app.py

from fastapi import FastAPI
from pydantic import BaseModel
import mlflow.pyfunc
import pandas as pd

description = """
Bienvenue sur l'API de Getaround pour prédire le prix journalier de location d'une voiture en fonction de son année d'expérience!

## Point de terminaison d'introduction

Pour tester le fonctionnement de l'API, vous pouvez utiliser le point de terminaison d'introduction suivant:
* `/`: **GET** retourne la version de l'API et un message de bienvenue.

## Point de terminaison du prix de location

Cette API permet de prédire le prix journalier de location d'une voiture.
* `/price/{car_id}`: **GET** retourne le prix journalier de location d'une voiture en fonction de son identifiant.


## Machine Learning

Cette terminaison de l'API permet de prédire le prix journalier de location d'une voiture en fonction de ses caractéristiques..

* `/predict` accepte une requête POST avec un JSON contenant une clé `YearsExperience` et retourne une prédiction du prix journalier de location d'une voiture.


Check out documentation below 👇 for more information on each endpoint. 
"""
tags_metadata = [
    {
        "name": "Point de terminaison d'introduction",
        "description": "Terminaison simple de test",
    },
    {
        "name": "Terminaison du prix de location",
        "description": "Point de terminaison pour obtenir le tarif journalier par **GET** d'une voiture en focntion de son identifiant.",
    },
    {
        "name": "Machine Learning",
        "description": "Prediction du prix de location journalier d'un véhicule en fonction de ses caractéristiques.",
    },
]
app = FastAPI(
    title="Getaround API pour le prix journalier de location d'une voiture.",
    description=description,
    version="0.1",
    contact={
        "name": "Francis Pradel",
        "url": "https://promotion.francispradel.fr",
    },
    openapi_tags=tags_metadata,
)


@app.get("/")
def greet_json():
    return {"Hello": "World!"}


class PredictionFeatures(BaseModel):
    YearsExperience: float


#### SOME CODE ####
###################


@app.post("/predict", tags=["Machine Learning"])
async def predict(predictionFeatures: PredictionFeatures):
    """
    Prediction of salary for a given year of experience!
    """
    # Read data
    years_experience = pd.DataFrame(
        {"YearsExperience": [predictionFeatures.YearsExperience]}
    )

    # Log model from mlflow
    logged_model = "runs:/c09d09ef14e546b08f2f339d2c966da6/salary_estimator"  # REPLACE WITH YOUR OWN RUN ID

    # Load model as a PyFuncModel.
    loaded_model = mlflow.pyfunc.load_model(logged_model)
    prediction = loaded_model.predict(years_experience)

    # Format response
    response = {"prediction": prediction.tolist()[0]}
    return response