前文谈到了如何把一个R语言的挖掘模型进行在线部署，也就是生成一个API。本文则是同样的思路，只不过是来尝试将python的数据挖掘模型部署成一个API。由于python是通用型的编程语言，部署起来方便一些。下面的例子仍是一个简单的模型，用来预测iris种类。在mac系统中完成，使用了python的几个包：
flask 一个轻量级的web框架
flask.ext.restful 快速生成restful api
numpy 数值计算包
pickle 用来保存模型
sklearn 用来建模
只需要四个步骤：
步骤1：建立模型
步骤2：模型写入pickle文件
步骤3：构建一个基于flask的API
步骤4：通过API调用模型
第一步是用sklearn建模。
from sklearn.tree import DecisionTreeClassifier
import pandas as pd
from pickle import dump
df = pd.read_csv('iris.csv')
X = df.ix[:,:4].values
y = df.ix[:,4].values
model = DecisionTreeClassifier()
model.fit(X,y)
第二步是将模型写入到pickle文件中
dump(model, open('model.pickle','wb'))
第三步是构建一个API，写一个server.py文件
from flask import Flask, request
from flask.ext.restful import Resource, Api
import pandas as pd
from pickle import load
app = Flask(__name__)
api = Api(app)
model = load(open('model.pickle','rb'))
class Model(Resource):
def post(self):
res = pd.DataFrame(request.json,index=[0]) # df
res = model.predict(res) # array
res = res.tolist()[0] # str
res = {'Species':res} # dict
return res
api.add_resource(Model, '/
')
if __name__ == '__main__':
app.run(debug=True)
保存好py文件后启用它。
python server.py
API会在如下地址监听
Running on http://127.0.0.1:5000/
第四步是调用这个API。另开一个终端，输入
curl -H "Content-type: application/json" -X POST http://127.0.0.1:5000/ -d '{"Sepal_Length":4.9,"Sepal_Width":3,"Petal_Length":1.4,"Petal_Width":0.2}'
成功返回
{
"Species": "virginica"
}
也可以在python中实验。
from requests import post
import json
url = 'http://127.0.0.1:5000'
data = '{"Sepal_Width": 3, "Petal_Width": 0.2, "Sepal_Length": 4.9, "Petal_Length": 1.4}'
headers = {'content-type':'application/json'}
post(url, data=json.dumps(data), headers=headers).json()
上面的代码是用了flask的一个扩展库，如果直接用原生的flask也可以写
from flask import Flask, request, jsonify
import numpy as np
import pandas as pd
from pickle import load
app = Flask(__name__)
model = load(open('model.pickle','rb'))
from flask import Flask, request,json
app = Flask(__name__)
@app.route('/model', methods = ['POST'])
def api_message():
if request.headers['Content-Type'] == 'application/json':
res = pd.DataFrame(request.json,index=[0]) # df
res = model.predict(res) # array
res = res.tolist()[0] # str
res = {'Species':res} # dict
return jsonify(res)
else:
return "415 Unsupported Media Type ;)"
if __name__ == '__main__':
app.run(debug=True)
最后在shell中执行curl测试，那么将是输入json，输出json了
curl -H "Content-type: application/json" -X POST http://127.0.0.1:5000/model -d '{"Sepal_Length":4.9,"Sepal_Width":3,"Petal_Length":1.4,"Petal_Width":0.2}'
