app.py

from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from fastapi.responses import JSONResponse
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

app = FastAPI(
    title="JMeter Performance Analyzer API",
    description="API que recebe um CSV do JMeter, treina um modelo linear e retorna métricas e dados para visualização.",
    version="1.0.0"
)

# ======================================
# 🔓 CORS – permite chamadas do front-end React
# ======================================
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],  # 🔒 em produção, especifique seu domínio
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

# ======================================
# 🧠 Função auxiliar
# ======================================
def treinar_modelo(df: pd.DataFrame):
    """Treina o modelo linear e retorna métricas e previsões."""
    df['timeStamp'] = pd.to_datetime(df['timeStamp'], unit='ms', errors='coerce')
    df.dropna(subset=['timeStamp', 'elapsed'], inplace=True)

    # Cria eixo temporal
    df['t'] = (df['timeStamp'] - df['timeStamp'].min()).dt.total_seconds()

    # Variáveis
    X = df[['t']]
    y = df['elapsed']

    # Modelo linear
    model = LinearRegression().fit(X, y)
    df['predito'] = model.predict(X)
    df['erro'] = df['elapsed'] - df['predito']

    # Métricas
    r2 = r2_score(y, df['predito'])
    mse = mean_squared_error(y, df['predito'])
    rmse = mse ** 0.5

    # Previsão futura (ex: próximos 5 minutos = 300s)
    future_t = np.linspace(df['t'].max(), df['t'].max() + 300, 100)
    future_pred = model.predict(pd.DataFrame({'t': future_t}))

    return {
        "coeficiente": float(model.coef_[0]),
        "intercepto": float(model.intercept_),
        "r2": float(r2),
        "rmse": float(rmse),
        "dados": {
            "t": df['t'].tolist(),
            "elapsed": df['elapsed'].tolist(),
            "predito": df['predito'].tolist(),
            "erro": df['erro'].tolist(),
            "future_t": future_t.tolist(),
            "future_pred": future_pred.tolist(),
        }
    }

# ======================================
# 🚀 Endpoint principal
# ======================================
@app.post("/analisar/")
async def analisar_csv(file: UploadFile = File(...)):
    """
    Recebe um arquivo CSV do JMeter e retorna métricas e previsões.
    """
    try:
        # Lê o arquivo CSV enviado
        contents = await file.read()
        df = pd.read_csv(
            pd.io.common.BytesIO(contents),
            encoding="utf-8"
        )

        # Validação mínima
        required_cols = {"timeStamp", "elapsed"}
        if not required_cols.issubset(df.columns):
            raise HTTPException(
                status_code=400,
                detail=f"O CSV precisa conter as colunas: {', '.join(required_cols)}"
            )

        # Processar e treinar o modelo
        resultado = treinar_modelo(df)

        return JSONResponse(content=resultado)

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

# ======================================
# 🏠 Endpoint básico de teste
# ======================================
@app.get("/")
async def root():
    return {
        "status": "ok",
        "message": "API JMeter Performance Analyzer está ativa. Envie um CSV para /analisar/"
    }