BOUMRAR/Getaround-pricing-api

1import pandas as pd2import joblib3from fastapi import FastAPI4from fastapi.responses import HTMLResponse5from pydantic import BaseModel6from typing import List, Union7 8# Initialisation FastAPI9app = FastAPI(10    title="GetAround Pricing API",11    description="API de prédiction de prix pour GetAround",12    version="1.0"13)14 15# Modèle de données pour input16class PredictionInput(BaseModel):17    input: List[List[Union[float, str]]]18 19# Chargement du modèle ML20try:21    model = joblib.load("getaround_pricing_model.pkl")22    print("Modèle chargé avec succès - Version compatible")23except Exception as e:24    print(f"Erreur lors du chargement du modèle: {e}")25    model = None26 27# Colonnes exactes attendues par le modèle28# Colonnes exactes attendues par le modèle (selon le format des consignes)29model_columns = [30    'mileage', 'engine_power', 'fuel', 'paint_color',31    'car_type', 'private_parking_available', 'has_gps',32    'has_air_conditioning', 'automatic_car', 'has_getaround_connect',33    'winter_tires', 'has_speed_regulator', 'model_key'34]35 36# Colonnes catégorielles à forcer en string37categorical_columns = [38    'model_key', 'fuel', 'paint_color', 'car_type',39    'private_parking_available', 'has_gps', 'has_air_conditioning',40    'automatic_car', 'has_getaround_connect', 'winter_tires', 'has_speed_regulator'41]42 43# Route racine44@app.get("/")45def root():46    return {"message": "GetAround Pricing API"}47 48# Endpoint de prédiction49@app.post("/predict")50def predict(data: PredictionInput):51    if model is None:52        return {"error": "Modèle non disponible"}53 54    try:55        input_data = []56        for row in data.input:57            # Compléter automatiquement les colonnes manquantes58            if len(row) < len(model_columns):59                row = row + [0] * (len(model_columns) - len(row))60            input_data.append(row)61        62        # Créer DataFrame63        df = pd.DataFrame(input_data, columns=model_columns)64 65        # Convertir les colonnes catégorielles en str66        for col in categorical_columns:67            df[col] = df[col].astype(str)68 69        # Prédiction70        predictions = model.predict(df)71        predictions_list = [round(float(p), 2) for p in predictions]72 73        return {"prediction": predictions_list}74 75    except Exception as e:76        return {"error": str(e)}77 78# Documentation HTML79@app.get("/docs", response_class=HTMLResponse)80def documentation():81    return """82    <h1>GetAround API Documentation</h1>83    <h2>GET /</h2>84    <p>Page d'accueil de l'API</p>85    <h2>POST /predict</h2>86    <p>Input JSON:</p>87    <code>{"input": [["Citroën", 0.27, 0.36, "diesel", "red", "SUV", 1, 1, 1, 1, 1, 0, 1]]}</code>88    <p>Output JSON:</p>89    <code>{"prediction": [123.45]}</code>90    <h3>Exemple curl Windows PowerShell:</h3>91    <code>curl -X POST http://127.0.0.1:8000/predict -H "Content-Type: application/json" -d '{\"input\": [[\"Citroën\", 0.27, 0.36, \"diesel\", \"red\", \"SUV\", 1, 1, 1, 1, 1, 0, 1]]}'</code>92    """93 94if __name__ == "__main__":95    import uvicorn96    uvicorn.run(app, host="127.0.0.1", port=8000)97