modif app

app.py

@@ -1,93 +1,73 @@
-from fastapi import FastAPI
+from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
-import joblib
+import pandas as pd
 import boto3
+import joblib
 import os
 import io
-import pandas as pd
-import uvicorn
-import numpy as np
-from dotenv import load_dotenv
 
-# Charger les secrets (.env ou .secrets)
-load_dotenv(dotenv_path='.secrets')
+# === Initialisation FastAPI ===
+app = FastAPI(
+    title="Getaround API - Prédiction de prix",
+    description="API simple pour prédire le prix journalier d'une location 🚗",
+    version="1.0"
+)
 
-# Initialiser l'app FastAPI
-app = FastAPI(title="GetAround Pricing API")
+# === Schéma attendu pour l'entrée ===
+class InputData(BaseModel):
+    model_key: str
+    mileage: int
+    engine_power: int
+    fuel: str
+    paint_color: str
+    car_type: str
+    private_parking_available: bool
+    has_gps: bool
+    has_air_conditioning: bool
+    automatic_car: bool
+    has_getaround_connect: bool
+    has_speed_regulator: bool
+    winter_tires: bool
 
-# Config S3
+# === Configuration S3 ===
 S3_BUCKET = os.getenv("S3_BUCKET")
-MODEL_KEY = os.getenv("MODEL_KEY")
-
-# Connexion S3
-s3 = boto3.client(
-    "s3",
-    aws_access_key_id=os.getenv("AWS_ACCESS_KEY_ID"),
-    aws_secret_access_key=os.getenv("AWS_SECRET_ACCESS_KEY")
-)
+MODEL_KEY = os.getenv("MODEL_KEY", "mlflow/models/xgboost_model.joblib")
+s3 = boto3.client("s3")
 
-# Charger le modèle depuis S3
-def load_model_from_s3(bucket, key):
-    print(f"Téléchargement du modèle depuis s3://{bucket}/{key}")
-    response = s3.get_object(Bucket=bucket, Key=key)
-    bytestream = io.BytesIO(response["Body"].read())
-    return joblib.load(bytestream)
+# === Chargement du modèle depuis S3 au démarrage ===
+model = None
 
-model = load_model_from_s3(S3_BUCKET, MODEL_KEY)
+@app.on_event("startup")
+def load_model():
+    global model
+    try:
+        print(f"Téléchargement du modèle depuis s3://{S3_BUCKET}/{MODEL_KEY}")
+        response = s3.get_object(Bucket=S3_BUCKET, Key=MODEL_KEY)
+        model_bytes = io.BytesIO(response["Body"].read())
+        model = joblib.load(model_bytes)
+        print("✅ Modèle chargé avec succès")
+    except Exception as e:
+        print(f"❌ Erreur chargement modèle : {e}")
+        raise RuntimeError(f"Impossible de charger le modèle : {e}")
 
-# Définition du format d'entrée
-class InputData(BaseModel):
-    input: list
+# === Routes ===
+@app.get("/")
+def home():
+    return {"message": "Bienvenue sur l'API Getaround 🚗 - Utilisez /predict pour faire une prédiction"}
 
 @app.post("/predict")
 def predict(data: InputData):
     try:
-        columns = [
-            "mileage", "engine_power", "model_key", "fuel", "paint_color", "car_type",
-            "private_parking_available", "has_gps", "has_air_conditioning",
-            "automatic_car", "has_getaround_connect", "has_speed_regulator", "winter_tires"
-        ]
-        
-        print("📥 Input reçu :", data.input)  # log input brut
-        X = pd.DataFrame(data.input, columns=columns)
-        print("✅ DataFrame construit :", X.head().to_dict())  # log input formaté
-        
-        preds = model.predict(X)
-        print("📤 Prediction faite :", preds)
-        
-        return {"prediction": preds.tolist()}
-    
-    except Exception as e:
-        import traceback
-        print("❌ Erreur lors de la prédiction :", e)
-        print(traceback.format_exc())
-        return {"error": str(e)}
-
+        # Convertir les données en DataFrame avec colonnes correctes
+        df = pd.DataFrame([data.dict()])
+        print("📥 Données reçues :", df.to_dict())
 
-# @app.post("/predict")
-# def predict(data: InputData):
-#     # Colonnes attendues par le modèle
-#     columns = [
-#         "mileage", "engine_power", "fuel", "paint_color", "car_type",
-#         "private_parking_available", "has_gps", "has_air_conditioning",
-#         "automatic_car", "has_getaround_connect", "has_speed_regulator", "winter_tires"
-#     ]
-    
-#     # Transformer l'input en DataFrame
-#     X = pd.DataFrame(data.input, columns=columns)
-    
-#     # Prédictions
-#     preds = model.predict(X)
-#     return {"prediction": preds.tolist()}
+        # Faire la prédiction
+        prediction = model.predict(df)
+        price = float(prediction[0])
 
+        return {"predicted_price_per_day": round(price, 2)}
 
-# @app.post("/predict")
-# def predict(data: InputData):
-#     X = np.array(data.input)
-#     preds = model.predict(X)
-#     return {"prediction": preds.tolist()}
-
-@app.get("/")
-def home():
-    return {"message": "Bienvenue sur l'API GetAround Pricing! Utilisez /predict pour faire une prédiction."}
-
+    except Exception as e:
+        print(f"❌ Erreur prédiction : {e}")
+        raise HTTPException(status_code=500, detail=str(e))