File size: 2,875 Bytes
0f6bede |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 |
import pandas as pd
import joblib
# Charger le modèle scikit-learn
model = joblib.load("model.joblib")
def preprocess_and_predict(input_json):
"""
Fonction pour traiter les données JSON entrantes, calculer les champs dérivés,
et prédire à l'aide d'un modèle scikit-learn.
Args:
input_json (dict): Données simplifiées fournies par l'utilisateur. Exemple :
{
"puiss_admin_98": 7,
"conso_urb": 5.6,
"conso_exurb": 4.3,
"masse_ordma_max": 1500,
"marque": "BMW",
"typ_boite": "A 5",
"champ_v9": 715/2007*195/2013EURO5,
"carrosserie": "COUPE",
"gamme": "LUXE"
}
Returns:
dict: Prédiction du modèle.
"""
# Mapper les catégories aux colonnes du modèle
marque_mapping = ["BMW", "MERCEDES", "VOLKSWAGEN"]
typ_boite_mapping = ["A 5", "A 6", "A 7", "A 8", "M 5", "M 6"]
carrosserie_mapping = ["BREAK", "COUPE", "MINIBUS", "TS TERRAINS/CHEMINS"]
gamme_mapping = ["INFERIEURE", "LUXE", "MOY-INFERIEURE", "MOY-SUPER", "SUPERIEURE"]
champ_v9_mapping = ["\"715/2007*195/2013EURO5", "\"715/2007*195/2013EURO6", "\"715/2007*566/2011EURO5", "\"715/2007*630/2012EURO5", "715/2007*195/2013EURO5", "715/2007*630/2012EURO5", "715/2007*692/2008EURO5"]
# Initialiser un dictionnaire pour construire les colonnes nécessaires
processed_data = {
"puiss_admin_98": input_json.get("puiss_admin_98", 0),
"conso_urb": input_json.get("conso_urb", 0.0),
"conso_exurb": input_json.get("conso_exurb", 0.0),
"masse_ordma_max": input_json.get("masse_ordma_max", 0.0)
}
# Variables indicatrices pour la marque
for marque in marque_mapping:
processed_data[f"lib_mrq_{marque}"] = 1 if input_json.get("marque") == marque else 0
# Variables indicatrices pour le type de boîte
for typ_boite in typ_boite_mapping:
processed_data[f"typ_boite_nb_rapp_{typ_boite}"] = 1 if input_json.get("typ_boite") == typ_boite else 0
# Variables indicatrices pour la norme champ
for champ_v9 in champ_v9_mapping:
processed_data[f"champ_v9_{champ_v9}"] = 1 if input_json.get("champ_v9") == champ_v9 else 0
# Variables indicatrices pour la carrosserie
for carrosserie in carrosserie_mapping:
processed_data[f"Carrosserie_{carrosserie}"] = 1 if input_json.get("carrosserie") == carrosserie else 0
# Variables indicatrices pour la gamme
for gamme in gamme_mapping:
processed_data[f"gamme_{gamme}"] = 1 if input_json.get("gamme") == gamme else 0
# Convertir en DataFrame pour correspondre au format attendu par le modèle
input_dataframe = pd.DataFrame([processed_data])
# Faire une prédiction
prediction = model.predict(input_dataframe)
return {"prediction": prediction.tolist()}
|