feat: add functional tests

tests/test_functional.py

@@ -0,0 +1,235 @@
+from fastapi.testclient import TestClient
+from app.main import app
+import logging
+
+client = TestClient(app)
+
+def test_root():
+    response = client.get("/")
+    assert response.status_code == 200
+    assert response.json() == {"message":"Welcome to the FUTURISYS HR predictor API"}
+
+def test_predict_valid():
+    payload = {
+        "Genre": "M",
+        "Statut Marital": "Marié(e)",
+        "Département": "Consulting",
+        "Poste": "Consultant",
+        "Domaine d'étude": "Infra & Cloud",
+        "Fréquence de déplacement": "Occasionnel",
+        "Heures supplémentaires": "Non",
+        "Âge": 32,
+        "Revenu mensuel": 4883,
+        "Nombre d'expériences précédentes": 1,
+        "Années d'expérience totale": 10,
+        "Années dans l'entreprise": 10,
+        "Années dans le poste actuel": 4,
+        "Nombre de formations suivies": 3,
+        "Distance domicile-travail": 7,
+        "Niveau d'éducation": 2,
+        "Années depuis la dernière promotion": 1,
+        "Années sous responsable actuel": 1,
+        "Satisfaction environnement": 4,
+        "Note évaluation précédente": 3,
+        "Satisfaction nature du travail": 3,
+        "Satisfaction équipe": 1,
+        "Satisfaction équilibre pro/perso": 3,
+        "Note évaluation actuelle": 3,
+        "Augmentation salaire précédente": "18%"
+    }
+
+    response = client.post("/predict", json=payload)
+    data = response.json()
+
+    assert response.status_code == 200
+    assert data["statut_employe"] == "The staff has a LOW probability of resigning"
+    assert data["probability_score"] == 0.28
+    assert data["model_threshold"] == 0.37
+
+    # Top 5 SHAP factors
+    factors = data["top_5_factors"]
+    assert list(factors.keys()) == [
+        "revenu_mensuel",
+        "annees_dans_l_entreprise",
+        "statut_marital_Célibataire",
+        "distance_domicile_travail",
+        "overall_satisfaction"
+    ]
+
+    # Interpretations
+    assert factors["revenu_mensuel"]["interpretation"] == "Primary driver — decreases resignation risk"
+    assert factors["annees_dans_l_entreprise"]["interpretation"] == "Strong factor — decreases resignation risk"
+    assert factors["statut_marital_Célibataire"]["interpretation"] == "Moderate factor — decreases resignation risk"
+    assert factors["distance_domicile_travail"]["interpretation"] == "Contributing factor — decreases resignation risk"
+    assert factors["overall_satisfaction"]["interpretation"] == "Notable factor — decreases resignation risk"
+
+    # Feature values
+    assert factors["revenu_mensuel"]["feature_value"] == 4883.0
+    assert factors["annees_dans_l_entreprise"]["feature_value"] == 10.0
+    assert factors["statut_marital_Célibataire"]["feature_value"] == "encoded"
+
+    assert factors["distance_domicile_travail"]["feature_value"] == 7.0
+    assert factors["overall_satisfaction"]["feature_value"] == 2.75 
+
+
+class Test_Predict_422:
+
+    def test_predict_422_wrong_input(self):
+        payload = {
+            "Genre": "X", # INSERTION OF WRONG INPUT F OR M 
+            "Statut Marital": "Marié(e)",
+            "Département": "Consulting",
+            "Poste": "Consultant",
+            "Domaine d'étude": "Infra & Cloud",
+            "Fréquence de déplacement": "Occasionnel",
+            "Heures supplémentaires": "Non",
+            "Âge": 32,
+            "Revenu mensuel": 4883,
+            "Nombre d'expériences précédentes": 1,
+            "Années d'expérience totale": 10,
+            "Années dans l'entreprise": 10,
+            "Années dans le poste actuel": 4,
+            "Nombre de formations suivies": 3,
+            "Distance domicile-travail": 7,
+            "Niveau d'éducation": 2,
+            "Années depuis la dernière promotion": 1,
+            "Années sous responsable actuel": 1,
+            "Satisfaction environnement": 4,
+            "Note évaluation précédente": 3,
+            "Satisfaction nature du travail": 3,
+            "Satisfaction équipe": 1,
+            "Satisfaction équilibre pro/perso": 3,
+            "Note évaluation actuelle": 3,
+            "Augmentation salaire précédente": "18%"
+        }
+        response = client.post("/predict", json=payload)
+        assert response.status_code == 422
+
+
+    def test_predict_422_wrong_type_str(self):
+        payload = {
+            "Genre": "M",  
+            "Statut Marital": "Marié(e)",
+            "Département": "Consulting",
+            "Poste": "Consultant",
+            "Domaine d'étude": "Infra & Cloud",
+            "Fréquence de déplacement": "Occasionnel",
+            "Heures supplémentaires": "Non",
+            "Âge": "trente", #EXPECTED INT
+            "Revenu mensuel": 4883,
+            "Nombre d'expériences précédentes": 1,
+            "Années d'expérience totale": 10,
+            "Années dans l'entreprise": 10,
+            "Années dans le poste actuel": 4,
+            "Nombre de formations suivies": 3,
+            "Distance domicile-travail": 7,
+            "Niveau d'éducation": 2,
+            "Années depuis la dernière promotion": 1,
+            "Années sous responsable actuel": 1,
+            "Satisfaction environnement": 4,
+            "Note évaluation précédente": 3,
+            "Satisfaction nature du travail": 3,
+            "Satisfaction équipe": 1,
+            "Satisfaction équilibre pro/perso": 3,
+            "Note évaluation actuelle": 3,
+            "Augmentation salaire précédente": "18%"
+        }
+        response = client.post("/predict", json=payload)
+        assert response.status_code == 422
+
+    def test_predict_422_wrong_type_int(self):
+        payload = {
+            "Genre": "M",  
+            "Statut Marital": "Marié(e)", 
+            "Département": "Consulting",
+            "Poste": "Consultant",
+            "Domaine d'étude": "Infra & Cloud",
+            "Fréquence de déplacement": "Occasionnel",
+            "Heures supplémentaires": "Non",
+            "Âge": 32,
+            "Revenu mensuel": 4883.12,#WRONG TYPE, should be int 
+            "Nombre d'expériences précédentes": 1,
+            "Années d'expérience totale": 10,
+            "Années dans l'entreprise": 10,
+            "Années dans le poste actuel": 4,
+            "Nombre de formations suivies": 3,
+            "Distance domicile-travail": 7,
+            "Niveau d'éducation": 2,
+            "Années depuis la dernière promotion": 1,
+            "Années sous responsable actuel": 1,
+            "Satisfaction environnement": 4,
+            "Note évaluation précédente": 3,
+            "Satisfaction nature du travail": 3,
+            "Satisfaction équipe": 1,
+            "Satisfaction équilibre pro/perso": 3,
+            "Note évaluation actuelle": 3,
+            "Augmentation salaire précédente": "18%"
+        }
+        response = client.post("/predict", json=payload)
+        assert response.status_code == 422
+
+    def test_predict_422_incomplete_json(self):
+        payload = {
+            "Genre": "M",  
+            "Statut Marital": "Marié(e)", 
+            "Département": "Consulting",
+            "Poste": "Consultant",
+            "Domaine d'étude": "Infra & Cloud",
+            "Fréquence de déplacement": "Occasionnel",
+            "Heures supplémentaires": "Non",
+            "Âge": 32,
+            "Revenu mensuel": 4883, 
+            "Nombre d'expériences précédentes": 1,
+            "Années d'expérience totale": 10,
+            "Années dans l'entreprise": 10,
+            "Années dans le poste actuel": 4,
+            "Nombre de formations suivies": 3,
+            "Niveau d'éducation": 2, #MISSING "Distance domicile-travail"
+            "Années depuis la dernière promotion": 1,
+            "Années sous responsable actuel": 1,
+            "Satisfaction environnement": 4,
+            "Note évaluation précédente": 3,
+            "Satisfaction nature du travail": 3,
+            "Satisfaction équipe": 1,
+            "Satisfaction équilibre pro/perso": 3,
+            "Note évaluation actuelle": 3,
+            "Augmentation salaire précédente": "18%"
+        }
+        response = client.post("/predict", json=payload)
+        assert response.status_code == 422
+
+def test_logging(caplog):
+    payload = {
+        "Genre": "M",  
+        "Statut Marital": "Marié(e)", 
+        "Département": "Logistique", #check wrong department
+        "Poste": "Consultant",
+        "Domaine d'étude": "Infra & Cloud",
+        "Fréquence de déplacement": "Occasionnel",
+        "Heures supplémentaires": "Non",
+        "Âge": 32,
+        "Revenu mensuel": 4883, 
+        "Nombre d'expériences précédentes": 1,
+        "Années d'expérience totale": 10,
+        "Années dans l'entreprise": 10,
+        "Années dans le poste actuel": 4,
+        "Nombre de formations suivies": 3,
+        "Distance domicile-travail": 7,
+        "Niveau d'éducation": 2, 
+        "Années depuis la dernière promotion": 1,
+        "Années sous responsable actuel": 1,
+        "Satisfaction environnement": 4,
+        "Note évaluation précédente": 3,
+        "Satisfaction nature du travail": 3,
+        "Satisfaction équipe": 1,
+        "Satisfaction équilibre pro/perso": 3,
+        "Note évaluation actuelle": 3,
+        "Augmentation salaire précédente": "18%"
+    }
+
+    with caplog.at_level(logging.WARNING):
+        response = client.post("/predict", json=payload)
+
+    assert response.status_code == 200  # l'API répond quand même
+    assert "Unknown value 'Logistique' for column 'departement'" in caplog.text
+