Update app.py

app.py

@@ -1,14 +1,13 @@
 
-from fastapi import FastAPI #, HTTPException
+from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel, Field
 import joblib
 import json
 import numpy as np
 from datetime import datetime
 from typing import Optional
-import os
 
-# Initialisation
+# Initialisation FastAPI
 app = FastAPI(
     title="API Détection de Fraude",
     description="API de détection de fraude dans les transactions bancaires",
@@ -49,28 +48,15 @@ class PredictionResponse(BaseModel):
     risk_level: str
     details: dict
 
-# Routes
-@app.get("/")
-def read_root():
-    return {
-        "message": "API de Détection de Fraude",
-        "version": "1.0.0",
-        "endpoints": {
-            "/predict": "POST - Prédire une transaction",
-            "/health": "GET - Statut de l'API",
-            "/categories": "GET - Liste des catégories",
-            "/docs": "GET - Documentation interactive"
-        }
-    }
-
+# Endpoint Health
 @app.get("/health")
 def health_check():
     return {
-        "status": "healthy"},
-       # "model_loaded": model is not None,
-        #"timestamp": datetime.now().isoformat()
-    # }
+        "status": "healthy",
+        "model_loaded": model is not None
+    }
 
+# Endpoint catégories, états et genres
 @app.get("/categories")
 def get_categories():
     return {
@@ -79,6 +65,7 @@ def get_categories():
         "genders": list(mappings['genders'].keys())
     }
 
+# Endpoint de prédiction
 @app.post("/predict", response_model=PredictionResponse)
 def predict_fraud(transaction: Transaction):
     try:
@@ -93,13 +80,13 @@ def predict_fraud(transaction: Transaction):
         month = trans_dt.month
         age = (trans_dt - dob_dt).days // 365
         
-        # Distance
+        # Distance client → marchand
         distance = np.sqrt(
             (transaction.lat - transaction.merch_lat)**2 + 
             (transaction.long - transaction.merch_long)**2
         ) * 111
         
-        # Encodage
+        # Vérification des catégories
         if transaction.category not in mappings['categories']:
             raise HTTPException(400, f"Catégorie inconnue: {transaction.category}")
         if transaction.gender not in mappings['genders']:
@@ -112,7 +99,7 @@ def predict_fraud(transaction: Transaction):
         state_encoded = mappings['states'][transaction.state]
         
         # Construction du vecteur de features
-        features = np.array([[
+        features = np.array([[ 
             transaction.amt,
             hour,
             day_of_week,
@@ -159,61 +146,4 @@ def predict_fraud(transaction: Transaction):
     except ValueError as e:
         raise HTTPException(status_code=400, detail=f"Erreur de format: {str(e)}")
     except Exception as e:
-        raise HTTPException(status_code=500, detail=f"Erreur interne: {str(e)}")
-
-#if __name__ == "__main__":
-    # import uvicorn
-    # uvicorn.run(app, host="0.0.0.0", port=7860)
-# if __name__ == "__main__":
-#     import gradio as gr
-#     from app import predict_fraud, Transaction  # si tu es déjà dans app.py, inutile de réimporter
-
-#     # Wrapper pour adapter les inputs de Gradio au modèle FastAPI
-#     def api_predict_wrapper(
-#         amt, category, merchant, trans_date_trans_time, gender, state,
-#         lat, long, city_pop, dob, merch_lat, merch_long,
-#         cc_num=None, avg_amt=50, std_amt=30, nb_trans=10
-#     ):
-#         tx = Transaction(
-#             amt=amt,
-#             category=category,
-#             merchant=merchant,
-#             trans_date_trans_time=trans_date_trans_time,
-#             gender=gender,
-#             state=state,
-#             lat=lat,
-#             long=long,
-#             city_pop=city_pop,
-#             dob=dob,
-#             merch_lat=merch_lat,
-#             merch_long=merch_long,
-#             cc_num=cc_num,
-#             avg_amt=avg_amt,
-#             std_amt=std_amt,
-#             nb_trans=nb_trans
-#         )
-#         result = predict_fraud(tx)
-#         return result.dict()
-
-#     # Définition de l'interface Gradio
-#     iface = gr.Interface(
-#         fn=api_predict_wrapper,
-#         inputs=[
-#             gr.Number(label="Montant"),
-#             gr.Textbox(label="Catégorie"),
-#             gr.Textbox(label="Marchand"),
-#             gr.Textbox(label="Date/Heure"),
-#             gr.Textbox(label="Genre"),
-#             gr.Textbox(label="État"),
-#             gr.Number(label="Latitude"),
-#             gr.Number(label="Longitude"),
-#             gr.Number(label="Population ville"),
-#             gr.Textbox(label="Date de naissance"),
-#             gr.Number(label="Lat march."),
-#             gr.Number(label="Long march."),
-#         ],
-#         outputs=gr.JSON(label="Résultat")
-#     )
-
-#     # Lancement du front Gradio
-#     iface.launch()
+        raise HTTPException(status_code=500, detail=f"Erreur interne: {str(e)}")