Spaces:
Sleeping
Sleeping
File size: 53,152 Bytes
a1bf7ac |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 |
import pandas as pd
import gradio as gr
from gradio import components
from gradio import Interface
import numpy as np
import statsmodels
import statsmodels.api as sm
from statsmodels.stats.stattools import jarque_bera
import plotly.express as px
import plotly.graph_objects as go
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn
from sklearn.preprocessing import MinMaxScaler
from sklearn.ensemble import ExtraTreesRegressor
import xlsxwriter
#%matplotlib inline
#--------------------------------------------------FUNÇÕES ASSESSÓRIAS--------------------------------------------------------#
# função para conversão da escala das variáveis:
def aplicar_operacao(df, scv, col_index):
if scv == 'x':
pass
elif scv == 'lnx':
df.iloc[:, col_index] = round(np.log(df.iloc[:, col_index]), 8)
elif scv == '1/x':
df.iloc[:, col_index] = round(1 / df.iloc[:, col_index], 8)
elif scv == 'x²':
df.iloc[:, col_index] = round(df.iloc[:, col_index] ** 2, 8)
elif scv == 'y':
pass
elif scv == 'lny':
df.iloc[:, col_index] = round(np.log(df.iloc[:, col_index]), 8)
elif scv == '1/y':
df.iloc[:, col_index] = round(1 / df.iloc[:, col_index], 8)
elif scv == 'y²':
df.iloc[:, col_index] = round(df.iloc[:, col_index] ** 2, 8)
# função para renomear as colunas com as escalas:
def renomeia_colunas(df_dados, posicao_coluna, scv):
if posicao_coluna < len(df_dados.columns):
old_column_name = df_dados.columns[posicao_coluna]
new_column_name = old_column_name # Inicializa com o mesmo nome da coluna original
if scv == 'x':
pass
elif scv == 'lnx':
new_column_name = 'ln(' + old_column_name + ')'
elif scv == '1/x':
new_column_name = '1/(' + old_column_name + ')'
elif scv == 'x²':
new_column_name = '(' + old_column_name + ')²'
if scv == 'y':
pass
elif scv == 'lny':
new_column_name = 'ln(' + old_column_name + ')'
elif scv == '1/y':
new_column_name = '1/(' + old_column_name + ')'
elif scv == 'y²':
new_column_name = '(' + old_column_name + ')²'
df_dados.rename(columns={old_column_name: new_column_name}, inplace=True)
# função para plotagem dos gráficos de dispersão:
def criar_grafico_dispersao(df, x_column, y_column, hover_name, trendline_color):
# Calculando a correlação entre as variáveis x e y
correlacao = df[x_column].corr(df[y_column])
# Criando o gráfico de dispersão com a linha de tendência
fig = px.scatter(df, x=x_column, y=y_column, hover_name=hover_name, trendline="ols", height=300)
# Definindo a cor de fundo e do papel
fig.update_layout(
plot_bgcolor='rgb(240, 240, 240)',
paper_bgcolor='rgb(240, 240, 240)',
)
# Definindo a cor dos pontos
fig.update_traces(marker=dict(color=trendline_color, size=5))
# Definindo a cor da linha de tendência
fig.update_traces(line=dict(color="black"))
# Adicionando o texto com a correlação na linha de tendência
fig.add_annotation(
x=df[x_column].max(),
y=df[y_column].max(),
text=f"Correlação: {correlacao:.2f}",
showarrow=False,
font=dict(color="black")
)
return fig
#--------------------------------------------FUNÇÃO PRINCIPAL DE GERAÇÃO DE MODELOS--------------------------------------------#
# função para a regressão linear
def gera_model(planilha, v_d, scv_d,
v_1, scv_1, v_2, scv_2,
v_3, scv_3, v_4, scv_4,
v_5, scv_5, v_6, scv_6,
v_7, scv_7, v_8, scv_8,
v_9, scv_9, v_10, scv_10,
v_11, scv_11, v_12, scv_12,
v_13, scv_13, v_14, scv_14,
v_15, scv_15, v_16, scv_16,
out):
# ---------------------------------Planilha------------------------------#
list
# Carregando os dados
df_dados = pd.read_excel(planilha.name)
df_dados = df_dados.round(4)
# Convertendo os cabeçalhos para strings
df_dados.columns = [str(col) for col in df_dados.columns]
df_dados[df_dados.columns[1]] = df_dados[df_dados.columns[1]].astype(float)
df_dados[df_dados.columns[2]] = df_dados[df_dados.columns[2]].astype(float)
df_original = df_dados.copy()
df_avalia = pd.DataFrame()
# Iterar sobre as colunas do DataFrame df_filtrado
df_avalia[df_original.columns[0]] = df_original.iloc[:, 0]
# Iterar sobre os índices das colunas do DataFrame df_original
for i in range(3, len(df_original.columns)):
# Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
if ((i + 1) <= len(df_original.columns)) and \
((i + 1) in [3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18]):
col = df_original.columns[i]
df_avalia[col] = df_original[col]
# ---------------------------Nome das variáveis--------------------------#
# Obtenha os nomes das colunas, excluindo a primeira ou a segunda
if v_d == "Valor total":
nomes_colunas = df_original.drop(columns=[df_original.columns[0], df_original.columns[2]]).columns
else:
nomes_colunas = df_original.drop(columns=[df_original.columns[0], df_original.columns[1]]).columns
# Crie a lista de strings com os cabeçalhos formatados
colunas = [f'Var dependente = {nomes_colunas[0]}'] + [f'Var {i} = {coluna}' for i, coluna in enumerate(nomes_colunas[1:], start=1)]
# Transformando a lista em uma string separada por vírgula
string_colunas = ", ".join(colunas)
#-----------------------------------Escalas------------------------------#
# dados
if v_d == "Valor total":
aplicar_operacao(df_dados, scv_d, 1)
else:
aplicar_operacao(df_dados, scv_d, 2)
aplicar_operacao(df_dados, scv_1, 3)
aplicar_operacao(df_dados, scv_2, 4)
aplicar_operacao(df_dados, scv_3, 5)
aplicar_operacao(df_dados, scv_4, 6)
aplicar_operacao(df_dados, scv_5, 7)
aplicar_operacao(df_dados, scv_6, 8)
aplicar_operacao(df_dados, scv_7, 9)
aplicar_operacao(df_dados, scv_8, 10)
aplicar_operacao(df_dados, scv_9, 11)
aplicar_operacao(df_dados, scv_10, 12)
aplicar_operacao(df_dados, scv_11, 13)
aplicar_operacao(df_dados, scv_12, 14)
aplicar_operacao(df_dados, scv_13, 15)
aplicar_operacao(df_dados, scv_14, 16)
aplicar_operacao(df_dados, scv_15, 17)
aplicar_operacao(df_dados, scv_16, 18)
#----------------------------Renomear colunas----------------------------#
#dados
if v_d == "Valor total":
renomeia_colunas(df_dados, 1, scv_d)
else:
renomeia_colunas(df_dados, 2, scv_d)
renomeia_colunas(df_dados, 3, scv_1)
renomeia_colunas(df_dados, 4, scv_2)
renomeia_colunas(df_dados, 5, scv_3)
renomeia_colunas(df_dados, 6, scv_4)
renomeia_colunas(df_dados, 7, scv_5)
renomeia_colunas(df_dados, 8, scv_6)
renomeia_colunas(df_dados, 9, scv_7)
renomeia_colunas(df_dados, 10, scv_8)
renomeia_colunas(df_dados, 11, scv_9)
renomeia_colunas(df_dados, 12, scv_10)
renomeia_colunas(df_dados, 13, scv_11)
renomeia_colunas(df_dados, 14, scv_12)
renomeia_colunas(df_dados, 15, scv_13)
renomeia_colunas(df_dados, 16, scv_14)
renomeia_colunas(df_dados, 17, scv_15)
renomeia_colunas(df_dados, 18, scv_16)
#----------------Manipulação das linhas (dados / outiliers----------------#
# Convertendo a entrada em uma lista de inteiros
dados_out = [int(num.strip()) for num in out.split(",") if num.strip()]
# Filtrando o DataFrame para obter os outliers
df_outliers = df_dados[df_dados.iloc[:, 0].isin(dados_out)]
# Removendo os outliers do DataFrame original
df_filtrado = df_dados[~df_dados.iloc[:, 0].isin(dados_out)]
# Resetando o índice de ambos os DataFrames
df_filtrado.reset_index(drop=True, inplace=True)
df_outliers.reset_index(drop=True, inplace=True)
# Contagem de linhas no DataFrame resultante
num_outliers = df_outliers.shape[0]
#----------------Manipulação das Colunas (variáveis)-----------------------#
# Variáveis independentes
X = pd.DataFrame()
# Iterar sobre as colunas do DataFrame df_filtrado
for i, col in enumerate(df_filtrado.columns):
# Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
if (i == 3 and v_1) or \
(i == 4 and v_2) or \
(i == 5 and v_3) or \
(i == 6 and v_4) or \
(i == 7 and v_5) or \
(i == 8 and v_6) or \
(i == 9 and v_7) or \
(i == 10 and v_8) or \
(i == 11 and v_9) or \
(i == 12 and v_10) or \
(i == 13 and v_11) or \
(i == 14 and v_12) or \
(i == 15 and v_13) or \
(i == 16 and v_14) or \
(i == 17 and v_15) or \
(i == 18 and v_16):
if i < len(df_filtrado.columns):
X[col] = df_filtrado.iloc[:, i]
#X.to_excel("X.xlsx", index=False) ---> Linha de verificação
#---------------------------Gráficos de dispersão--------------------------#
fig_v1 = None
fig_v2 = None
fig_v3 = None
fig_v4 = None
fig_v5 = None
fig_v6 = None
fig_v7 = None
fig_v8 = None
fig_v9 = None
fig_v10 = None
fig_v11 = None
fig_v12 = None
fig_v13 = None
fig_v14 = None
fig_v15 = None
fig_v16 = None
if v_1:
if v_d == "Valor total":
fig_v1 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[3], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v1 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[3], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_2:
if v_d == "Valor total":
fig_v2 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[4], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v2 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[4], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_3:
if v_d == "Valor total":
fig_v3 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[5], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v3 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[5], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_4:
if v_d == "Valor total":
fig_v4 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[6], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v4 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[6], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_5:
if v_d == "Valor total":
fig_v5 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[7], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v5 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[7], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_6:
if v_d == "Valor total":
fig_v6 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[8], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v6 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[8], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_7:
if v_d == "Valor total":
fig_v7 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[9], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v7 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[9], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_8:
if v_d == "Valor total":
fig_v8 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[10], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v8 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[10], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_9:
if v_d == "Valor total":
fig_v9 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[11], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v9 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[11], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_10:
if v_d == "Valor total":
fig_v10 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[12], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v10 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[12], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_11:
if v_d == "Valor total":
fig_v11 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[13], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v11 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[13], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_12:
if v_d == "Valor total":
fig_v12 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[14], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v12 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[14], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_13:
if v_d == "Valor total":
fig_v13 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[15], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v13 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[15], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_14:
if v_d == "Valor total":
fig_v14 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[16], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v14 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[16], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_15:
if v_d == "Valor total":
fig_v15 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[17], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v15 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[17], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
if v_16:
if v_d == "Valor total":
fig_v16 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[18], df_filtrado.columns[1], df_filtrado.columns[0], "orange")
else:
fig_v16 = criar_grafico_dispersao(df_filtrado, df_filtrado.columns[18], df_filtrado.columns[2], df_filtrado.columns[0], "orange")
#--------------------------Regressão Linerar------------------------------#
# Variável dependente
if v_d == "Valor total":
y = df_filtrado.iloc[:, 1:2]
else:
y = df_filtrado.iloc[:, 2:3]
#y.to_excel("y.xlsx", index=False) ---> Linha de verificação
#---------------------ExtraTreesRegressor--------------------#
scaler_x = MinMaxScaler()
scaler_y = MinMaxScaler()
input_scaler = scaler_x.fit(X)
output_scaler = scaler_y.fit(y)
x_norm = input_scaler.transform(X)
y_norm = output_scaler.transform(np.array(y).reshape(-1, 1))
x_norm = pd.DataFrame(x_norm, columns=X.columns)
new_y = np.ravel(y_norm)
model = ExtraTreesRegressor()
model.fit(x_norm,new_y)
# Criando o gráfico de influência das variáveis
feat_importances = pd.Series(model.feature_importances_, index=X.columns)
#feat_importances.nlargest(16).plot(kind='barh', color = 'orange')
#plt.title('Influência das Variáveis')
#plt.xlabel('Importância')
#plt.ylabel('Variáveis')
#plt.gca().set_facecolor('#f0f0f5')
#plt.tight_layout()
#plt.grid(True)
# Salvar o gráfico como imagem
#plt.savefig('influencia_variaveis.png')
#----------------------------Modelo----------------------------#
# Adicionando uma constante às variáveis independentes (intercepto)
X = sm.add_constant(X)
# Inicializando o modelo de regressão linear
modelo = sm.OLS(y, X)
# Ajustando o modelo aos dados
resultado = modelo.fit()
# Calculando os resíduos do modelo
residuos = resultado.resid
# Calculando Desvio Padrão dos Resíduos
#desvio_padrao_residuos = round(np.std(resultado.resid), 8)
desvio_padrao_residuos = round(np.std(residuos), 8)
# Calculando o erro padronizado
erro_padronizado = round(residuos / desvio_padrao_residuos, 5)
# Calculando Estatística F
estatistica_F = round(resultado.fvalue, 8)
# Obtendo Nível de Significância do Modelo
nivel_significancia = round(resultado.f_pvalue, 8)
# Calculando R²
r_squared = round(resultado.rsquared, 8)
# Calculando R² ajustado
r_squared_adjusted = round(resultado.rsquared_adj, 8)
# Obtendo Número de Observações
num_observacoes = int(round(resultado.nobs, 0))
# Calculando Coeficiente de Correlação
coef_correlacao = round(np.sqrt(r_squared), 8)
# Comparação com a curva normal de resíduos
intervalos = [(-1.00, 1.00), (-1.64, 1.64), (-1.96, 1.96)]
# Inicializando a lista para armazenar os percentuais
percentuais = []
# Contando o número de resíduos dentro de cada intervalo
for intervalo in intervalos:
min_intervalo, max_intervalo = intervalo
count = np.sum((erro_padronizado >= min_intervalo) & (erro_padronizado <= max_intervalo))
percentual = round(count / len(erro_padronizado) * 100, 0)
percentuais.append(f"{percentual:.0f}%")
# Criando a string de saída
perc_resid = ", ".join(percentuais)
# Teste Kolmogorov-Smirnov (KS)
ks_test = sm.stats.diagnostic.kstest_normal(residuos)
ks_test_formatted = tuple(round(val, 4) for val in ks_test)
# Calculando o teste de Jarque-Bera para os resíduos
jarque_bera_test, p_value, skewness, kurtosis = jarque_bera(residuos)
# Formatando os resultados com 4 casas decimais
jarque_bera_test = round(jarque_bera_test, 8)
p_value = round(p_value, 8)
skewness = round(skewness, 8)
kurtosis = round(kurtosis, 8)
# Extrair os coeficientes da regressão
coeficientes = resultado.params
# Calcular a distância de Cook
distancia_cook = resultado.get_influence().cooks_distance[0]
# String com os resultados
resultados_gerais = f"""
Desvio Padrão: {desvio_padrao_residuos}
Estatística F: {estatistica_F}
Nível de Significância do Modelo: {nivel_significancia}
R²: {r_squared}
R² ajustado: {r_squared_adjusted}
Correlação: {coef_correlacao}
Número de observações: {num_observacoes}
Número de dados não utilizados: {num_outliers}
Testes de normalidade:
1) Comparação (curva normal):
Ideal 68% - aceitável de 64% a 75%
Ideal 90% - aceitável de 88% a 95%
Ideal 95% - aceitável de 95% a 100%
Percentuais atingidos: {perc_resid}
2) Teste Kolmogorov-Smirnov (KS)
- Distribuição dos resíduos: {ks_test}
3) Teste de Jarque-Bera:
- Estatística do teste: {jarque_bera_test}
- Valor-p: {p_value}
- Assimetria (Skewness): {skewness}
- Curtose (Kurtosis): {kurtosis}
"""
# Equação do modelo
if v_d == "Valor total":
equacao_modelo = df_filtrado.columns[1] + '='
else:
equacao_modelo = df_filtrado.columns[2] + '='
# Iterar sobre os coeficientes estimados
for nome_coluna, coeficiente in zip(X.columns, coeficientes):
# Se o nome da coluna for 'const', adicione apenas o coeficiente
if nome_coluna == 'const':
equacao_modelo += f" {coeficiente:.8f} +"
else:
# Adicionar o termo à equação do modelo
equacao_modelo += f" {coeficiente:.8f} * {nome_coluna} +"
# Remover o último sinal de adição
equacao_modelo = equacao_modelo[:-1]
# Exibindo estatísticas do modelo
resultado_summary = resultado.summary()
resultado_html = resultado.summary().tables[1].as_html()
# Obtenha as estatísticas do modelo em formato de DataFrame
#resultado_summary_df = pd.DataFrame(resultado_summary.tables[1])
#----------------------------df_final (regressão)----------------------------#
# Adicionando a primeira coluna de df_filtrado ao início de df_final
ordem = df_filtrado[[df_filtrado.columns[0]]].copy()
df_final = pd.concat([ordem, y, X], axis=1)
# Exporta modelo
df_exporta_modelo = df_final.copy()
df_final = df_final.drop(columns=['const'])
#--------------------df_final (adiciona o erro_padronizado)------------------#
# Adicionando a coluna de erro padronizado ao df_final
df_final['Erro Padronizado'] = erro_padronizado
#-------------------df_maiores_que_2 (possíveis outliers)--------------------#
# Criar DataFrame apenas com os dados cujo erro padronizado é maior que 2
df_maiores_que_2 = df_final[abs(df_final['Erro Padronizado']) > 2]
df_maiores_que_2['Erro Abs'] = abs(df_maiores_que_2['Erro Padronizado'])
# Listagem de pontos com resíduos > 2
Listagem_df_maiores_que_2 = ", ".join(map(str, df_maiores_que_2.iloc[:, 0].tolist()))
#------------df_correl (Valores Ajustados x Preços Observados)---------------#
# Obtendo os valores previstos
# Dados
valores_previstos = resultado.predict(X)
# Adicionando os valores previstos como uma nova coluna ao df_final
df_final['Valores Ajustados'] = round(valores_previstos, 8)
# Criando uma dataframe para os Valores Ajustados x Preços Observados
if v_d == "Valor total":
df_correl = df_final[[df_filtrado.columns[0], df_filtrado.columns[1], 'Valores Ajustados']]
df_correl = df_correl.rename(columns={df_filtrado.columns[1]: 'Preços Observados'})
else:
df_correl = df_final[[df_filtrado.columns[0], df_filtrado.columns[2], 'Valores Ajustados']]
df_correl = df_correl.rename(columns={df_filtrado.columns[2]: 'Preços Observados'})
df_correl_grafico = df_correl.copy()
# Desfazendo a conversão da escala
if scv_d == 'lny':
df_correl['Valores Ajustados'] = round(np.exp(df_correl['Valores Ajustados']), 8)
df_correl['Preços Observados'] = round(np.exp(df_correl['Preços Observados']), 8)
elif scv_d == '1/y':
df_correl['Valores Ajustados'] = round(1 / df_correl['Valores Ajustados'], 8)
df_correl['Preços Observados'] = round(1 / df_correl['Preços Observados'], 8)
elif scv_d == 'y²':
df_correl['Valores Ajustados'] = round(np.sqrt(df_correl['Valores Ajustados']), 8)
df_correl['Preços Observados'] = round(np.sqrt(df_correl['Preços Observados']), 8)
else:
pass # Nenhuma transformação é necessária
df_correl['Diferença %'] = round(((df_correl['Valores Ajustados']/df_correl['Preços Observados'])-1)*100, 8)
#-------------------------------Modelo para EXCEL---------------------------#
output_file = 'modelo.xlsx'
with pd.ExcelWriter(output_file, engine='xlsxwriter') as writer:
# Salve o DataFrame 'DADOS INICIAIS' na planilha 'relatório'
df_original.to_excel(writer, sheet_name='Dados Originais', index=False)
# Salve o DataFrame 'DADOS NÃO UTILIZADOS' na planilha 'relatório'
df_outliers.to_excel(writer, sheet_name='Dados Não utilizados', index=False)
# Salve o DataFrame 'PLANILHA OBS X CALC' na planilha 'relatório'
df_correl.to_excel(writer, sheet_name='Obs x Calc', index=False)
# String com os resultados
resultados = pd.DataFrame({
'Desvio Padrão': [desvio_padrao_residuos],
'Estatística F': [estatistica_F],
'Nível de Significância do Modelo': [nivel_significancia],
'R²': [r_squared],
'R² ajustado': [r_squared_adjusted],
'Correlação': [coef_correlacao],
'Número de observações': [num_observacoes],
'Número de dados não utilizados': [num_outliers],
'- Estatística Jarque-Bera': [jarque_bera_test],
'- Valor-p': [p_value],
'- Assimetria (Skewness)': [skewness],
'- Curtose (Kurtosis)': [kurtosis],
})
# Transponha o DataFrame
resultados = resultados.T.reset_index()
# Defina os nomes das colunas do novo DataFrame
resultados.columns = ['Nome da Coluna', 'Valor']
resultados.to_excel(writer, sheet_name='Resultados', index=False)
# Salve o DataFrame 'DADOS PARA REGRESSÃO' na planilha 'relatório'
df_exporta_modelo.to_excel(writer, sheet_name='Model', index=False)
# Salve o DataFrame 'PLANILHA MODELO PARA AVALIAÇÃO' na planilha 'relatório'
df_avalia.to_excel(writer, sheet_name='Avalia', index=False)
#----------------------------------Avaliação--------------------------------#
try:
# Carregando o(s) avaliando(s)
df_aval = pd.read_excel(planilha.name, 'avaliando')
df_aval_original = df_aval.copy()
# avaliando(s)
if v_d == "Valor total":
aplicar_operacao(df_aval, scv_d, 1)
else:
aplicar_operacao(df_aval, scv_d, 2)
aplicar_operacao(df_aval, scv_1, 3)
aplicar_operacao(df_aval, scv_2, 4)
aplicar_operacao(df_aval, scv_3, 5)
aplicar_operacao(df_aval, scv_4, 6)
aplicar_operacao(df_aval, scv_5, 7)
aplicar_operacao(df_aval, scv_6, 8)
aplicar_operacao(df_aval, scv_7, 9)
aplicar_operacao(df_aval, scv_8, 10)
aplicar_operacao(df_aval, scv_9, 11)
aplicar_operacao(df_aval, scv_10, 12)
aplicar_operacao(df_aval, scv_11, 13)
aplicar_operacao(df_aval, scv_12, 14)
aplicar_operacao(df_aval, scv_13, 15)
aplicar_operacao(df_aval, scv_14, 16)
aplicar_operacao(df_aval, scv_15, 17)
aplicar_operacao(df_aval, scv_16, 18)
X_aval = pd.DataFrame()
# Iterar sobre as colunas do DataFrame df_filtrado
for i, col in enumerate(df_aval.columns):
# Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
if (i == 3 and v_1) or \
(i == 4 and v_2) or \
(i == 5 and v_3) or \
(i == 6 and v_4) or \
(i == 7 and v_5) or \
(i == 8 and v_6) or \
(i == 9 and v_7) or \
(i == 10 and v_8) or \
(i == 11 and v_9) or \
(i == 12 and v_10) or \
(i == 13 and v_11) or \
(i == 14 and v_12) or \
(i == 15 and v_13) or \
(i == 16 and v_14) or \
(i == 17 and v_15) or \
(i == 18 and v_16):
if i < len(df_aval.columns):
X_aval[col] = df_aval.iloc[:, i]
X_aval.insert(0, 'const', 1)
# Avaliando(s)
valores_previstos_aval = resultado.predict(X_aval)
df_aval_original['VALOR'] = round(valores_previstos_aval, 8)
if scv_d == 'lny':
df_aval_original['VALOR'] = round(np.exp(df_aval_original['VALOR']), 8)
elif scv_d == '1/y':
df_aval_original['VALOR'] = round(1 / df_aval_original['VALOR'], 8)
elif scv_d == 'y²':
df_aval_original['VALOR'] = round(np.sqrt(df_aval_original['VALOR']), 8)
else:
pass # Nenhuma transformação é necessária
# Campo de arbítrio
df_aval_original['LI_CA'] = round((df_aval_original['VALOR']*0.85), 2)
df_aval_original['LS_CA'] = round((df_aval_original['VALOR']*1.15), 2)
# Intervalo de Confiança de 80%
# Calcular os intervalos de confiança para a média prevista
intervalo_confianca = resultado.get_prediction(X_aval).summary_frame(alpha=0.2)
# Extrair os limites inferior e superior do intervalo de confiança
limite_inferior = intervalo_confianca['mean_ci_lower']
limite_superior = intervalo_confianca['mean_ci_upper']
# Adicionar as colunas ao DataFrame df_aval_original
df_aval_original['LI_IC'] = limite_inferior.values
df_aval_original['LS_IC'] = limite_superior.values
if scv_d == 'lny':
df_aval_original['LI_IC'] = round(np.exp(df_aval_original['LI_IC']), 2)
df_aval_original['LS_IC'] = round(np.exp(df_aval_original['LS_IC']), 2)
elif scv_d == '1/y':
df_aval_original['LI_IC'] = round(1 / df_aval_original['LI_IC'], 2)
df_aval_original['LS_IC'] = round(1 / df_aval_original['LS_IC'], 2)
elif scv_d == 'y²':
df_aval_original['LI_IC'] = round(np.sqrt(df_aval_original['LI_IC']), 2)
df_aval_original['LS_IC'] = round(np.sqrt(df_aval_original['LS_IC']), 2)
else:
pass # Nenhuma transformação é necessária
df_aval_original['LI_IC_%'] = round(((df_aval_original['VALOR']-df_aval_original['LI_IC'])/df_aval_original['VALOR'])*100, 2)
df_aval_original['LS_IC_%'] = round(((df_aval_original['LS_IC']-df_aval_original['VALOR'])/df_aval_original['VALOR'])*100, 2)
df_aval_original['TOTAL_IC_%'] = round(df_aval_original['LI_IC_%'] + df_aval_original['LS_IC_%'], 2)
# Aplicação das condições para determinar 'PRECISÃO'
df_aval_original['PRECISÃO'] = "" # Inicializa a coluna 'PRECISÃO'
df_aval_original.loc[df_aval_original['TOTAL_IC_%'] <= 30, 'PRECISÃO'] = "Grau III"
df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 30) & (df_aval_original['TOTAL_IC_%'] <= 40), 'PRECISÃO'] = "Grau II"
df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 40) & (df_aval_original['TOTAL_IC_%'] <= 50), 'PRECISÃO'] = "Grau I"
df_aval_original.loc[df_aval_original['TOTAL_IC_%'] > 50, 'PRECISÃO'] = "Fora dos critérios"
# Retirando as colunas valor total e valor unitário
df_aval_original = df_aval_original.drop(df_aval_original.columns[[1, 2]], axis=1)
# Salve o DataFrame 'result' em uma planilha
df_aval_original.to_excel("planilha_aval.xlsx", index=False)
except:
# Se a aba não existir, crie um DataFrame vazio
df_aval_original = pd.DataFrame()
# Salve o DataFrame em uma planilha
df_aval_original.to_excel("planilha_aval.xlsx", index=False)
#-----------------------------------------------Gráficos-------------------------------------------------#
# Criando subplots
fig, (ax1, ax2, ax3, ax4, ax5) = plt.subplots(5, 1, figsize=(15, 20))
# Gráfico dos resíduos padronizados
ax1.scatter(df_final['Valores Ajustados'], erro_padronizado, color='orange', alpha=0.6)
ax1.axhline(y=0, color='black', linestyle='--', linewidth=1) # Linha zero
ax1.axhline(y=2, color='red', linestyle='-', linewidth=1) # Linhas vermelhas em ±2
ax1.axhline(y=-2, color='red', linestyle='-', linewidth=1)
ax1.set_title('Gráfico de Resíduos Padronizados')
ax1.set_xlabel('Valores Ajustados')
ax1.set_ylabel('Resíduos Padronizados')
ax1.grid(True)
# Histograma dos resíduos padronizados
sns.histplot(erro_padronizado, kde=True, color='orange', alpha=0.6, ax=ax2)
ax2.set_title('Histograma dos Resíduos Padronizados')
ax2.set_xlabel('Resíduos Padronizados')
ax2.set_ylabel('Frequência')
ax2.grid(True)
# Gráfico da distância de Cook
ax3.plot(distancia_cook, marker='o', linestyle='None', color='orange')
ax3.axhline(y=1, color='red', linestyle='--', linewidth=1)
ax3.set_title('Gráfico da Distância de Cook')
ax3.set_xlabel('Número da Observação')
ax3.set_ylabel('Distância de Cook')
ax3.grid(True)
# Gráfico Valores Ajustados vs Preços Observados
# Extrair os valores dos dados
x_values = df_correl_grafico['Preços Observados']
y_values = df_correl_grafico['Valores Ajustados']
# Calcular a linha de tendência (regressão linear)
slope, intercept = np.polyfit(x_values, y_values, 1)
# Plotar o gráfico de dispersão no eixo ax4
ax4.scatter(x_values, y_values, color='black')
# Plotar a linha de tendência no eixo ax4
ax4.plot(x_values, slope * x_values + intercept, color='orange', linestyle='--', linewidth=2)
# Adicionar título e rótulos dos eixos em ax4
ax4.set_title('Valores Ajustados vs Preços Observados')
ax4.set_xlabel('Preços Observados')
ax4.set_ylabel('Valores Ajustados')
ax4.grid(True)
# Criando o gráfico de influência das variáveis
feat_importances.nlargest(16).plot(kind='barh', color='orange', ax=ax5)
ax5.set_title('Influência das Variáveis')
ax5.set_xlabel('Importância')
ax5.set_ylabel('Variáveis')
ax5.grid(True)
# Ajustando a posição dos subplots
plt.tight_layout()
# Exibindo os subplots
plt.show()
#----------------------------------------------Pontos Influenciantes-------------------------------------------------#
# Listagem de pontos discrepantes
#limite_cook = 4 / (len(df_final) - len(resultado.params))
#pontos_discrepantes = []
#for i, cook_dist in enumerate(distancia_cook):
#if cook_dist > limite_cook:
#pontos_discrepantes.append(df_final.iloc[i, 0]) # Usando a primeira coluna como rótulo
# Listagem de pontos influentes
limite_cook = 1
pontos_influentes = []
for i, cook_dist in enumerate(distancia_cook):
if cook_dist > limite_cook:
pontos_influentes.append(df_final.iloc[i, 0]) # Usando a primeira coluna como rótulo
# Transformando a lista em uma string separada por vírgula
string_pontos_influentes = ", ".join(map(str, pontos_influentes))
#---------------------------------------Outputs----------------------------------#
return (
df_original,
string_colunas,
resultados_gerais,
equacao_modelo,
resultado_html,
df_final,
Listagem_df_maiores_que_2,
string_pontos_influentes,
df_maiores_que_2,
df_outliers,
df_correl,
fig_v1,
fig_v2,
fig_v3,
fig_v4,
fig_v5,
fig_v6,
fig_v7,
fig_v8,
fig_v9,
fig_v10,
fig_v11,
fig_v12,
fig_v13,
fig_v14,
fig_v15,
fig_v16,
plt,
df_aval_original,
'planilha_aval.xlsx',
'modelo.xlsx'
#X_aval,
#X,
#y,
#'X.xlsx',
#'y.xlsx',
)
#-----------------------------------------FUNÇÃO PRINCIPAL DE CARREGAMENTO DE MODELOS-----------------------------------------#
# função para a regressão linear
def carrega_model(planilha):
#----------------------------Carregando modelo--------------------------------#
df_model = pd.read_excel(planilha.name, 'Model')
df_original = df_model.copy()
y = df_model.iloc[:, 1:2]
# Para converter os valores calculados posteriormente
cabecalho_lista = list(y.columns)
cabecalho_lista_transformado = ['lny' if 'ln(' in col else '1/y' if '1/(' in col else 'y²' if '(' in col and ')' in col and '²' in col else 'y' for col in cabecalho_lista]
scv_d = cabecalho_lista_transformado[0]
X_model = df_model.drop(df_model.columns[[0, 1]], axis=1)
# Inicializando o modelo de regressão linear
modelo = sm.OLS(y, X_model)
# Ajustando o modelo aos dados
resultado = modelo.fit()
# Calculando os resíduos do modelo
residuos = resultado.resid
# Calculando Desvio Padrão dos Resíduos
#desvio_padrao_residuos = round(np.std(resultado.resid), 8)
desvio_padrao_residuos = round(np.std(residuos), 8)
# Calculando Estatística F
estatistica_F = round(resultado.fvalue, 8)
# Obtendo Nível de Significância do Modelo
nivel_significancia = round(resultado.f_pvalue, 8)
# Calculando R²
r_squared = round(resultado.rsquared, 8)
# Calculando R² ajustado
r_squared_adjusted = round(resultado.rsquared_adj, 8)
# Obtendo Número de Observações
num_observacoes = int(round(resultado.nobs, 0))
# Calculando Coeficiente de Correlação
coef_correlacao = round(np.sqrt(r_squared), 8)
# Calculando o teste de Jarque-Bera para os resíduos
jarque_bera_test, p_value, skewness, kurtosis = jarque_bera(residuos)
# Formatando os resultados com 4 casas decimais
jarque_bera_test = round(jarque_bera_test, 8)
p_value = round(p_value, 8)
skewness = round(skewness, 8)
kurtosis = round(kurtosis, 8)
# Extrair os coeficientes da regressão
coeficientes = resultado.params
# Calcular a distância de Cook
distancia_cook = resultado.get_influence().cooks_distance[0]
# String com os resultados
resultados_gerais = f"""
Desvio Padrão: {desvio_padrao_residuos}
Estatística F: {estatistica_F}
Nível de Significância do Modelo: {nivel_significancia}
R²: {r_squared}
R² ajustado: {r_squared_adjusted}
Correlação: {coef_correlacao}
Número de observações: {num_observacoes}
Teste de Jarque-Bera:
- Estatística do teste: {jarque_bera_test}
- Valor-p: {p_value}
- Assimetria (Skewness): {skewness}
- Curtose (Kurtosis): {kurtosis}
"""
#------------------Criando uma lista com as escalas das variáveis-----------------------#
cabecalho_lista = list(X_model.columns)
cabecalho_lista_transformado = ['lnx' if 'ln(' in col else '1/x' if '1/(' in col else 'x²' if '(' in col and ')' in col and '²' in col else 'x' for col in cabecalho_lista]
const = cabecalho_lista_transformado[0]
v = cabecalho_lista_transformado[1:] # Exclui o primeiro elemento da lista
# Atribuindo os valores restantes a variáveis v_1, v_2, v_3, ...
for i, valor in enumerate(v, start=1):
globals()[f"scv_{i}"] = valor
# Imprimindo os valores armazenados
print("const:", const)
for i in range(1, len(v) + 1):
print(f"scv_{i}:", globals()[f"scv_{i}"])
#-------------------------------Carregando avaliando(s)----------------------------------#
try:
# Carregando o(s) avaliando(s)
df_avalia = pd.read_excel(planilha.name, 'Avalia')
df_aval_original = df_avalia.copy()
X_avalia = df_avalia.drop(df_avalia.columns[[0]], axis=1)
X_avalia.insert(0, 'const', 1)
# Lista de scv's
scvs = [globals().get(f"scv_{i}") for i in range(1, 17)]
# Aplicando a operação para cada scv
for i, scv in enumerate(scvs, start=1):
if scv is not None:
aplicar_operacao(X_avalia, scv, i)
# Avaliando(s)
valores_previstos_aval = resultado.predict(X_avalia)
df_aval_original['VALOR'] = round(valores_previstos_aval, 8)
if scv_d == 'lny':
df_aval_original['VALOR'] = round(np.exp(df_aval_original['VALOR']), 8)
elif scv_d == '1/y':
df_aval_original['VALOR'] = round(1 / df_aval_original['VALOR'], 8)
elif scv_d == 'y²':
df_aval_original['VALOR'] = round(np.sqrt(df_aval_original['VALOR']), 8)
else:
pass # Nenhuma transformação é necessária
# Campo de arbítrio
df_aval_original['LI_CA'] = round((df_aval_original['VALOR']*0.85), 2)
df_aval_original['LS_CA'] = round((df_aval_original['VALOR']*1.15), 2)
# Intervalo de Confiança de 80%
# Calcular os intervalos de confiança para a média prevista
intervalo_confianca = resultado.get_prediction(X_avalia).summary_frame(alpha=0.2)
# Extrair os limites inferior e superior do intervalo de confiança
limite_inferior = intervalo_confianca['mean_ci_lower']
limite_superior = intervalo_confianca['mean_ci_upper']
# Adicionar as colunas ao DataFrame df_aval_original
df_aval_original['LI_IC'] = limite_inferior.values
df_aval_original['LS_IC'] = limite_superior.values
if scv_d == 'lny':
df_aval_original['LI_IC'] = round(np.exp(df_aval_original['LI_IC']), 2)
df_aval_original['LS_IC'] = round(np.exp(df_aval_original['LS_IC']), 2)
elif scv_d == '1/y':
f_aval_original['LI_IC'] = round(1 / df_aval_original['LI_IC'], 2)
df_aval_original['LS_IC'] = round(1 / df_aval_original['LS_IC'], 2)
elif scv_d == 'y²':
df_aval_original['LI_IC'] = round(np.sqrt(df_aval_original['LI_IC']), 2)
df_aval_original['LS_IC'] = round(np.sqrt(df_aval_original['LS_IC']), 2)
else:
pass # Nenhuma transformação é necessária
df_aval_original['LI_IC_%'] = round(((df_aval_original['VALOR']-df_aval_original['LI_IC'])/df_aval_original['VALOR'])*100, 2)
df_aval_original['LS_IC_%'] = round(((df_aval_original['LS_IC']-df_aval_original['VALOR'])/df_aval_original['VALOR'])*100, 2)
df_aval_original['TOTAL_IC_%'] = round(df_aval_original['LI_IC_%'] + df_aval_original['LS_IC_%'], 2)
# Aplicação das condições para determinar 'PRECISÃO'
df_aval_original['PRECISÃO'] = "" # Inicializa a coluna 'PRECISÃO'
df_aval_original.loc[df_aval_original['TOTAL_IC_%'] <= 30, 'PRECISÃO'] = "Grau III"
df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 30) & (df_aval_original['TOTAL_IC_%'] <= 40), 'PRECISÃO'] = "Grau II"
df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 40) & (df_aval_original['TOTAL_IC_%'] <= 50), 'PRECISÃO'] = "Grau I"
df_aval_original.loc[df_aval_original['TOTAL_IC_%'] > 50, 'PRECISÃO'] = "Fora dos critérios"
# Retirando as colunas valor total e valor unitário
df_aval_original = df_aval_original.drop(df_aval_original.columns[[1, 2]], axis=1)
# Salve o DataFrame 'result' em uma planilha
df_aval_original.to_excel("planilha_aval.xlsx", index=False)
except:
# Se a aba não existir, crie um DataFrame vazio
df_aval_original = pd.DataFrame()
# Salve o DataFrame em uma planilha
df_aval_original.to_excel("planilha_aval.xlsx", index=False)
#----------------------------------------Outpus------------------------------------------#
return (
df_original,
#y,
#X_model,
resultados_gerais,
#X_avalia,
df_aval_original,
'planilha_aval.xlsx'
)
#----------------------------------------------------------INTERFACES----------------------------------------------------------#
with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="yellow",)) as interface:
gr.Markdown(f"""
<p style="text-align: left;">
<b><span style='color: grey; font-size: 35px;'>aval</span></b>
<b><span style='color: orange; font-size: 35px;'>ia</span></b>
<b><span style='color: grey; font-size: 35px;'>.se</span></b>
</p
<p style="text-align: left;"></span>Aplicativo MCDDM com tratamento científico / Você pode fazer um download de uma planilha de exemplo <a href='https://huggingface.co/spaces/DavidSB/RL/resolve/main/sample_data.xlsx' download='sample_data.xlsx'>aqui</a><br><br></p>
""")
with gr.Tab("Gera Modelo"):
with gr.Row():
with gr.Column():
with gr.Row():
#inp_1 = gr.File(label="Upload planilha", type="file", scale=2, height=100)
inp_1 = gr.File(label="Upload planilha", type="filepath", scale=2, height=100)
with gr.Row():
inp_2 = gr.Dropdown(['Valor total', 'Valor unitário',], label="VARIÁVEL DEPENDENTE", value='Valor unitário')
inp_3 = gr.Dropdown(['y', 'lny', '1/y', 'y²'], label="Escala VARIÁVEL DEPENDENTE", value='y')
button_1 = gr.Button("Calcular")
with gr.Row():
inp_4 = gr.Checkbox(value=True, label="Var 1", scale=1)
inp_5 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_6 = gr.Checkbox(value=True, label="Var 2", scale=1)
inp_7 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_8 = gr.Checkbox(value=False, label="Var 3", scale=1)
inp_9 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_10 = gr.Checkbox(value=False, label="Var 4", scale=1)
inp_11 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_12 = gr.Checkbox(value=False, label="Var 5", scale=1)
inp_13 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_14 = gr.Checkbox(value=False, label="Var 6", scale=1)
inp_15 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_16 = gr.Checkbox(value=False, label="Var 7", scale=1)
inp_17 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_18 = gr.Checkbox(value=False, label="Var 8", scale=1)
inp_19 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_20 = gr.Checkbox(value=False, label="Var 9", scale=1)
inp_21 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_22 = gr.Checkbox(value=False, label="Var 10", scale=1)
inp_23 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_24 = gr.Checkbox(value=False, label="Var 11", scale=1)
inp_25 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_26 = gr.Checkbox(value=False, label="Var 12", scale=1)
inp_27 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_28 = gr.Checkbox(value=False, label="Var 13", scale=1)
inp_29 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_30 = gr.Checkbox(value=False, label="Var 14", scale=1)
inp_31 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
with gr.Row():
inp_32 = gr.Checkbox(value=False, label="Var 15", scale=1)
inp_33 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
inp_34 = gr.Checkbox(value=False, label="Var 16", scale=1)
inp_35 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1)
button_2 = gr.Button("Calcular")
inp_36 = gr.Textbox(label="Manipular dados (separados por vírgula)", type="text", info = "Após rodar o modelo a primeira vez, por meio deste campo podem ser retirados outliers, pontos influenciantes, etc")
with gr.Column():
out_1 = gr.Dataframe(label="Planilha de dados original", height=300)
out_2 = gr.Textbox(label="Colunas", scale=1)
out_3 = gr.Textbox(label="Resultados Gerais do Modelo", scale=1)
out_4 = gr.Textbox(label="Equação do Modelo")
out_5 = gr.HTML(label="Resultados por variável")
out_6 = gr.Dataframe(label="Planilha Regressão Linear (Variáveis e escalas escolhidas e sem outliers)", height=300)
with gr.Row():
out_7 = gr.Textbox(label="Listagem de dados com resíduos padronizados > 2")
out_8 = gr.Textbox(label="Listagem de pontos Influenciantes (Distância de Cook > 1)")
out_9 = gr.Dataframe(label="Resíduos Padronizados > 2", height=300)
out_10 = gr.Dataframe(label="Outliers (retirados)", height=300)
out_11 = gr.Dataframe(label="Valores Ajustados x Preços Observados", height=300)
button_3 = gr.Button("Calcular")
out_12 = gr.Plot(label="Gráfico Dispersão var 1")
out_13 = gr.Plot(label="Gráfico Dispersão var 2")
out_14 = gr.Plot(label="Gráfico Dispersão var 3")
out_15 = gr.Plot(label="Gráfico Dispersão var 4")
out_16 = gr.Plot(label="Gráfico Dispersão var 5")
out_17 = gr.Plot(label="Gráfico Dispersão var 6")
out_18 = gr.Plot(label="Gráfico Dispersão var 7")
out_19 = gr.Plot(label="Gráfico Dispersão var 8")
out_20 = gr.Plot(label="Gráfico Dispersão var 9")
out_21 = gr.Plot(label="Gráfico Dispersão var 10")
out_22 = gr.Plot(label="Gráfico Dispersão var 11")
out_23 = gr.Plot(label="Gráfico Dispersão var 12")
out_24 = gr.Plot(label="Gráfico Dispersão var 13")
out_25 = gr.Plot(label="Gráfico Dispersão var 14")
out_26 = gr.Plot(label="Gráfico Dispersão var 15")
out_27 = gr.Plot(label="Gráfico Dispersão var 16")
#out_28 = gr.Image(show_label=False)
out_29 = gr.Plot(lshow_label=False)
out_30 = gr.Dataframe(label="Avaliação", height=300)
out_31 = gr.components.File(label="Resultado da Avaliação")
out_32 = gr.components.File(label="Exportar Modelo")
# outputs de verificação
#out_off_1 = gr.Dataframe(label="X_aval", height=300)
#out_off_2 = gr.Dataframe(label="X", height=300)
#out_off_3 = gr.Dataframe(label="y", height=300)
#out_off_4 = gr.components.File(label="X")
#out_off_5 = gr.components.File(label="y")
inputs = [
inp_1, inp_2, inp_3, inp_4, inp_5, inp_6, inp_7, inp_8, inp_9, inp_10,
inp_11, inp_12, inp_13, inp_14, inp_15, inp_16, inp_17, inp_18, inp_19, inp_20,
inp_21, inp_22, inp_23, inp_24, inp_25, inp_26, inp_27, inp_28, inp_29, inp_30,
inp_31, inp_32, inp_33, inp_34, inp_35, inp_36
]
outputs = [
out_1, out_2, out_3, out_4, out_5, out_6, out_7, out_8, out_9, out_10,
out_11, out_12, out_13, out_14, out_15, out_16, out_17, out_18, out_19, out_20,
out_21, out_22, out_23, out_24, out_25, out_26, out_27, out_29, out_30,
out_31, out_32
] #[out_off_1, out_off_2, out_off_3, out_off_4, out_off_5] , out_28
button_1.click(gera_model, inputs=inputs, outputs=outputs)
button_2.click(gera_model, inputs=inputs, outputs=outputs)
button_3.click(gera_model, inputs=inputs, outputs=outputs)
#--------------------------------------------#
with gr.Tab("Carrega Modelo"):
with gr.Row():
with gr.Column():
with gr.Row():
inp_1 = gr.File(label="Upload planilha (MODELO)", type="file", scale=1, height=100)
#inp_2 = gr.File(label="Upload planilha (AVALIANDO)", type="file", scale=1, height=100)
button = gr.Button("Calcular")
with gr.Column():
out_1 = gr.Dataframe(label="Planilha de dados original", height=300)
#out_2 = gr.Dataframe(label="y", height=300)
#out_3 = gr.Dataframe(label="X", height=300)
out_4 = gr.Textbox(label="Resultados Gerais do Modelo", scale=1)
#out_5 = gr.Dataframe(label="X_avalia", height=300)
out_6 = gr.Dataframe(label="df_avalia_original", height=300)
out_7 = gr.components.File(label="Resultado da Avaliação")
inputs = [inp_1] #, inp_2]
outputs = [out_1, out_4, out_6, out_7] #, out_2, out_3, out_5
button.click(carrega_model, inputs=inputs, outputs=outputs)
if __name__ == "__main__":
interface.launch(debug=True) |