File size: 6,974 Bytes
1372d99
 
 
 
 
 
 
 
 
42dfbed
 
 
 
 
 
1372d99
 
 
 
 
42dfbed
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
"""
Ce module contient les fonctions de calcul du PSI (Population Stability Index) pour les variables d'entrée utilisées dans le modèle de prédiction de rendement agricole.
Il inclut :
- get_input_drift_summary() : Calcule un résumé des statistiques descriptives pour les variables d'entrée à partir des données de production.
- get_numeric_psi() : Calcule le PSI pour les variables d'entrée numériques en comparant la distribution de référence d'entraînement avec la distribution des données reçues en production.
- get_distribution_comparison(feature_name) : Compare la distribution d'une variable d'entrée spécifique entre
la référence d'entraînement et les données reçues en production, et retourne les valeurs pour les deux distributions.
"""

import math
from src.api.monitoring.db import get_connection



def get_input_drift_summary():
    """Calcule un résumé des statistiques descriptives pour les variables d'entrée
    à partir des données de production.
    Returns:
        dict: Un dictionnaire contenant les statistiques descriptives pour chaque variable d'entrée.
    """
    query = """
    SELECT
        input_json
    FROM api_requests
    WHERE input_json IS NOT NULL;
    """

    with get_connection() as conn:
        with conn.cursor() as cursor:
            cursor.execute(query)
            rows = cursor.fetchall()

    inputs = [row[0] for row in rows]

    numeric_fields = ["temp", "rainfall_mm", "pesticides", "trend"]

    summary = {}

    for field in numeric_fields:
        values = [
            float(input_data[field])
            for input_data in inputs
            if field in input_data and input_data[field] is not None
        ]

        if values:
            summary[field] = {
                "count": len(values),
                "mean": round(sum(values) / len(values), 2),
                "min": round(min(values), 2),
                "max": round(max(values), 2),
            }
        else:
            summary[field] = {
                "count": 0,
                "mean": None,
                "min": None,
                "max": None,
            }

    return summary

import math

def _calculate_psi(reference_values, production_values, bins=10):
    """
    Calcule le PSI entre une distribution de référence
    et une distribution de production.
    """

    if not reference_values or not production_values:
        return None

    min_value = min(reference_values)
    max_value = max(reference_values)

    if min_value == max_value:
        return 0

    bin_width = (max_value - min_value) / bins

    psi = 0

    for i in range(bins):
        lower = min_value + i * bin_width
        upper = min_value + (i + 1) * bin_width

        if i == bins - 1:
            ref_count = sum(lower <= value <= upper for value in reference_values)
            prod_count = sum(lower <= value <= upper for value in production_values)
        else:
            ref_count = sum(lower <= value < upper for value in reference_values)
            prod_count = sum(lower <= value < upper for value in production_values)

        ref_pct = ref_count / len(reference_values)
        prod_pct = prod_count / len(production_values)

        ref_pct = max(ref_pct, 0.0001)
        prod_pct = max(prod_pct, 0.0001)

        psi += (prod_pct - ref_pct) * math.log(prod_pct / ref_pct)

    return round(psi, 4)


def _get_psi_status(psi):
    if psi is None:
        return "Données insuffisantes"

    if psi < 0.1:
        return "Stable"

    if psi < 0.2:
        return "Légère dérive"

    return "Drift important"


def get_numeric_psi():
    features = ["temp", "rainfall_mm", "pesticides", "trend"]

    results = []

    with get_connection() as conn:
        with conn.cursor() as cursor:

            for feature in features:
                cursor.execute(
                    """
                    SELECT feature_value
                    FROM reference_distributions
                    WHERE feature_name = %s
                      AND source = 'train';
                    """,
                    (feature,)
                )

                reference_values = [
                    float(row[0])
                    for row in cursor.fetchall()
                    if row[0] is not None
                ]

                cursor.execute(
                    """
                    SELECT input_json
                    FROM api_requests
                    WHERE input_json IS NOT NULL;
                    """
                )

                production_inputs = cursor.fetchall()

                production_values = []

                for row in production_inputs:
                    input_data = row[0]

                    if feature in input_data and input_data[feature] is not None:
                        production_values.append(float(input_data[feature]))

                psi = _calculate_psi(reference_values, production_values)

                results.append(
                    {
                        "feature": feature,
                        "psi": psi,
                        "status": _get_psi_status(psi),
                        "reference_count": len(reference_values),
                        "production_count": len(production_values),
                    }
                )

    return results

def get_distribution_comparison(feature_name):
    """
    Compare la distribution d'une variable entre :
    - la référence d'entraînement
    - les données reçues en production
    """

    allowed_features = [
        "temp",
        "rainfall_mm",
        "pesticides",
        "trend",
    ]

    if feature_name not in allowed_features:
        raise ValueError(
            f"Variable non autorisée : {feature_name}"
        )

    with get_connection() as conn:
        with conn.cursor() as cursor:

            cursor.execute(
                """
                SELECT feature_value
                FROM reference_distributions
                WHERE feature_name = %s
                  AND source = 'train';
                """,
                (feature_name,)
            )

            reference_values = [
                float(row[0])
                for row in cursor.fetchall()
                if row[0] is not None
            ]

            cursor.execute(
                """
                SELECT input_json
                FROM api_requests
                WHERE input_json IS NOT NULL;
                """
            )

            production_inputs = cursor.fetchall()

    production_values = []

    for row in production_inputs:
        input_data = row[0]

        if (
            feature_name in input_data
            and input_data[feature_name] is not None
        ):
            production_values.append(
                float(input_data[feature_name])
            )

    return {
        "feature": feature_name,
        "reference": reference_values,
        "production": production_values,
    }