如何基于Django Rest API将prediction函数封装为返回JSON格式结果的API服务？

别担心，我一步步帮你把这个prediction函数改成可用的API服务，其实很简单的！

第一步：修正预测逻辑并封装成API视图 #

先梳理你现有代码里的几个小问题：

• Liquidity.objects.get_or_create()返回的是元组（创建的对象+是否新创建的布尔值），直接赋值会报错，得拆包处理
• 普通函数不能直接返回字典，Django REST要求返回Response对象
• 函数需要从请求体中获取features_list，而不是直接作为参数传入

修改后的视图代码如下：

# views.py
from rest_framework.decorators import api_view
from rest_framework.response import Response
from rest_framework import status
import numpy as np
import pickle
import config
from .models import Liquidity
from .serializer import LiquiditySerializer

@api_view(['POST'])
def prediction_api(request):
    # 从POST请求的JSON body中提取特征列表
    features_list = request.data.get('features_list')
    if not features_list or not isinstance(features_list, list):
        return Response(
            {'error': '请提供有效的features_list数组'},
            status=status.HTTP_400_BAD_REQUEST
        )
    
    try:
        # 加载预训练模型与缩放器
        classifier = pickle.load(open(config.FINAL_MODEL_PATH, 'rb'))
        scaler = pickle.load(open(config.SCALER_PATH, 'rb'))
        
        # 特征预处理与预测
        sample = np.array(features_list).reshape(1, -1)
        sample_scaled = scaler.transform(sample)
        pred_y = classifier.predict(sample_scaled)[0]
        prob_y = classifier.predict_proba(sample_scaled)
        
        # 计算score值
        if prob_y[0][1] < 0.5:
            score = 0
        elif prob_y[0][1] <= 0.69:
            score = 1
        else:
            score = 2
        
        # 保存结果到数据库
        prediction_obj, created = Liquidity.objects.get_or_create(
            pred_y=pred_y,
            score=score
        )
        
        # 用序列化器格式化返回结果
        serializer = LiquiditySerializer(prediction_obj)
        return Response(serializer.data, status=status.HTTP_200_OK)
    
    except Exception as e:
        return Response(
            {'error': f'预测过程出错：{str(e)}'},
            status=status.HTTP_500_INTERNAL_SERVER_ERROR
        )

第二步：配置API路由 #

在你的app的urls.py里添加这个新API的路由：

# urls.py
from django.urls import path
from .views import PredictionSet, prediction_api

urlpatterns = [
    # 保留你原来的ModelViewSet路由（用于管理Liquidity记录）
    path('predictions/', PredictionSet.as_view({'get': 'list', 'post': 'create'}), name='prediction-set'),
    # 新增的预测API路由
    path('predict/', prediction_api, name='predict-api'),
]

第三步：测试你的API #

现在你可以用Postman、curl或者前端请求来测试：

• 请求方法：POST
• 请求地址：http://你的域名/predict/
• 请求Body（JSON格式）：

{
    "features_list": [1.2, 3.5, 5.1, 2.8]  // 替换成你的实际特征数值
}

为什么不用ModelViewSet？ #

你的PredictionSet是用来对Liquidity模型做增删改查（比如获取所有历史预测记录），但你需要的是接收特征并实时返回预测结果的业务逻辑，用@api_view装饰器更灵活，也更贴合你的需求。

额外优化建议 #

• 把模型和缩放器缓存起来（比如用全局变量或Django缓存框架），避免每次请求都重新加载，提升性能
• 对features_list的数值类型做校验，确保传入的都是有效数字
• 可以把预测逻辑封装成单独的工具类，让视图代码更简洁

内容的提问来源于stack exchange，提问作者edche