TurfRace

!CI

Analyse et prédiction des courses hippiques (collecte multi-sources, stats, modèles ML, API FastAPI).

Installation rapide

Prérequis:

• Python 3.9 via conda

• Windows PowerShell (recommandé)

Étapes:

conda create -n turfrace python=3.9 -y
conda activate turfrace

pip install -r requirements.txt

Règles CLI:

• Pas de && ni de |

• Exécuter les commandes une par une, sur des lignes séparées

Lancer l'API

Initialiser la base (SQLite) et lancer le serveur:

python -c "from src.db.initdb import initdb; initdb()"
uvicorn src.api.main:app --reload --host 0.0.0.0 --port 8000

Documentation interactive:

http://localhost:8000/docs

Endpoints utiles:

• GET /api/v1/races?date=YYYY-MM-DD&track=...&bettype=quinte|quarte|tierce&page=1&pagesize=20&sortby=date&sortdir=desc

• GET /api/v1/races/{raceid}

• GET /api/v1/races/{raceid}/horses

• GET /api/v1/statistics?startdate=YYYY-MM-DD&enddate=YYYY-MM-DD&track=...&bettype=...

python -c "from src.ingestion.pipeline import IngestionPipeline; print('rows:', IngestionPipeline().run(date='2024-01-15'))"

Script d'ingestion quotidienne (Windows): scripts/dailyingestion.ps1

• Doc: docs/INGESTIONJOURNALIEREWINDOWS.md

Tests

Toujours dans l'environnement conda turfrace:

conda activate turfrace
pytest -q

Architecture

src/
api/              # FastAPI (routes races, predictions, statistics)
config/           # settings.py (DATABASEURL, etc.)

datacollectors/  # Adapters stubs PMU/Geny/Equidia + agrégateur
dataprocessors/  # Nettoyage, features, ETL

db/               # SQLAlchemy models + session + initdb
ingestion/        # pipeline.py (ingestion multi-sources -> SQLite)
models/           # ML (features, entraînement)
utils/            # HTTP (retries, throttling)

Données:

data/
raw/ processed/ models/
turfrace.db  # créé automatiquement

Modèles et ML (aperçu)

• Features de base: cotes (log, rank), encodages jockey/entraîneur

• Modèles disponibles: RandomForest (par défaut), XGBoost (optionnel selon OS)

• Sauvegarde/chargement via joblib

Docker (RPi 2B+)

• Images basées sur Python 3.9 pour compatibilité ARMv7

• Voir Dockerfile.api (allégé) et docker-compose.portainer.yml

Roadmap

Voir docs/ROADMAP.md pour la todo et les étapes à venir (stats avancées, scraping réel PMU/Geny/Equidia, ingestion quotidienne, pipeline ML, CI, etc.).

Notes

• En cas d'erreur de tests, vérifier d'abord que l'environnement conda turfrace est bien activé

• Respect des sites: User-Agent, throttling, robots.txt (déjà gérés dans src/utils/http.py)

Configuration

• Copier env.example en .env si besoin de variables custom

• Paramètres par défaut dans src/config/settings.py (ex: chemin SQLite)

• Base SQLite créée automatiquement dans data/turfrace.db

Démarrage rapide avec Docker

Option API seule:

docker build -f Dockerfile.api -t turfrace-api .
docker run -p 8000:8000 turfrace-api

Avec docker-compose:

docker compose up

Doc API:

http://localhost:8000/docs