-
Notifications
You must be signed in to change notification settings - Fork 1
/
app.py
95 lines (68 loc) · 3.08 KB
/
app.py
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
import json
import numpy as np
import pandas as pd
import pandera as pa
from flask import Flask, request, jsonify
from data_validation import parameter_schema, CourseContentData, StudentProfileData
from marshmallow.exceptions import ValidationError
app = Flask(__name__)
@app.route("/", methods=['GET'])
def hello_world():
return "<p>Hello, World!</p>"
@app.route("/random-recommendation", methods=['GET'])
def generate_reco():
"""
Route d'API de recommandation aléatoire de contenu pédagogique pour étudiants.
La route d'API prend 2 paramètres :
- student_id : entier identifiant l'étudiant, obligatoire
- keyword : mot clé désignant le centre d'intérêt pour lequel
l'étudiant veut une recommandation, facultatif.
Returns
-------
Dataframe converti en JSON correspondant au contenu recommandé.
"""
# 1. Récupérer les paramètres de la requête d'API et les valider
# avec parameter_schema (avec la librairie Marshmallow)
student_id = request.args.get('student_id')
keyword = request.args.get('keyword')
try:
parameter_schema.load({'student_id': student_id, 'keyword': keyword})
except ValidationError as e:
return e.messages, 400
# 2. Récupérer les données des étudiants et des cours à partir
# des CSV & valider ces données (avec la librairie Pandera)
try:
student_data = pd.read_csv('student_data.csv')
course_data = pd.read_csv('courses_data.csv')
StudentProfileData.validate(student_data)
CourseContentData.validate(course_data)
except pa.errors.SchemaErrors as e:
return e, 400
# 3. Implémenter la logique de recommandation (tirage aléatoire basé sur
# sur le mot-clé ou le centre d'intérêt)
if keyword is None:
keyword = student_data[student_data['student_id'] == int(student_id)]['area_of_interest'].values[0]
# 4. Renvoyer (au format JSON) la ligne du dataframe de contenus
# correspondant au contenu recommandé trouvé ci-dessus.
reco = course_data[course_data['keyword'] == keyword].sample(1)
return reco.to_json(orient='records')
# Le code ci-dessous permet à Flask de rattraper une exception de type ValidationError
# levée par Marshmallow et de renvoyer en sortie d'API le message d'erreur
# correspondant avec un code HTTP 400.
@app.errorhandler(ValidationError)
def error_handling(error):
return error.messages, 400
# Même principe pour les 2 ci-dessous avec les erreurs de pandera.
@app.errorhandler(pa.errors.SchemaErrors)
def handle_pandera_validation_error(error):
message = f"Invalid data received from DB: {error}"
return message, 400
@app.errorhandler(pa.errors.SchemaErrors)
def handle_multiple_pandera_validation_error(error):
message = f"Invalid data received from DB: {error}"
return message, 400
# spécifier le port (par défaut, Flask est sur le 5000) :
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000, debug=True)
# et faire tourner l'app avec python app.py et non flask run
# autre méthode pour spécifier le port : flask run --host=0.0.0.0 --port=80