FastAPI部署信用卡流失预测模型遇TypeError错误求助

错误核心原因 #

这个报错的本质是代码中误将BaseModel类对象（而非实例）、或错误的类型对象当成数值传入了float()转换操作，常见触发场景包括：

• 模型加载错误：引用了模型类而非joblib加载的模型实例
• Pydantic BaseModel字段定义错误：字段类型设为类对象而非float/int等数值类型
• 预处理逻辑错误：操作了BaseModel类本身而非请求传入的实例数据

针对性修复步骤 #

1. 修正模型加载代码 #

确保加载的是joblib保存的模型实例，而非模型类：

# 错误示例：直接引用模型类
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier  # 未加载保存的模型文件

# 正确示例：加载joblib模型实例
import joblib
model = joblib.load("churn_prediction_model.joblib")  # 替换为你的模型文件路径

2. 修正BaseModel字段定义 #

保证输入字段类型为正确的数值类型，避免误写为类对象：

from pydantic import BaseModel

# 错误示例：字段类型错误设为类对象
class ChurnInput(BaseModel):
    tenure: SomeModelClass  # 此处应改为数值类型

# 正确示例：明确字段为数值类型
class ChurnInput(BaseModel):
    tenure: float
    monthly_charges: float
    total_charges: float
    # 其他特征按实际需求定义为int/float类型

3. 修正预处理与预测逻辑 #

确保预处理函数操作的是BaseModel实例的字段值，而非类对象：

from fastapi import FastAPI

app = FastAPI()

def preprocess(input_data: ChurnInput):
    # 提取实例中的数值字段，生成模型所需的特征数组
    features = [
        input_data.tenure,
        input_data.monthly_charges,
        input_data.total_charges
        # 按顺序添加其他特征字段
    ]
    return [features]  # 转为模型要求的二维数组格式

@app.post("/predict_churn")
def predict(input_data: ChurnInput):
    processed_features = preprocess(input_data)
    prediction = model.predict(processed_features)
    return {"is_churn": bool(prediction[0])}

4. 验证Swagger UI输入格式 #

在/docs路径的Swagger UI测试时，输入符合字段类型的数值，示例：

{
  "tenure": 18.0,
  "monthly_charges": 65.5,
  "total_charges": 1179.0
}

报错栈快速排查 #

如果报错栈指向某一行的float()转换，直接定位该行：

• 检查传入float()的变量是否为BaseModel实例的字段值，而非类对象
• 确认模型预测时传入的是预处理后的数值数组，而非未处理的BaseModel类

内容的提问来源于stack exchange，提问作者Richard Kadey