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()