Spaces:
Sleeping
Sleeping
File size: 4,077 Bytes
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 | """
Ce module contient les fonctions de service pour la prédiction de rendement et la recommandation de cultures.
- predict_yield: Prédit la production de la culture en fonction des données d'entrée.
- recommend: Recommande les meilleures cultures à planter en fonction des conditions d'entrée.
"""
from src.recommendations.recommender import recommend_best_crop
import pandas as pd
import numpy as np
def predict_yield(model, input_data: dict, crops_by_area: dict):
"""
Prédit le rendement d'une culture en fonction des données d'entrée.
Si la zone ou la culture spécifiée dans les données d'entrée n'est pas présente dans crops_by_area, une exception ValueError est levée avec un message d'erreur approprié.
args:
- model: Le modèle de prédiction pré-entraîné.
- input_data: Un dictionnaire contenant les données d'entrée pour la prédiction.
- crops_by_area: Un dictionnaire contenant les cultures disponibles par zone.
returns:
- float: La prédiction du rendement de la culture.
"""
# =========================
# Validation métier
# =========================
area = input_data.get("area")
crop = input_data.get("item")
if area is None:
raise ValueError("Le champ 'area' est requis")
if crop is None:
raise ValueError("Le champ 'item' est requis")
all_areas = {
area_
for areas in crops_by_area.values()
for area_ in areas
}
if area not in all_areas:
raise ValueError(f"Pays inconnu ou non présent dans les données : {area}")
if crop not in crops_by_area:
raise ValueError(f"Culture inconnue : {crop}")
if area not in crops_by_area[crop]:
raise ValueError(
f"La culture '{crop}' n'est pas observée dans le pays '{area}'"
)
# =========================
# Préparation des données
# =========================
df = pd.DataFrame([input_data])
df["temp_rainfall"] = df["temp"] * df["rainfall_mm"]
df["temp_pesticides"] = df["temp"] * df["pesticides"]
df["rainfall_pesticides"] = df["rainfall_mm"] * df["pesticides"]
# =========================
# Prédiction
# =========================
pred_log = model.predict(df)[0]
pred_real = float(np.expm1(pred_log))
return pred_real
def recommend(model, input_data, crops_by_area):
"""
Recommande les meilleures cultures à planter en fonction des conditions d'entrée.
Si la zone spécifiée dans les données d'entrée n'est pas présente dans crops_by_area, une exception ValueError est levée avec un message d'erreur approprié.
args:
- model: Le modèle de recommandation pré-entraîné
- input_data: Un dictionnaire contenant les données d'entrée pour la recommandation
- crops_by_area: Un dictionnaire contenant les cultures disponibles par zone
returns:
- tuple: Un tuple contenant le meilleur choix de culture et le classement des cultures
"""
if input_data["area"] not in {
area for areas in crops_by_area.values() for area in areas
}:
raise ValueError(f"Pays inconnu ou non présent dans les données : {input_data['area']}")
best_crop, ranking_df = recommend_best_crop(
model=model,
input_conditions=input_data,
crops_by_area=crops_by_area,
top_k=5
)
# Conversion en types Python natifs pour FastAPI / JSON
best_crop_dict = {
key: (
float(value) if isinstance(value, (np.float32, np.float64)) else
int(value) if isinstance(value, (np.int32, np.int64)) else
value
)
for key, value in best_crop.to_dict().items()
}
ranking = ranking_df.to_dict(orient="records")
for row in ranking:
for key, value in row.items():
if isinstance(value, (np.float32, np.float64)):
row[key] = float(value)
elif isinstance(value, (np.int32, np.int64)):
row[key] = int(value)
return best_crop_dict, ranking
|