Create app.py

app.py

@@ -0,0 +1,143 @@
+import joblib
+import pandas as pd
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel, Field
+from typing import List
+
+MODEL_FILE_NAME = 'model_raport.pkl'
+
+MODEL_FEATURES_ORDER = [
+    'Experience (Years)', 'Education', 'Certifications', 'Job Role', 
+    'Salary Expectation ($)', 'Projects Count', 'C++', 'Cybersecurity', 
+    'Deep Learning', 'Ethical Hacking', 'Java', 'Linux', 
+    'Machine Learning', 'NLP', 'Networking', 'Python', 'Pytorch', 
+    'React', 'SQL', 'TensorFlow'
+]
+
+model = None
+
+app = FastAPI(
+    title="API Rankingu CV",
+    description="API, które przyjmuje listę kandydatów, ocenia ich za pomocą modelu RandomForest i zwraca ranking."
+)
+
+class CandidateFeatures(BaseModel):
+
+    identifier: str = Field(..., description="Unikalny identyfikator kandydata, np. email lub ID.")
+    
+    Experience_Years: float = Field(..., alias="Experience (Years)")
+    Education: float
+    Certifications: float
+    Job_Role: float = Field(..., alias="Job Role")
+    Salary_Expectation: float = Field(..., alias="Salary Expectation ($)")
+    Projects_Count: float = Field(..., alias="Projects Count")
+    Cpp: float = Field(..., alias="C++")
+    Cybersecurity: float
+    Deep_Learning: float = Field(..., alias="Deep Learning")
+    Ethical_Hacking: float = Field(..., alias="Ethical Hacking")
+    Java: float
+    Linux: float
+    Machine_Learning: float = Field(..., alias="Machine Learning")
+    NLP: float
+    Networking: float
+    Python: float
+    Pytorch: float
+    React: float
+    SQL: float
+    TensorFlow: float
+
+    class Config:
+        populate_by_name = True
+
+class RankingRequest(BaseModel):
+    """Definiuje format zapytania - oczekujemy listy kandydatów."""
+    candidates: List[CandidateFeatures]
+
+class RankedCandidate(BaseModel):
+    """Definiuje format odpowiedzi dla jednego kandydata."""
+    identifier: str
+    score: float = Field(..., description="Prawdopodobieństwo zaproszenia (0.0 do 1.0)")
+
+class RankingResponse(BaseModel):
+    """Definiuje format odpowiedzi - zwracamy listę ocenionych kandydatów."""
+    ranked_candidates: List[RankedCandidate]
+
+
+# --- 2. Ładowanie modelu ---
+@app.on_event("startup")
+def load_model():
+    """Wczytuje model .pkl przy starcie aplikacji."""
+    global model
+    try:
+        model = joblib.load(MODEL_FILE_NAME)
+        print(f"--- Pomyślnie wczytano model z pliku: {MODEL_FILE_NAME} ---")
+    except FileNotFoundError:
+        print(f"BŁĄD KRYTYCZNY: Nie znaleziono pliku modelu: {MODEL_FILE_NAME}")
+    except Exception as e:
+        print(f"BŁĄD KRYTYCZNY: Nie można wczytać modelu z pliku {MODEL_FILE_NAME}. Błąd: {e}")
+
+# --- 3. Punkty końcowe API (Endpoints) ---
+
+@app.get("/")
+def read_root():
+    return {"status": "OK", "message": "Witaj w API do Rankingu CV!"}
+
+
+@app.post("/rank", response_model=RankingResponse)
+def rank_candidates(request: RankingRequest):
+    global model
+    if model is None:
+        raise HTTPException(status_code=503, detail="Model nie jest jeszcze gotowy. Spróbuj ponownie za chwilę.")
+
+    if not request.candidates:
+        return {"ranked_candidates": []}
+
+    try:
+        # 1. Konwertuj listę kandydatów (z Pydantic) na listę słowników
+        # Używamy .model_dump(by_alias=True), aby uzyskać nazwy z aliasów (np. "C++")
+        candidate_data_list = [c.model_dump(by_alias=True) for c in request.candidates]
+        
+        # Przechowujemy identyfikatory do późniejszego użycia
+        identifiers = [c['identifier'] for c in candidate_data_list]
+
+        # 2. Stwórz DataFrame z poprawną kolejnością kolumn
+        # To jest absolutnie krytyczne dla modelu scikit-learn!
+        df = pd.DataFrame(candidate_data_list)
+        
+        # Upewnij się, że brakuje tylko kolumny 'identifier', a reszta pasuje
+        features_df = df.drop(columns=['identifier'])
+        
+        # Ustaw kolejność kolumn DOKŁADNIE tak, jak w treningu
+        features_df_ordered = features_df[MODEL_FEATURES_ORDER]
+
+        # 3. Predykcja
+        # Używamy predict_proba(), aby dostać prawdopodobieństwo, a nie tylko 0 lub 1
+        # [:, 1] oznacza, że bierzemy prawdopodobieństwo dla klasy '1' (Zaproszony)
+        probabilities = model.predict_proba(features_df_ordered)[:, 1]
+
+        # 4. Tworzenie odpowiedzi
+        ranked_list = []
+        for i, identifier in enumerate(identifiers):
+            ranked_list.append(RankedCandidate(
+                identifier=identifier,
+                score=probabilities[i]
+            ))
+
+        # 5. Sortowanie
+        # Sortuj listę kandydatów malejąco (descending) po wyniku (score)
+        sorted_ranked_list = sorted(ranked_list, key=lambda x: x.score, reverse=True)
+
+        return {"ranked_candidates": sorted_ranked_list}
+
+    except KeyError as e:
+        # Ten błąd wystąpi, jeśli w danych wejściowych brakuje jakiejś cechy
+        raise HTTPException(status_code=400, detail=f"Brakująca lub błędna cecha (KeyError): {e}")
+    except Exception as e:
+        # Ogólny błąd serwera
+        raise HTTPException(status_code=500, detail=f"Wystąpił wewnętrzny błąd serwera: {str(e)}")
+
+# Uruchomienie aplikacji (dla testów lokalnych)
+# Hugging Face Spaces użyje własnego serwera (uvicorn), ale to jest przydatne
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=8000)