Download tests/test_functional.py from KLEB38/OC_P5: direct link, hf CLI and curl.
- Browser
- Download file 14.7 kB
-
https://huggingface.co/spaces/KLEB38/OC_P5/resolve/main/tests/test_functional.py
- Command line
-
hf download hf://spaces/KLEB38/OC_P5/tests/test_functional.py
-
curl -L -o test_functional.py https://huggingface.co/spaces/KLEB38/OC_P5/resolve/main/tests/test_functional.py
14.7 kB
| from fastapi.testclient import TestClient | |
| from app.main import app | |
| import logging | |
| from sqlalchemy import create_engine, text | |
| import os | |
| client = TestClient(app) | |
| def test_root(): | |
| response = client.get("/") | |
| assert response.status_code == 200 | |
| assert response.json() == {"message":"Welcome to the FUTURISYS HR predictor API"} | |
| def test_predict_valid(): | |
| payload = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| response = client.post("/predict", json=payload) | |
| data = response.json() | |
| assert response.status_code == 200 | |
| assert data["statut_employe"] == "The staff has a LOW probability of resigning" | |
| assert data["probability_score"] == 0.28 | |
| assert data["model_threshold"] == 0.37 | |
| # Top 5 SHAP factors | |
| factors = data["top_5_factors"] | |
| assert list(factors.keys()) == [ | |
| "revenu_mensuel", | |
| "annees_dans_l_entreprise", | |
| "statut_marital_Célibataire", | |
| "distance_domicile_travail", | |
| "overall_satisfaction" | |
| ] | |
| # Interpretations | |
| assert factors["revenu_mensuel"]["interpretation"] == "Primary driver — decreases resignation risk" | |
| assert factors["annees_dans_l_entreprise"]["interpretation"] == "Strong factor — decreases resignation risk" | |
| assert factors["statut_marital_Célibataire"]["interpretation"] == "Moderate factor — decreases resignation risk" | |
| assert factors["distance_domicile_travail"]["interpretation"] == "Contributing factor — decreases resignation risk" | |
| assert factors["overall_satisfaction"]["interpretation"] == "Notable factor — decreases resignation risk" | |
| # Feature values | |
| assert factors["revenu_mensuel"]["feature_value"] == 4883.0 | |
| assert factors["annees_dans_l_entreprise"]["feature_value"] == 10.0 | |
| assert factors["statut_marital_Célibataire"]["feature_value"] == "encoded" | |
| assert factors["distance_domicile_travail"]["feature_value"] == 7.0 | |
| assert factors["overall_satisfaction"]["feature_value"] == 2.75 | |
| class Test_Predict_422: | |
| def test_predict_422_wrong_input(self): | |
| payload = { | |
| "Genre": "X", # INSERTION OF WRONG INPUT F OR M | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| response = client.post("/predict", json=payload) | |
| assert response.status_code == 422 | |
| def test_predict_422_wrong_type_str(self): | |
| payload = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": "trente", #EXPECTED INT | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| response = client.post("/predict", json=payload) | |
| assert response.status_code == 422 | |
| def test_predict_422_wrong_type_int(self): | |
| payload = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883.12,#WRONG TYPE, should be int | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| response = client.post("/predict", json=payload) | |
| assert response.status_code == 422 | |
| def test_predict_422_incomplete_json(self): | |
| payload = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Niveau d'éducation": 2, #MISSING "Distance domicile-travail" | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| response = client.post("/predict", json=payload) | |
| assert response.status_code == 422 | |
| def test_logging(caplog): | |
| payload = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Logistique", #check wrong department | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| with caplog.at_level(logging.WARNING): | |
| response = client.post("/predict", json=payload) | |
| assert response.status_code == 200 # l'API répond quand même | |
| assert "Unknown value 'Logistique' for column 'departement'" in caplog.text | |
| def test_predict_by_id_valid(): | |
| response = client.get("/predict/1") | |
| data=response.json() | |
| assert response.status_code==200 | |
| assert "statut_employe" in data | |
| assert "probability_score" in data | |
| assert "top_5_factors" in data | |
| def test_predict_by_id_not_found(): | |
| response = client.get("/predict/99999") | |
| assert response.status_code == 404 | |
| assert response.json()["detail"] == "Employee ID not found in database" | |
| engine_test = create_engine(os.getenv("DATABASE_URL")) | |
| PAYLOAD = { | |
| "Genre": "M", | |
| "Statut Marital": "Marié(e)", | |
| "Département": "Consulting", | |
| "Poste": "Consultant", | |
| "Domaine d'étude": "Infra & Cloud", | |
| "Fréquence de déplacement": "Occasionnel", | |
| "Heures supplémentaires": "Non", | |
| "Âge": 32, | |
| "Revenu mensuel": 4883, | |
| "Nombre d'expériences précédentes": 1, | |
| "Années d'expérience totale": 10, | |
| "Années dans l'entreprise": 10, | |
| "Années dans le poste actuel": 4, | |
| "Nombre de formations suivies": 3, | |
| "Distance domicile-travail": 7, | |
| "Niveau d'éducation": 2, | |
| "Années depuis la dernière promotion": 1, | |
| "Années sous responsable actuel": 1, | |
| "Satisfaction environnement": 4, | |
| "Note évaluation précédente": 3, | |
| "Satisfaction nature du travail": 3, | |
| "Satisfaction équipe": 1, | |
| "Satisfaction équilibre pro/perso": 3, | |
| "Note évaluation actuelle": 3, | |
| "Augmentation salaire précédente": "18%" | |
| } | |
| class TestDatabase: | |
| def test_json_logs_to_test_table(self): | |
| with engine_test.connect() as conn: | |
| before = conn.execute(text("SELECT COUNT(*) FROM predictions_log_test")).scalar() | |
| client.post("/predict", json=PAYLOAD) | |
| with engine_test.connect() as conn: | |
| after = conn.execute(text("SELECT COUNT(*) FROM predictions_log_test")).scalar() | |
| assert after == before + 1 | |
| def test_prod_table_not_touched(self): | |
| with engine_test.connect() as conn: | |
| before = conn.execute(text("SELECT COUNT(*) FROM predictions_log")).scalar() | |
| client.post("/predict", json=PAYLOAD) | |
| with engine_test.connect() as conn: | |
| after = conn.execute(text("SELECT COUNT(*) FROM predictions_log")).scalar() | |
| assert after == before | |
| def test_predict_by_id_logs_to_test_table(self): | |
| with engine_test.connect() as conn: | |
| before = conn.execute(text("SELECT COUNT(*) FROM predictions_log_test")).scalar() | |
| client.get("/predict/1") | |
| with engine_test.connect() as conn: | |
| after = conn.execute(text("SELECT COUNT(*) FROM predictions_log_test")).scalar() | |
| assert after == before + 1 | |
| def test_predictions_log_test_schema(self): | |
| with engine_test.connect() as conn: | |
| cols = conn.execute(text(""" | |
| SELECT column_name FROM information_schema.columns | |
| WHERE table_name = 'predictions_log_test' | |
| """)).scalars().all() | |
| assert "id_employee" in cols | |
| assert "prediction" in cols | |
| assert "probability_score" in cols | |
| assert "timestamp" in cols | |
| assert "primary_driver" in cols | |
| def test_employees_full_schema(self): | |
| with engine_test.connect() as conn: | |
| result = conn.execute(text(""" | |
| SELECT column_name, data_type | |
| FROM information_schema.columns | |
| WHERE table_name = 'employees_full' | |
| """)).fetchall() | |
| col_types = {row[0]: row[1] for row in result} | |
| assert col_types["age"] == "bigint" | |
| assert col_types["revenu_mensuel"] == "bigint" | |
| assert col_types["nombre_experiences_precedentes"] == "bigint" | |
| assert col_types["annee_experience_totale"] == "bigint" | |
| assert col_types["annees_dans_l_entreprise"] == "bigint" | |
| assert col_types["annees_dans_le_poste_actuel"] == "bigint" | |
| assert col_types["nb_formations_suivies"] == "bigint" | |
| assert col_types["distance_domicile_travail"] == "bigint" | |
| assert col_types["niveau_education"] == "bigint" | |
| assert col_types["annees_depuis_la_derniere_promotion"] == "bigint" | |
| assert col_types["annes_sous_responsable_actuel"] == "bigint" | |
| assert col_types["satisfaction_employee_environnement"] == "bigint" | |
| assert col_types["satisfaction_employee_equipe"] == "bigint" | |
| assert col_types["satisfaction_employee_nature_travail"] == "bigint" | |
| assert col_types["satisfaction_employee_equilibre_pro_perso"] == "bigint" | |
| assert col_types["note_evaluation_precedente"] == "bigint" | |
| assert col_types["note_evaluation_actuelle"] == "bigint" | |
| assert col_types["genre"] == "text" | |
| assert col_types["departement"] == "text" | |
| assert col_types["poste"] == "text" | |
| assert col_types["statut_marital"] == "text" | |
| assert col_types["domaine_etude"] == "text" | |
| assert col_types["frequence_deplacement"] == "text" | |
| assert col_types["heure_supplementaires"] == "text" | |
| assert col_types["augementation_salaire_precedente"] == "text" |