# -*- coding: utf-8 -*-

import pandas as pd
from pycaret.regression import load_model, predict_model
from fastapi import FastAPI
from pydantic import BaseModel, create_model
import uvicorn


app = FastAPI(
    title="API de Prédiction de la Consommation de Gaz Naturel",
    description="Cette API permet de prédire la consommation de gaz naturel basée sur plusieurs paramètres tels que l'état, le code de l'état, l'année, les prix de l'énergie, les degrés-jours de chauffage et le revenu.",
    version="1.0.0",
    docs_url="/docs"
)


model = load_model("best_pipeline")


class InputModel(BaseModel):
    state: str
    statecode: int
    year: int
    price: float
    eprice: float
    oprice: float
    lprice: float
    heating: int
    income: float

class OutputModel(BaseModel):
    prediction: float


@app.post("/predict", response_model=OutputModel, summary="Prédire la Consommation de Gaz Naturel", description="Prédit la consommation de gaz naturel basée sur les paramètres fournis.")
def predict(data: InputModel):
    """
    #Paramètres d'entrée :
    - *state* : État (par exemple, 'TX' pour Texas)
    - *statecode* : Code de l'état (par exemple, 44)
    - *year* : Année (par exemple, 1980)
    - *price* : Prix du gaz naturel
    - *eprice* : Prix ajusté de l'énergie
    - *oprice* : Prix de l'énergie autre que le gaz naturel
    - *lprice* : Prix du gaz naturel en dollars constants
    - *heating* : Degrés-jours de chauffage
    - *income* : Revenu moyen

    #Sortie :
    - *prediction* : Prédiction de la consommation de gaz naturel
    """
    data = pd.DataFrame([data.dict()])
    predictions = predict_model(model, data=data)
    return {"prediction": predictions["prediction_label"].iloc[0]}