File size: 1,284 Bytes
3255f93
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
# Générer un example de donnée pour un client
import pandas as pd
import json
import joblib
import numpy as np
import re
from typing import Optional

df = joblib.load("./data/app_test_clean_v2.joblib")

def sanitize(name: str) -> str:
    """
    Transforme un nom de colonne en identifiant Python valide.
    """
    # Remplacer tout caractère non alphanumérique par un underscore
    name = re.sub(r'[^0-9a-zA-Z_]', '_', name)

    # Si le nom commence par un chiffre → préfixer
    if re.match(r'^[0-9]', name):
        name = f"col_{name}"

    return name

df.columns = [sanitize(c) for c in df.columns]

# Prendre un individu au hasard
example = df.sample(1).iloc[0].to_dict()
for k, v in example.items():
    if isinstance(v, float) and (np.isnan(v)):
        example[k] = None

fields = {}

# Générer automatiquement les types
for col, dtype in df.dtypes.items():
    if dtype == bool or df[col].dropna().isin([0, 1, True, False]).all():
        fields[col] = (Optional[bool], None)

    elif "int" in str(dtype):
        fields[col] = (Optional[int], None)

    elif "float" in str(dtype):
        fields[col] = (Optional[float], None)
        
    else:
        fields[col] = (Optional[str], None)

# Afficher sous format JSON
print(json.dumps(example, indent=4))