added arguments to api response

ml/src/api/main.py

@@ -94,6 +94,7 @@ class OutputData(pydantic.BaseModel):
     FallShapValues: dict
     ClusterId: int
     ClusterValues: List
+    Arguments: List
 
 @app.get('/')
 def index():
@@ -173,6 +174,7 @@ def predict(incoming_data: InputData):
         raise HTTPException(status_code=400, detail="Ats not found, check ats list")
     
     df = prepare_data(data)
+    arguments = generate_arguments(df)
     
     complete_model = read_joblib(f'complete_xgboost.joblib')
     compliance_model = read_joblib(f'compliance_xgboost.joblib')
@@ -205,6 +207,7 @@ def predict(incoming_data: InputData):
         'FallShapValues': fall_shap_values,
         'ClusterId': int(df.iloc[0]['Cluster']),
         'ClusterValues': cluster_values,
+        'Arguments': arguments
     }
     
 def add_embeddings(df: pd.DataFrame, case: str) -> pd.DataFrame:
@@ -215,6 +218,14 @@ def add_embeddings(df: pd.DataFrame, case: str) -> pd.DataFrame:
         df[column] = pd.to_numeric(df[column])
     return df
 
+def generate_arguments(df: pd.DataFrame):
+    gender = 'kvinde' if df.iloc[0].Gender_Male == 0 else 'mand'
+    arguments = list({f'Personen er en {gender}',
+                     f'Personen er {int(121 - df.iloc[0].BirthYear)} år gammel',
+                     f'Personen har i gennemsnit lånt hjælpemidler i {int(df.iloc[0].LoanPeriod)} dage',
+                     f'Personen har {int(df.iloc[0].NumberAts)} hjælpemidler i hjemmet'})
+    return arguments
+
 def prepare_data(data: dict) -> pd.DataFrame:
     new_data = {k: [v] for k, v in data.items()}
     new_data_df = pd.DataFrame.from_dict(new_data)