepare_input(data.dict())
+        prediction = model.predict(X)
+        return {
+            "is_fraud": int(prediction[0]),
+            "status": "success"
+        }
+    except Exception as e:
+        return {"status": "error", "message": str(e)}
 
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=7860) # Port par défaut Hugging Face