Upload processing.py

processing.py

@@ -63,18 +63,18 @@ def map_statut_expert(p2):
 # --- 3. PRÉPARATION DES DONNÉES (La version robuste) ---
 
 def prepare_input(data):
-    # 1. On définit la liste EXACTE que XGBoost a apprise (ordre de l'erreur 500)
-    # On retire SIREN et Dénomination car ils ne sont PAS dans le modèle
-    target_columns = [c for c in FEATURES if c not in ["SIREN", "Dénomination de l'unité légale"]]
+    # 1. On définit l'ordre EXACT attendu par le modèle (ordre de ton erreur 500)
+    # On retire SIREN et Dénomination qui polluent le début de ta liste
+    clean_features = [c for c in FEATURES if c not in ["SIREN", "Dénomination de l'unité légale"]]
     
-    # Sécurité absolue : on s'assure que 'age_au_diagnostic' est bien là
-    if "age_au_diagnostic" not in target_columns:
-        target_columns.append("age_au_diagnostic")
+    # On s'assure que l'âge est bien à la fin si c'est là qu'il était lors de l'erreur
+    if "age_au_diagnostic" not in clean_features:
+        clean_features.append("age_au_diagnostic")
 
-    # 2. Création du DF avec l'ordre imposé
-    df = pd.DataFrame(0.0, index=[0], columns=target_columns)
+    # 2. On crée le DataFrame avec cet ordre
+    df = pd.DataFrame(0.0, index=[0], columns=clean_features)
 
-    # 3. Remplissage par NOM (Pandas s'occupera de les mettre au bon index)
+    # 3. On remplit les valeurs par NOM
     df['age_au_diagnostic'] = float(data.get('age_estime', 0))
     df['Tranche_effectif_num'] = float(data.get('Tranche_effectif_num', 0))
     df['is_ess'] = int(data.get('is_ess', 0))
@@ -83,7 +83,7 @@ def prepare_input(data):
     code_dep = str(data.get('code_departement', '')).strip().upper()
     df['risque_departemental'] = float(DEP_RISK_MAP.get(code_dep, 0.05))
     
-    # Secteur APE
+    # Mapping APE (Secteur)
     code_ape = str(data.get('code_ape', '')).zfill(2)
     section_name = APE_SECTION_MAP.get(code_ape)
     if section_name:
@@ -93,11 +93,14 @@ def prepare_input(data):
         else:
             df['APE_Autres_Secteurs'] = 1.0
 
-    # Forme Juridique
+    # Mapping CJ (Juridique)
     cj_prefix = str(data.get('categorie_juridique', ''))[:4]
     col_cj = f"CJ_{cj_prefix}"
     if col_cj in df.columns:
         df[col_cj] = 1.0
 
-    # 4. TRÈS IMPORTANT : On retourne le DMatrix avec les colonnes dans l'ordre de target_columns
-    return xgb.DMatrix(df[target_columns])
+    # 4. LE POINT CRITIQUE : on réordonne les colonnes avant de créer la DMatrix
+    # Cela garantit que la colonne 0 est bien Tranche_effectif_num
+    df_final = df[clean_features]
+    
+    return xgb.DMatrix(df_final)