我使用 pycaret 作为我的机器学习工作流程，我尝试使用 FastAPI 创建一个 API。这是我的第一次尝试将模型投入生产，所以我对 API 有些困惑

我有10个特征；年龄: float, 居住省份: str, 居住城市: str, 大居住区域: str, 小居住区域: str, 性别: float, 婚姻状况: float, 银行: str, 薪水: float, 金额: float，还有一个标签包含二进制值（0和1）。

这是我构建 API 的脚本

from pydantic import BaseModelimport numpy as npfrom pycaret.classification import *import uvicornfrom fastapi import FastAPIapp = FastAPI()model = load_model('catboost_cm_creditable')class Data(BaseModel):    age: float    live_province: str    live_city: str    live_area_big: str    live_area_small: str    sex: float    marital: float    bank: str    salary: float    amount: floatinput_dict = Data@app.post("/predict")def predict(model, input_dict):    predictions_df = predict_model(estimator=model, data=input_dict)    predictions = predictions_df['Score'][0]    return predictions

当我尝试运行 uvicorn script:app 并查看文档时，我找不到我的特征参数，参数只显示了 model 和 input_dict

如何将我的特征添加到 API 的参数中？

回答：

你需要为你的 Pydantic 模型添加类型提示，使其与 FastAPI 兼容

想象一下，你真正在使用标准 Python，当你需要记录那个函数时，

def some_function(price: int) ->int:    return price

使用 Pydantic 与上面的例子没有任何不同

你的 class Data 实际上是一个来自 Pydantic 的超级强大的 Python @dataclass

from fastapi import Dependsclass Data(BaseModel):    age: float    live_province: str    live_city: str    live_area_big: str    live_area_small: str    sex: float    marital: float    bank: str    salary: float    amount: float@app.post("/predict")def predict(data: Data = Depends()):    predictions_df = predict_model(estimator=model, data=data)    predictions = predictions_df["Score"][0]    return predictions

有一个小技巧，使用 Depends，你将得到类似于单独定义每个字段的单一查询。

使用 Depends

不使用 Depends