# api.py
# API 엔드포인트의 실제 로직을 정의합니다.

from fastapi import APIRouter, HTTPException
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
import numpy as np
from . import schemas # 현재 패키지(디렉터리)의 schemas 모듈을 임포트

# --- 모델 준비 ---
# 실제 프로덕션 환경에서는 미리 학습되고 저장된 모델 파일(e.g., .joblib, .pkl)을 로드해야 합니다.
# 여기서는 실습 편의를 위해 서버 시작 시 간단한 모델을 학습시켜 메모리에 올립니다.
iris = load_iris()
X = iris.data
y = iris.target

# 간단한 결정 트리 모델 훈련
model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X, y)
model_info = {
    "name": "Iris Species Predictor",
    "version": "1.0",
    "description": "A simple Decision Tree classifier for Iris species."
}
print(f"'{model_info['name']}' 모델이 준비되었습니다.")

# --- API 라우터 설정 ---
# APIRouter를 사용하면 엔드포인트를 모듈화하여 관리할 수 있습니다.
router = APIRouter()

@router.get("/model", response_model=schemas.ModelInfo)
async def get_model_info():
    """로드된 머신러닝 모델의 정보를 반환합니다."""
    return model_info

@router.post("/predict", response_model=schemas.IrisPrediction)
async def predict_species(iris_input: schemas.IrisInput):
    """
    붓꽃의 특성(sepal/petal length/width)을 입력받아 품종을 예측합니다.
    
    - **입력**: 붓꽃의 4가지 특성 (JSON)
    - **출력**: 예측된 품종 이름과 클래스 번호 (JSON)
    """
    try:
        # Pydantic 모델에서 받은 입력을 numpy 배열로 변환
        input_data = np.array([[
            iris_input.sepal_length,
            iris_input.sepal_width,
            iris_input.petal_length,
            iris_input.petal_width
        ]])

        # 모델 예측
        prediction_value = model.predict(input_data)
        predicted_class_index = int(prediction_value[0])
        
        # 예측된 클래스 인덱스에 해당하는 품종 이름 찾기
        predicted_species_name = iris.target_names[predicted_class_index]
        
        return schemas.IrisPrediction(
            species_name=predicted_species_name,
            prediction=predicted_class_index
        )
    except Exception as e:
        # 예외 발생 시, 서버 에러(500)와 함께 상세 내용을 반환
        raise HTTPException(status_code=500, detail=str(e))