Update app.py

app.py

@@ -1,3 +1,4 @@
+import sys
 from fastapi import FastAPI
 from fastapi.responses import RedirectResponse
 import joblib
@@ -6,8 +7,7 @@ import numpy as np
 from pydantic import BaseModel
 from sklearn.base import BaseEstimator, TransformerMixin
 
-# --- 1. DEFINITION DES CLASSES PERSONNALISÉES (CRUCIAL) ---
-# Cette classe doit être définie AVANT le chargement du modèle pour que joblib la reconnaisse
+# --- 1. DEFINITION DE LA CLASSE ---
 class DFToHashedTokens(BaseEstimator, TransformerMixin):
     def __init__(self, columns=None):
         self.columns = columns
@@ -17,28 +17,34 @@ class DFToHashedTokens(BaseEstimator, TransformerMixin):
     
     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)
+        if self.columns:
+            for col in self.columns:
+                X[col] = X[col].astype(str)
         return X
 
-# --- 2. CHARGEMENT DU MODÈLE ---
-# Maintenant que la classe est définie, joblib ne plantera plus
+# --- 2. L'ASTUCE ANTI-ERREUR (CRUCIAL) ---
+# On injecte la classe dans le module '__main__' pour que joblib la trouve
+import __main__
+__main__.DFToHashedTokens = DFToHashedTokens
+
+# --- 3. CHARGEMENT DU MODÈLE ---
+# On le place dans une fonction ou on le charge après l'injection
 try:
+    # Assure-toi que le nom du fichier est exactement celui-ci sur Hugging Face
     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}")
+    model = None
+    print(f"❌ Erreur lors du chargement : {e}")
 
-# --- 3. CONFIGURATION API ---
+# --- 4. CONFIGURATION API ---
 app = FastAPI(title="Fraud Detection API")
 
 @app.get("/", include_in_schema=False)
 def root():
     return RedirectResponse(url="/docs")
 
-# --- 4. SCHÉMA DES DONNÉES ---
+# --- 5. SCHÉMA ET PRÉPARATION ---
 class Transaction(BaseModel):
     amt: float
     trans_date_trans_time: str
@@ -55,51 +61,38 @@ class Transaction(BaseModel):
     job: str
     cc_num: int
 
-# --- 5. LOGIQUE DE PRÉPARATION ---
 def prepare_input(data: dict):
     df = pd.DataFrame([data])
-    
-    # Dates
     dt = pd.to_datetime(df["trans_date_trans_time"])
     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
     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 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):
+    if model is None:
+        return {"status": "error", "message": "Model not loaded"}
     try:
         X = prepare_input(data.dict())
         prediction = model.predict(X)
-        return {
-            "is_fraud": int(prediction[0]),
-            "status": "success"
-        }
+        return {"is_fraud": int(prediction[0])}
     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
+        return {"status": "error", "message": str(e)}