import pickle
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import List
import numpy as np

# Cargar el modelo desde el archivo .pkl usando joblib
import joblib

# Define la estructura de entrada esperada para FastAPI
class InputData(BaseModel):
    Gender: int
    Age: float
    PlayTimeHours: float
    InGamePurchases: int
    SessionsPerWeek: int
    AvgSessionDurationMinutes: int
    PlayerLevel: int
    AchievementsUnlocked: int

# Iniciar la aplicación FastAPI
app = FastAPI()

# Función para cargar el modelo guardado con joblib
def load_model():
    with open('miarbol.pkl', 'rb') as f:
        model = pickle.load(f)
    return model

# Cargar el modelo al iniciar la aplicación
miarbol = load_model()

# Ruta de predicción
@app.post("/predict/")
async def predict(data: InputData):
    try:
        # Convertir los datos de entrada en un array de NumPy para la predicción
        X_input = np.array([[data.Gender, data.Age, data.PlayTimeHours, data.InGamePurchases,
                             data.SessionsPerWeek, data.AvgSessionDurationMinutes,
                             data.PlayerLevel, data.AchievementsUnlocked]])

        # Realizar la predicción utilizando el modelo cargado
        prediction = miarbol.predict(X_input)

        # Retornar el resultado de la predicción
        return {"prediction": prediction[0]}

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

# Ruta para verificar el estado de la API
@app.get("/status/")
async def status():
    return {"status": "Modelo cargado y API en funcionamiento"}

# Ejemplo de cómo utilizar la API
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)