Update app.py

app.py

@@ -1,7 +1,80 @@
-from fastapi import FastAPI
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+import numpy as np
+import pandas as pd
+import tensorflow as tf
+from sklearn.preprocessing import StandardScaler, OneHotEncoder
+from sklearn.compose import ColumnTransformer
 
 app = FastAPI()
 
+# Cargar el modelo preentrenado desde el archivo .h5
+model = tf.keras.models.load_model('Model.h5')
+
+# Cargar el conjunto de datos para ajuste del preprocesador
+file_path = 'heart.csv'
+df = pd.read_csv(file_path)
+
+# Identificar columnas numéricas y categóricas
+num_features = ['Age', 'RestingBP', 'Cholesterol', 'MaxHR', 'Oldpeak']
+cat_features = ['Sex', 'ChestPainType', 'FastingBS', 'RestingECG', 'ExerciseAngina', 'ST_Slope']
+
+# Preprocesamiento: Escalar características numéricas y codificar características categóricas
+preprocessor = ColumnTransformer(
+    transformers=[
+        ('num', StandardScaler(), num_features),
+        ('cat', OneHotEncoder(handle_unknown='ignore'), cat_features)
+    ])
+
+# Ajustar el preprocesador al conjunto de datos
+X = df.drop('HeartDisease', axis=1)
+preprocessor.fit(X)
+
+class HeartDiseaseInput(BaseModel):
+    age: float
+    sex: str
+    chest_pain_type: str
+    resting_bp: float
+    cholesterol: float
+    fasting_bs: int
+    resting_ecg: str
+    max_hr: float
+    exercise_angina: str
+    oldpeak: float
+    st_slope: str
+
 @app.get("/")
-def greet_json():
-    return {"Hello": "World!"}
+def read_root():
+    return {"Hello": "World!"}
+
+@app.post("/predict")
+def predict(input: HeartDiseaseInput):
+    try:
+        # Crear un DataFrame con los datos de entrada
+        input_data = pd.DataFrame({
+            'Age': [input.age],
+            'Sex': [input.sex],
+            'ChestPainType': [input.chest_pain_type],
+            'RestingBP': [input.resting_bp],
+            'Cholesterol': [input.cholesterol],
+            'FastingBS': [input.fasting_bs],
+            'RestingECG': [input.resting_ecg],
+            'MaxHR': [input.max_hr],
+            'ExerciseAngina': [input.exercise_angina],
+            'Oldpeak': [input.oldpeak],
+            'ST_Slope': [input.st_slope]
+        })
+
+        # Aplicar preprocesamiento
+        input_data_preprocessed = preprocessor.transform(input_data)
+
+        # Realizar la predicción
+        prediction_prob = model.predict(input_data_preprocessed)
+        predicted_class = (prediction_prob > 0.3).astype(int)
+
+        # Interpretar la predicción
+        result = "Tiene enfermedad cardíaca." if predicted_class == 1 else "No tiene enfermedad cardíaca."
+
+        return {"prediction": result, "probability": prediction_prob[0][0]}
+    except Exception as e:
+        raise HTTPException(status_code=400, detail=str(e))