Spaces:
Sleeping
Sleeping
File size: 5,735 Bytes
1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f 6d68c0d 1d0150f | 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 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 | import pytest
import numpy as np
from domain.domain import ModelResponse
from service.technova_service import TechNovaService
# Payload d’exemple complet correspondant aux features attendues par l’API
# Il est réutilisé dans plusieurs tests pour éviter les duplications
def sample_payload():
return {
"note_evaluation_precedente": 3,
"niveau_hierarchique_poste": 2,
"note_evaluation_actuelle": 3,
"heures_supplementaires": 1,
"augmentation_salaire_precedente": 11.0,
"age": 41,
"genre": 0,
"revenu_mensuel": 5993,
"statut_marital": "célibataire",
"departement": "commercial",
"poste": "cadre commercial",
"nombre_experiences_precedentes": 8,
"annee_experience_totale": 8,
"annees_dans_l_entreprise": 6,
"annees_dans_le_poste_actuel": 4,
"nombre_participation_pee": 0,
"nb_formations_suivies": 0,
"distance_domicile_travail": 1,
"niveau_education": 2,
"domaine_etude": "infra & cloud",
"frequence_deplacement": 1,
"annees_depuis_la_derniere_promotion": 0,
"annees_sous_responsable_actuel": 5,
"satisfaction_moyenne": 2.0,
"nonlineaire_participation_pee": 0.0,
"ratio_heures_sup_salaire": 0.0001668335001668335,
"nonlinaire_charge_contrainte": 0.008264462809917356,
"nonlinaire_surmenage_insatisfaction": -1.0,
"jeune_surcharge": 0,
"anciennete_sans_promotion": 0.8571428571428571,
"mobilite_carriere": 0.8888888888888888,
"risque_global": -0.000143000143000143,
}
# Fixture appliquée automatiquement à tous les tests du fichier
# Elle permet de remplacer le vrai service de prédiction par une version contrôlée
@pytest.fixture(autouse=True)
def patch_service(monkeypatch):
# Faux modèle pour éviter de charger un vrai modèle ML
class FakeModel:
def predict_proba(self, X):
# Retourne toujours la même probabilité pour rendre les tests déterministes
return np.array([[0.2, 0.8]])
# Faux __init__ pour éviter toute logique lourde (chargement joblib, fichiers, etc.)
def fake_init(self):
self.threshold = 0.5
self.feature_columns = list(sample_payload().keys())
self.model = FakeModel()
# Faux comportement pour la prédiction par ID
# ID = 1 -> prédiction valide
# autre ID -> erreur "not found"
def fake_predict_from_clean(self, db, employee_id: int):
if employee_id == 1:
return ModelResponse(
employee_id=1,
turnover_probability=0.7,
will_leave=True
)
raise ValueError("not found")
# Application des patches sur le service réel
monkeypatch.setattr(TechNovaService, "__init__", fake_init)
monkeypatch.setattr(TechNovaService, "predict_from_clean", fake_predict_from_clean)
# Test simple de l’endpoint de santé
def test_health(client):
r = client.get("/health")
assert r.status_code == 200
# Test de l’endpoint de prédiction à partir des features
def test_predict_by_features_ok(client):
r = client.post("/predict/by-features", json=sample_payload())
assert r.status_code == 200, r.text
data = r.json()
# Vérifie la présence des champs attendus dans la réponse
assert "turnover_probability" in data
assert "will_leave" in data
# Test de la prédiction par ID :
# - ID existant -> 200
# - ID inexistant -> 404
def test_predict_by_id_200_and_404(client):
assert client.post("/predict/by-id/1").status_code == 200
assert client.post("/predict/by-id/2").status_code == 404
# Test de l’endpoint qui retourne les dernières prédictions
def test_latest_predictions_returns_list(client):
# On crée d’abord une prédiction
client.post("/predict/by-features", json=sample_payload())
# Puis on vérifie que l’endpoint retourne bien une liste
r = client.get("/predictions/latest", params={"limit": 3})
assert r.status_code == 200, r.text
assert isinstance(r.json(), list)
# Test destiné à couvrir la branche d’erreur inattendue (HTTP 500)
def test_predict_by_id_returns_500_on_unexpected_error(client, monkeypatch):
# Force une exception non prévue dans le service
def boom(self, db, employee_id: int):
raise Exception("boom")
monkeypatch.setattr(TechNovaService, "predict_from_clean", boom)
r = client.post("/predict/by-id/1")
assert r.status_code == 500, r.text
# Test de l’endpoint de readiness :
# il doit renvoyer 503 si la table clean.ml_features_employees est absente
def test_ready_returns_503_when_clean_table_missing(client, monkeypatch):
import app.api as api
# Faux service indiquant que le modèle est chargé
class FakeService:
model = object()
# Faux accès base de données simulant l’absence de la table clean
class FakeDB:
def execute(self, stmt, *_a, **_kw):
s = str(stmt)
if "FROM clean.ml_features_employees" in s:
raise Exception("relation does not exist")
return True
def fake_get_service():
return FakeService()
def fake_get_db():
yield FakeDB()
# Override des dépendances FastAPI pour le test
api.app.dependency_overrides[api.get_service] = fake_get_service
api.app.dependency_overrides[api.get_db] = fake_get_db
try:
r = client.get("/ready")
assert r.status_code == 503, r.text
assert "Clean table not ready" in r.text
finally:
# Nettoyage des overrides pour ne pas impacter les autres tests
api.app.dependency_overrides.clear()
|