Spaces:
Sleeping
Sleeping
File size: 89,843 Bytes
b018c7a a1bf7ac b018c7a ec46319 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a a1bf7ac b018c7a f634c90 a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac f634c90 a1bf7ac f634c90 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac f634c90 a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a a1bf7ac f634c90 a1bf7ac f634c90 a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 a1bf7ac b018c7a f634c90 a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac f634c90 b018c7a a1bf7ac f634c90 a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac b018c7a f634c90 b018c7a f634c90 b018c7a a1bf7ac f634c90 b018c7a a1bf7ac f634c90 b018c7a a1bf7ac f634c90 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 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 |
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
# 1) IMPORTAÇÃO DAS BIBLIOTECAS
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
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
from docx import Document
from docx.shared import Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
from docx.shared import Inches
from num2words import num2words
from datetime import datetime
#%matplotlib inline
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
# 2) FUNÇÕES ACESSÓRIAS
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
# função para conversão da escala das variáveis:
def aplicar_operacao(df, scv, col_index):
if scv == 'x' or scv == '-':
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 == '-':
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=250)
# Definindo a cor de fundo e do papel
fig.update_layout(
plot_bgcolor='rgb(240, 240, 240)',
paper_bgcolor='rgb(240, 240, 240)',
showlegend=False
)
# 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 que cria uma coluna cos as extrapolações
def calc_extrapola(df_1, df_2):
# Inicializar a coluna 'extrapola' com strings vazias
df_1['extrapola'] = ""
for col in df_1.columns[:-1]: # Excluir a coluna 'extrapola' da iteração
if col in df_2.columns: # Verifica se a coluna existe nos limites
# Acessa os valores de limite direto por posição na coluna correspondente
min_val = df_2[col][0]
max_val = df_2[col][1]
# Cálculo de extrapolação para cada coluna
temp_extrapola = df_1[col].apply(
lambda x: f"{col}: +{((x - max_val) / max_val) * 100:.2f}%" if x > 2 * max_val else
f"{col}: -{((min_val - x) / min_val) * 100:.2f}%" if min_val != 0 and x < 0.5 * min_val else ""
)
# Concatenar informações de extrapolação na coluna 'extrapola' com verificação para adicionar espaço
df_1['extrapola'] = df_1.apply(
lambda row: row['extrapola'] + (" " if row['extrapola'] else "") + temp_extrapola[row.name] if temp_extrapola[row.name] else row['extrapola'],
axis=1
)
# Remove o espaço extra no final de cada entrada e trata casos onde não há extrapolação
df_1['extrapola'] = df_1['extrapola'].str.rstrip()
# Preenche as células sem extrapolação com "sem extrapolação"
df_1.loc[df_1['extrapola'] == '', 'extrapola'] = 'sem extrapolação'
return df_1
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
# 3) FUNÇÃO PRINCIPAL P/ GERAÇÃO DO MODELO
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
# função para a regressão linear
def gera_model(planilha, model, name_model, v_d, scv_d,
scv_1, scv_2, scv_3, scv_4,
scv_5, scv_6, scv_7, scv_8,
scv_9, scv_10, scv_11, scv_12,
scv_13, scv_14, scv_15, scv_16,
out,
laudo="-",data_ref=None, data_laudo=None,
nome="-", prof="-", ent="-", uf="RS", reg="-",
lograd="-", munic="-", tipo_imo="-", solic="-", finalidade="-", objetivo="-", press="-",
infra="Água Potável", serv="Coleta de Lixo", uso="Residencial", pad_reg="-", tipo_via="-", obs_gerais="-",
per="Sem destaque", ofe="Sem destaque", liq="Sem destaque", dia="-"):
#ooooooooooooooooooooooooooooooooooooooooooooooooooo CARREGAR oooooooooooooooooooooooooooooooooooooooooooooooooooo#
# Criação das listas para as colunas
svc_list = ['scv_d', 'scv_1', 'scv_2', 'scv_3', 'scv_4', 'scv_5', 'scv_6', 'scv_7',
'scv_8', 'scv_9', 'scv_10', 'scv_11', 'scv_12', 'scv_13', 'scv_14', 'scv_15', 'scv_16']
var_dep = [v_d, '-', '-', '-', '-', '-', '-', '-',
'-', '-', '-', '-', '-', '-', '-', '-', '-']
escalas_list = [scv_d, scv_1, scv_2, scv_3, scv_4, scv_5, scv_6, scv_7,
scv_8, scv_9, scv_10, scv_11, scv_12, scv_13, scv_14, scv_15, scv_16]
# Criando o DataFrame com as colunas 'svc' e 'escalas'
df_scv = pd.DataFrame({
'svc': svc_list,
'escalas': escalas_list,
'var_dep': var_dep
})
#ooooooooooooooooooooooooooooooooooooooooooooooooooo CARREGAR oooooooooooooooooooooooooooooooooooooooooooooooooooo#
# IMPORTRAÇÃO DA PLANILHA
# 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]
# Convertendo as colunas onde estão o valor total e o valor unitário para float
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() ################################### OUTPUT ##########################################
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 1:
# Criação do "df_avalia" para extrair o "df_limites_var" e o "df_dados_utilizados" por meio da seleção de variáveis
# Motivo: necessidade de extração tanto dos nomes das variáveis quanto dos limites a partir do dataframe inicial.
# -----------------------------------------------------------------------------------------------------------------#
# Dataframe para criação de uma planilha de modelo para avaliação
df_avalia = pd.DataFrame()
#ooooooooooooooooooooooooooooooooooooooooooooooooooo CARREGAR oooooooooooooooooooooooooooooooooooooooooooooooooooo#
if model == "Carregar":
# Carrega o arquivo Excel da planilha fornecida (ignorando o cabeçalho na primeira linha)
df_escalas = pd.read_excel(planilha.name, sheet_name="Escalas")
# Preenchendo as variáveis com base nos valores da planilha, ajustando para o cabeçalho
v_d = df_escalas.iloc[0, 2]
scv_d = df_escalas.iloc[0, 1]
scv_1 = df_escalas.iloc[1, 1]
scv_2 = df_escalas.iloc[2, 1]
scv_3 = df_escalas.iloc[3, 1]
scv_4 = df_escalas.iloc[4, 1]
scv_5 = df_escalas.iloc[5, 1]
scv_6 = df_escalas.iloc[6, 1]
scv_7 = df_escalas.iloc[7, 1]
scv_8 = df_escalas.iloc[8, 1]
scv_9 = df_escalas.iloc[9, 1]
scv_10 = df_escalas.iloc[10, 1]
scv_11 = df_escalas.iloc[11, 1]
scv_12 = df_escalas.iloc[12, 1]
scv_13 = df_escalas.iloc[13, 1]
scv_14 = df_escalas.iloc[14, 1]
scv_15 = df_escalas.iloc[15, 1]
scv_16 = df_escalas.iloc[16, 1]
#ooooooooooooooooooooooooooooooooooooooooooooooooooo CARREGAR oooooooooooooooooooooooooooooooooooooooooooooooooooo#
# Iterar sobre as colunas do DataFrame df_filtrado
for i, col in enumerate(df_dados.columns):
# Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
if (i == 3 and scv_1 != "-") or \
(i == 4 and scv_2 != "-") or \
(i == 5 and scv_3 != "-") or \
(i == 6 and scv_4 != "-") or \
(i == 7 and scv_5 != "-") or \
(i == 8 and scv_6 != "-") or \
(i == 9 and scv_7 != "-") or \
(i == 10 and scv_8 != "-") or \
(i == 11 and scv_9 != "-") or \
(i == 12 and scv_10 != "-") or \
(i == 13 and scv_11 != "-") or \
(i == 14 and scv_12 != "-") or \
(i == 15 and scv_13 != "-") or \
(i == 16 and scv_14 != "-") or \
(i == 17 and scv_15 != "-") or \
(i == 18 and scv_16 != "-"):
if i < len(df_dados.columns):
df_avalia[col] = df_dados.iloc[:, i]
# Dataframe para os valores máximos e mínimos por variável
# Adicionar a coluna de índice 0 de df_dados em df_avalia (para comparação com os outliers)
df_limites_var = df_avalia.copy()
df_limites_var[df_dados.columns[0]] = df_dados.iloc[:, 0]
# Dataframe para os dados efeticamente utilizados sem conversão de escala
df_dados_utilizados = df_avalia.copy()
# Obter o nome e os dados da primeira coluna de df_dados
first_column_name = df_dados.columns[0]
first_column_data = df_dados.iloc[:, 0]
# Inserir a nova coluna no início de df_dados_utilizados
df_dados_utilizados.insert(0, first_column_name, first_column_data)
# NOME DAS VARIÁVEIS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 2:
# Utiliza o "df_original" que é uma cópia do df_dados para criar uma lista com os nomes das colunas originais
# -----------------------------------------------------------------------------------------------------------------#
# 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, incluindo os valores mínimos e máximos
colunas = [f'Var dependente = {nomes_colunas[0]}']
for i, coluna in enumerate(nomes_colunas[1:], start=1):
min_val = df_original[coluna].min()
max_val = df_original[coluna].max()
valores_unicos = df_original[coluna].unique()
# Verifica se os valores únicos são apenas 0 e 1
if set(valores_unicos).issubset({0, 1}):
colunas.append(f'Var {i} = {coluna} (Min: {min_val}, Max: {max_val}) - dicotômica - somente escala "x"')
else:
colunas.append(f'Var {i} = {coluna} (Min: {min_val}, Max: {max_val})')
# Transformando a lista em uma string separada por vírgula
string_colunas = "\n".join(colunas)################################### OUTPUT ##########################################
# CONVERSÃO DE ESCALAS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 3:
# Utiliza o "df_dados" para aplicar a função de conversão das 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 OS CABEÇALHOS DAS COLUNAS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 4:
# Utiliza o "df_dados" para aplicar a função que renomeia as colunas conforme a escala utilizada
# -----------------------------------------------------------------------------------------------------------------#
#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 - RETIRADA DOS OUTLIERS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 5:
# 1) Criar os "dados_out" que são os dados removidos (é a caixa de texto de remoção dos dados na interface)
# 2) Cria o datafre de outliers, "df_outliers" excluindo os "dados_out"
# 3) Remove do dataframe "df_limites_var" os outliers para chegar num novo "df_limites_var" e nos máximos e mínimos
# 4) O "df_dados_utilizados" busca retirar os outliers do dataframe inicial (ver Comenário 1)
# 5) Criação do "df_filtrado" a partir da retirada dos outliers do "df_dados"
# 6) Contagem final da quantidade de linhas do "df_outliers"
# -----------------------------------------------------------------------------------------------------------------#
if model == "Carregar":
# Carrega o arquivo Excel da planilha fornecida
df_nao_utilizados = pd.read_excel(planilha.name, sheet_name="Dados Não utilizados")
# Converte o DataFrame da aba "Dados Não Utilizados" para uma lista de valores da primeira coluna
out = df_nao_utilizados.iloc[:, 0].values.tolist() # Apenas a primeira coluna
# Transformar a lista em uma string separada por vírgulas
concatenated_data = ",".join([str(item) for item in out if pd.notna(item)])
# Convertendo a entrada concatenada em uma lista de números inteiros
dados_out = []
for num in concatenated_data.split(","):
num = num.strip()
if num: # Verifica se não é uma string vazia
try:
# Tenta converter para inteiro
dados_out.append(int(float(num)))
except ValueError:
pass # Ignora valores que não podem ser convertidos
else:
# Convertendo a entrada manual 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 df_limites_var para calcular os valores mínimos e máximos de cada variável
df_limites_var = df_limites_var[~df_dados.iloc[:, 0].isin(dados_out)]
# Selecionar colunas excluindo a primeira coluna (índice 0)
limites = df_limites_var.columns[:-1]
# Calcular o valor mínimo e máximo para cada coluna selecionada
minimos = df_limites_var[limites].min()
maximos = df_limites_var[limites].max()
# Criar o DataFrame df_limites_var com os valores mínimos e máximos
df_limites_var = pd.DataFrame({'Min': minimos, 'Max': maximos})
# Se desejar transpor para que as colunas sejam 'Min' e 'Max', e os índices sejam as colunas originais do df_dados
df_limites_var_final = df_limites_var.transpose()
#df_limites_var_final.to_excel("df_limites_var_final.xlsx", index=False) #################### OUTPUT ##################
# Removendo os outliers do Dataframe para os dados efeticamente utilizados sem conversão de escala
df_dados_utilizados = df_dados_utilizados[~df_dados.iloc[:, 0].isin(dados_out)]
# Removendo os outliers do DataFrame original mas que teve escalas convertidas (este será trabalhado até a regressão)
df_filtrado = df_dados[~df_dados.iloc[:, 0].isin(dados_out)]
#df_filtrado.to_excel("df_filtrado.xlsx", index=False) #################### Linha de verificação #####################
# Resetando o índice de ambos os DataFrames
df_filtrado.reset_index(drop=True, inplace=True)
df_outliers.reset_index(drop=True, inplace=True) ############################### OUTPUT ##############################
# Contagem de linhas no DataFrame resultante
num_outliers = df_outliers.shape[0]
# GRÁFICOS DE DISPERSÃO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 6:
# Gráficos de dispersão por variável para análise inicial de pontos discrepantes
# -----------------------------------------------------------------------------------------------------------------#
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
#################### OUTPUT ##################
if scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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 scv_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")
# MANIPULAÇÃO DAS COLUNAS - ESCOLHA DAS VARIÁVEIS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 7:
# Utiliza o "df_filtrado" (s/ outiliers) para criação do "X" (vars indep) será utilizado na regressão linear
# -----------------------------------------------------------------------------------------------------------------#
# 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 scv_1 != "-") or \
(i == 4 and scv_2 != "-") or \
(i == 5 and scv_3 != "-") or \
(i == 6 and scv_4 != "-") or \
(i == 7 and scv_5 != "-") or \
(i == 8 and scv_6 != "-") or \
(i == 9 and scv_7 != "-") or \
(i == 10 and scv_8 != "-") or \
(i == 11 and scv_9 != "-") or \
(i == 12 and scv_10 != "-") or \
(i == 13 and scv_11 != "-") or \
(i == 14 and scv_12 != "-") or \
(i == 15 and scv_13 != "-") or \
(i == 16 and scv_14 != "-") or \
(i == 17 and scv_15 != "-") or \
(i == 18 and scv_16 != "-"):
if i < len(df_filtrado.columns):
X[col] = df_filtrado.iloc[:, i]
#X.to_excel("X.xlsx", index=False) ################################ Linha de verificação ###########################
n_vars = len(X.columns)
# REGRESSÃO LINEAR
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 8:
# Utiliza o "X"(vars indep) que será utilizado na regressão linear e o 'y' conforme a escolha da da (var dep)
# -----------------------------------------------------------------------------------------------------------------#
# 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 ###########################
# EXTRATREESREGRESSIOR
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 9:
# Inserção no código para a implementação do algorítmo de importância das variáveis
# -----------------------------------------------------------------------------------------------------------------#
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)
feat_importances = pd.Series(model.feature_importances_, index=X.columns)
# Converter para uma lista de tuplas
feat_importances_list = [(feature, round(importance * 100, 2)) for feature, importance in feat_importances.items()]
# Ordenar a lista em ordem decrescente de importância
feat_importances_list.sort(key=lambda x: x[1], reverse=True)
# MODELO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 10:
# 1) Adicionando uma constante no X
# 2) Inicializando o modelo e ajustando o modelo aos dados
# 3) Resultados diversos
# 4) Equação do 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()
# Resultados
# 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(f"{val:.4f}" 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]
# Exibindo estatísticas do modelo
resultado_summary = resultado.summary()
resultado_html = resultado.summary().tables[1].as_html() ########################## OUTPUT ###############################
resultados_vars = pd.DataFrame(resultado.summary().tables[1].data[1:], columns=resultado.summary().tables[1].data[0])
resultados_vars['P>|t|'] = pd.to_numeric(resultados_vars['P>|t|'], errors='coerce')
# ENQUADRAMENTOS NOS GRAUS DE FUNDAMENTAÇÃO
# -----------------------------------------------------------------------------------------------------------------#
# Item 2 da tabela Item 9.2.1 da NBR 14.653-2
if num_observacoes >= 6 * (n_vars + 1):
tab2 = "Grau III"
elif num_observacoes >= 4 * (n_vars + 1):
tab2 = "Grau II"
elif num_observacoes >= 3 * (n_vars + 1):
tab2 = "Grau I"
else:
tab2 = "Fora dos critérios"
# Item 5 da tabela Item 9.2.1 da NBR 14.653-2
def classificar(valor):
if valor > 0.3:
return "Fora dos critérios"
elif valor > 0.2:
return "Grau I"
elif valor > 0.1:
return "Grau II"
else:
return "Grau III"
resultados_vars['Classificação'] = resultados_vars['P>|t|'].apply(classificar)
# Determinar o grau único levando em consideração todas as variáveis
def determinar_grau_unico(classificacoes):
if "Fora dos critérios" in classificacoes:
return "Fora dos critérios"
elif "Grau I" in classificacoes:
return "Grau I"
elif "Grau II" in classificacoes:
return "Grau II"
else:
return "Grau III"
tab5 = determinar_grau_unico(resultados_vars['Classificação'])
# Item 6 da tabela Item 9.2.1 da NBR 14.653-2
if nivel_significancia <= 0.01 :
tab6 = "Grau III"
elif nivel_significancia <= 0.02 :
tab6 = "Grau II"
elif nivel_significancia <= 0.05 :
tab6 = "Grau I"
else:
tab6 = "Fora dos critérios"
# String com os resultados
################################### OUTPUT ##########################################
resultados_gerais = f"""
Desvio Padrão: {desvio_padrao_residuos}
Estatística F: {estatistica_F} / Nível de Significância Modelo: {nivel_significancia}
R²: {r_squared} / R² ajustado: {r_squared_adjusted} / Correlação: {coef_correlacao}
Número de observações: {num_observacoes} - Não utilizados: {num_outliers}
Número de variáveis utilizadas: {n_vars}
Importância Variáveis em % (ExtraTreesRegressor): {feat_importances_list}
------------------------------------------------------
Testes de normalidade:
1) Comparação (curva normal) - Percentuais atingidos: {perc_resid}
Ideal 68% - aceitável de 64% a 75%
Ideal 90% - aceitável de 88% a 95%
Ideal 95% - aceitável de 95% a 100%
2) Teste de Jarque-Bera:
- Estatística do teste: {jarque_bera_test}
- Valor-p: {p_value}
- Assimetria (Skewness): {skewness}
- Curtose (Kurtosis): {kurtosis}
------------------------------------------------------
Fundamentação - Quant. min. dados (Item 2 tab 9.2.1 NBR 14.653-2): {tab2}
Fundamentação - Signif. Regressores (Item 5 tab 9.2.1 NBR 14.653-2): {tab5}
Fundamentação - Signif. Modelo (Item 6 tab 9.2.1 NBR 14.653-2): {tab6}
"""
# 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] ################################### OUTPUT ##########################################
# DATAFRAME RESULTANTE DA REGRESSÃO "df_final"
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 11:
# 1) Concatenando o "X" e o "y" para a criação do "df_final" e na sequência acrescentando o índice do "df_filtrado"
# 2) Cria 'df_exporta_modelo' que será a aba no excel que servirá para salvar os parâmntros do modelo
# -----------------------------------------------------------------------------------------------------------------#
# 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)
# Dataframe que servirá para 'salvar' os parâmtros do modelo em um arqivo .xlsx
df_exporta_modelo = df_final.copy()
# Retirandso a coluna da constante do "df_final"
df_final = df_final.drop(columns=['const'])
# MATRIZ DE CORRELAÇÕES
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 12:
# Utilizando o "df_final" para a criação da matriz de correlações
# -----------------------------------------------------------------------------------------------------------------#
# Calculando correlações
correlation_matrix = df_final.corr()
# Removendo a primeira coluna, assumindo que seja a primeira
correlation_matrix = correlation_matrix.iloc[1:, 1:]
# ADICIONANDO O ERRO PADRONIZADO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 13:
# 1) Adicionando o erro padronizado ao "df_final"
# 2) Criando o 'df_maiores_que_2' com os outliers (são os dados imputados na textbox. Ver o item 1) do Comentário 5
# 3) Criação da listagem que com os outliers que podem ser copiadas e coladas no textbox p/ retirar dados
# -----------------------------------------------------------------------------------------------------------------#
# Adicionando a coluna de erro padronizado ao df_final
df_final['Erro Padronizado'] = erro_padronizado
# 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']) ################### OUTPUT ##################
# Listagem de pontos com resíduos > 2
Listagem_df_maiores_que_2 = ", ".join(map(str, df_maiores_que_2.iloc[:, 0].tolist())) ############ OUTPUT ############
# VALORES AJUSTADOS X PREÇOS OBSERVADOS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 14:
# 1) Calculando os valores de 'X'. Ver o item 1) do comentário 10
# 2) Adicionando estes valores ao 'df_final'
# 3) A partir do 'df_final' é criado o 'df_correl' somente com as colunas 'Observados' e 'Calculados'
# 4) Criação de uma cópia do 'df_correl', antes de desfazer a conversão das escalas, para plotagem de um gráfico
# 5) Desfazendo a conversão das escalas para concatenar ao 'df_final'
# 6) Criando a coluna 'Diferença %' no 'df_correl'
# 7) Faznedo o merge do 'df_final' e do 'df_correl'
# -----------------------------------------------------------------------------------------------------------------#
# 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]: 'Observados'})
df_correl = df_correl.rename(columns={'Valores Ajustados': 'Calculados'})
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]: 'Observados'})
df_correl = df_correl.rename(columns={'Valores Ajustados': 'Calculados'})
# Criação de uma cópia do 'df_correl'
df_correl_grafico = df_correl.copy()
# Desfazendo a conversão da escala
if scv_d == 'lny':
df_correl['Calculados'] = round(np.exp(df_correl['Calculados']), 8)
df_correl['Observados'] = round(np.exp(df_correl['Observados']), 8)
elif scv_d == '1/y':
df_correl['Calculados'] = round(1 / df_correl['Calculados'], 8)
df_correl['Observados'] = round(1 / df_correl['Observados'], 8)
elif scv_d == 'y²':
df_correl['Calculados'] = round(np.sqrt(df_correl['Calculados']), 8)
df_correl['Observados'] = round(np.sqrt(df_correl['Observados']), 8)
else:
pass # Nenhuma transformação é necessária
# Criando uma coluna de diferença percentual
################################### OUTPUT ##########################################
df_correl['Diferença %'] = round(((df_correl['Calculados']/df_correl['Observados'])-1)*100, 8)
# Usando a primeira coluna de cada DataFrame como chave para o merge
################################### OUTPUT ##########################################
df_final_2 = pd.merge(df_final, df_correl, left_on=df_final.columns[0], right_on=df_correl.columns[0], how='left')
# ARQUIVO EXCEL
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 15:
# 1) Cria um output de planilha do excel vazio e:
# 2) Acrescenta 'df_original': planilha original de dados (todas as variáveis, sem conversão de escala e todos os dados)
# 3) Acrescenta 'df_dados_utilizados': somente as variáveis e os dados utilizado (sem conversão de escala)
# 4) Acrescenta 'df_outliers': dados retidados do modelo
# 5) Acrescenta 'df_correl': Obs x Calc
# 6) Cria um aba no arquivo com o nome 'Resultados' e acrescenta todos os resultados estatísticos
# 7) Acrescenta o 'df_exporta_modelo' com o nome 'Model'. Ver item 2) do Comentáro 11. Serve p/ carregar modelo futuramente
# 8) Cria uma aba chamada 'avaliando' que serve de modelo para quando este modelo cfora carregado novamente
# -----------------------------------------------------------------------------------------------------------------#
current_date = datetime.now().strftime("%d%b%y").lower()
output_file = 'modelo.xlsx' ################################### OUTPUT ##########################################
output_file = f"{name_model}_model_{current_date}.xlsx"
with pd.ExcelWriter(output_file, engine='xlsxwriter') as writer:
# Salve o DataFrame 'DADOS INICIAIS' na planilha
df_original.to_excel(writer, sheet_name='Dados Originais', index=False)
# Salve o DataFrame 'DADOS UTILIZADOS' na planilha
df_dados_utilizados.to_excel(writer, sheet_name='Dados Utilizados', index=False)
# Salve o DataFrame 'DADOS NÃO UTILIZADOS' na planilha
df_outliers.to_excel(writer, sheet_name='Dados Não utilizados', index=False)
# Salve o DataFrame 'MÁXIMOS E MÍNIMOS' na planilha
df_limites_var_final.to_excel(writer, sheet_name='Fronteiras', index=False)
# Salve o DataFrame 'PLANILHA OBS X CALC' na planilha
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],
'Número de variáveis utilizadas': [n_vars],
'1) Comparação (curva normal 68% 90% 95%)': [perc_resid],
'2) Estatística do teste': [jarque_bera_test],
'- Valor-p': [p_value],
'- Assimetria (Skewness)': [skewness],
'- Curtose (Kurtosis)': [kurtosis],
'Fundamentação - Quant. min. dados (Item 2 tab 9.2.1 NBR 14.653-2)': [tab2],
'Fundamentação - Signif. Regressores (Item 5 tab 9.2.1 NBR 14.653-2)': [tab5],
'Fundamentação - Signif. Modelo (Item 6 tab 9.2.1 NBR 14.653-2)': [tab6]
})
# Transponha o DataFrame
resultados = resultados.T.reset_index()
# Defina os nomes das colunas do novo DataFrame
resultados.columns = ['Resultado', 'Valor']
#resultados.to_excel(writer, sheet_name='Result_gerais', index=False)
# Salve o DataFrame 'RESULTADOS VARS' na planilha
#resultados_vars.to_excel(writer, sheet_name='Result_vars', index=False)
# Combine 'Result_gerais' e 'Result_vars' na aba 'Resultados_estatísticos'
# Adicione uma coluna vazia entre os DataFrames
resultados_vars_shifted = pd.concat([pd.DataFrame(columns=['', '']), resultados_vars], axis=1)
# Concatenar os dois DataFrames lado a lado
resultados_estatisticos = pd.concat([resultados, resultados_vars_shifted], axis=1)
# Escrever o DataFrame combinado na aba 'Resultados_estatísticos'
resultados_estatisticos.to_excel(writer, sheet_name='Resultados_estatísticos', index=False)
# Salve o DataFrame 'DADOS PARA REGRESSÃO' na planilha
#df_exporta_modelo.to_excel(writer, sheet_name='Model', index=False)
# Salve o DataFrame 'PLANILHA MODELO PARA AVALIAÇÃO' na planilha 'relatório'
df_avalia_copy = df_avalia.copy()
df_avalia_copy = df_avalia_copy.iloc[0:0]
df_avalia_copy.to_excel(writer, sheet_name='avaliando', index=False)
# Acrescente o DataFrame 'df_scv' (svc e escalas) na aba 'Escalas'
df_scv.to_excel(writer, sheet_name='Escalas', index=False)
# PONTOS INFLUENCIANTES
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 16:
# 1) Por meio da distância de cook, calcula-se os pontos influeniantes
# -----------------------------------------------------------------------------------------------------------------#
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)) ##################### OUTPUT #####################
# GRÁFICOS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 17:
# 1) Gráfico de resíduos padronizados
# 2) Histograma de resíduos
# 3) Pontos influenciantes
# 4) Gráfico de Valores ajustados x Preços observados
# 5) Gráfico do ExtraTreesRegessor - influência das variáveis. Ver Comentário 9
# 6) Matriz de correlações
# -----------------------------------------------------------------------------------------------------------------#
# Gráfico dos resíduos padronizados
fig, ax1 = plt.subplots(figsize=(8, 4))
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)
for i, txt in enumerate(df_final.iloc[:, 0]):
if abs(erro_padronizado[i]) > 2:
ax1.annotate(txt, (df_final['Valores Ajustados'][i], erro_padronizado[i]), xytext=(5, 5),
textcoords='offset points', fontsize=12, color='darkred')
fig.savefig('residuos_padronizados.png')
plt.close(fig) # Fecha a figura para que o próximo gráfico seja independente
# Histograma dos resíduos padronizados
fig, ax2 = plt.subplots(figsize=(8, 4))
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)
fig.savefig('histograma_residuos_padronizados.png')
plt.close(fig)
# Gráfico da distância de Cook
fig, ax3 = plt.subplots(figsize=(8, 4))
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)
for i, valor in enumerate(distancia_cook):
if valor > 1:
ax3.annotate(str(i), (i, valor), xytext=(5, 5), textcoords='offset points', fontsize=12, color='darkred')
fig.savefig('distancia_cook.png')
plt.close(fig)
# Gráfico Valores Ajustados vs Preços Observados
fig, ax4 = plt.subplots(figsize=(8, 4))
x_values = df_correl_grafico['Observados']
y_values = df_correl_grafico['Calculados']
slope, intercept = np.polyfit(x_values, y_values, 1)
ax4.scatter(x_values, y_values, color='black')
ax4.plot(x_values, slope * x_values + intercept, color='orange', linestyle='--', linewidth=2)
ax4.set_title('Valores Ajustados vs Preços Observados')
ax4.set_xlabel('Preços Observados')
ax4.set_ylabel('Valores Ajustados')
ax4.grid(True)
fig.savefig('valores_ajustados_vs_observados.png')
plt.close(fig)
# Matriz de correlações
fig, ax6 = plt.subplots(figsize=(8, 4))
ax6.set_title('Matriz de Correlação')
palette = sns.light_palette("orange", as_cmap=True)
sns.heatmap(correlation_matrix, annot=True, cmap=palette, linewidths=0.3, ax=ax6, annot_kws={"size": 6},
cbar_kws={"shrink": 0.8})
fig.savefig('matriz_correlacao.png')
plt.close(fig)
################################### OUTPUT ##########################################
# AVALIAÇÃO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 18:
# 1) No momento de gerar modelo é possível, por meio da aba "avaliando" da planilha imputada, fazer uma avalaição
# 2) Criadas duas cópias do "df_aval".
# -----------------------------------------------------------------------------------------------------------------#
try:
# Carregando o(s) avaliando(s)
df_aval = pd.read_excel(planilha.name, 'avaliando')
# avaliando(s)
df_aval_final = df_aval.copy()
df_aval_original = pd.DataFrame()
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 19:
# 1) O 'df_aval_final' serve como agregador das informações, mantendo a forma original para posterior apresentação
# -----------------------------------------------------------------------------------------------------------------#
# Para criar um dataframe final sem as escalas convertidas e apenas com as variáveis escolhidas
for i, col in enumerate(df_aval_final.columns):
# Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
if (i == 0 and scv_1 != "-") or \
(i == 1 and scv_2 != "-") or \
(i == 2 and scv_3 != "-") or \
(i == 3 and scv_4 != "-") or \
(i == 4 and scv_5 != "-") or \
(i == 5 and scv_6 != "-") or \
(i == 6 and scv_7 != "-") or \
(i == 7 and scv_8 != "-") or \
(i == 8 and scv_9 != "-") or \
(i == 9 and scv_10 != "-") or \
(i == 10 and scv_11 != "-") or \
(i == 11 and scv_12 != "-") or \
(i == 12 and scv_13 != "-") or \
(i == 13 and scv_14 != "-") or \
(i == 14 and scv_15 != "-") or \
(i == 15 and scv_16 != "-"):
if i < len(df_aval_final.columns):
df_aval_original[col] = df_aval_final.iloc[:, i]
#df_aval_original.to_excel("df_aval_original.xlsx") ##################### Linha de verificação ##################
#df_var_ext = calc_extrapola(df_aval_original, df_limites_var) ############# Linha de verificação ###############
# VERIFICAÇÃO DA EXTRAPOLAÇÃO DSA VARIÁVEIS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 20:
# 1) A partir do 'df_aval_original' cria-se a coluna "extrapola" pela função 'calc_extrapola'
# -----------------------------------------------------------------------------------------------------------------#
# Aplicação da função para criação de coluna com estrapolação das variáveis
calc_extrapola(df_aval_original, df_limites_var_final)
# DATAFRAME PARA IMPUTAR NO MODELO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 21:
# 1) A partir do 'df_aval' faz-se a conversão das escalas
# 2) Criação do 'X_aval' (variáveis independentes dos dados)
# 3) Agregando os valores previstos no 'df_aval_original'
# 4) Cálculo do Campo de Arbítrio e Intervalo de Confiança de 80%, agregando as colunas ao 'df_aval_original'
# 5) Cálculo da 'Precisão' e criação de coluna no 'df_aval_original'
# -----------------------------------------------------------------------------------------------------------------#
if model == "Carregar":
# Carrega o arquivo Excel da planilha fornecida (ignorando o cabeçalho na primeira linha)
df_escalas = pd.read_excel(planilha.name, sheet_name="Escalas")
# Preenchendo as variáveis com base nos valores da planilha, ajustando para o cabeçalho
v_d = df_escalas.iloc[0, 2]
scv_d = df_escalas.iloc[0, 1]
scv_1 = df_escalas.iloc[1, 1]
scv_2 = df_escalas.iloc[2, 1]
scv_3 = df_escalas.iloc[3, 1]
scv_4 = df_escalas.iloc[4, 1]
scv_5 = df_escalas.iloc[5, 1]
scv_6 = df_escalas.iloc[6, 1]
scv_7 = df_escalas.iloc[7, 1]
scv_8 = df_escalas.iloc[8, 1]
scv_9 = df_escalas.iloc[9, 1]
scv_10 = df_escalas.iloc[10, 1]
scv_11 = df_escalas.iloc[11, 1]
scv_12 = df_escalas.iloc[12, 1]
scv_13 = df_escalas.iloc[13, 1]
scv_14 = df_escalas.iloc[14, 1]
scv_15 = df_escalas.iloc[15, 1]
scv_16 = df_escalas.iloc[16, 1]
# alterar escalas (para rodar o modelo)
aplicar_operacao(df_aval, scv_1, 0)
aplicar_operacao(df_aval, scv_2, 1)
aplicar_operacao(df_aval, scv_3, 2)
aplicar_operacao(df_aval, scv_4, 3)
aplicar_operacao(df_aval, scv_5, 4)
aplicar_operacao(df_aval, scv_6, 5)
aplicar_operacao(df_aval, scv_7, 6)
aplicar_operacao(df_aval, scv_8, 7)
aplicar_operacao(df_aval, scv_9, 8)
aplicar_operacao(df_aval, scv_10, 9)
aplicar_operacao(df_aval, scv_11, 10)
aplicar_operacao(df_aval, scv_12, 11)
aplicar_operacao(df_aval, scv_13, 12)
aplicar_operacao(df_aval, scv_14, 13)
aplicar_operacao(df_aval, scv_15, 14)
aplicar_operacao(df_aval, scv_16, 15)
# Criando um dataframe apenas com as variáveis escolhidas e com as escalas convertidas.
X_aval = pd.DataFrame()
# Iterar sobre as colunas do DataFrame para fazer a predição de valor
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 == 0 and scv_1 != "-") or \
(i == 1 and scv_2 != "-") or \
(i == 2 and scv_3 != "-") or \
(i == 3 and scv_4 != "-") or \
(i == 4 and scv_5 != "-") or \
(i == 5 and scv_6 != "-") or \
(i == 6 and scv_7 != "-") or \
(i == 7 and scv_8 != "-") or \
(i == 8 and scv_9 != "-") or \
(i == 9 and scv_10 != "-") or \
(i == 10 and scv_11 != "-") or \
(i == 11 and scv_12 != "-") or \
(i == 12 and scv_13 != "-") or \
(i == 13 and scv_14 != "-") or \
(i == 14 and scv_15 != "-") or \
(i == 15 and scv_16 != "-"):
if i < len(df_aval.columns):
X_aval[col] = df_aval.iloc[:, i]
# Adicionando a constante
X_aval.insert(0, 'const', 1) ############################# Linha de verificação ###############################
# Avaliando(s) no modelo para predição de valor
valores_previstos_aval = resultado.predict(X_aval)
df_aval_original['VALOR'] = round(valores_previstos_aval, 8)
# Desfazendo a conversão das escalas
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"
# Criação de um índice para os avaliandos
df_aval_original.insert(0, 'nº_aval', range(1, len(df_aval_original) + 1))
# DATA FRAME COM AS EXTRAPOLAÇÕES
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 22:
# 1) Cria o 'df_resultado' a partir do uma cópia do 'df_aval_original'
# 2) A partir do uma cópia do 'df_resultado', cria-se o 'X_ext' (na fronteira), para aplicação no modelo
# 3) Reisere-se os valor previstos (convertendos as escalas) em uma coluna do 'df_resultado'
# 4) Reisere-se os valor previstos (convertendos as escalas) na coluna 'VALOR_ext' do 'df_aval_original'
# -----------------------------------------------------------------------------------------------------------------#
#if not df_aval_original.empty:
# Copiar o DataFrame original
df_resultado = df_aval_original.copy()
# Filtrar os dados onde 'extrapola' não é 'sem extrapolação'
df_resultado = df_resultado[df_resultado['extrapola'] != 'sem extrapolação']
# Separar a coluna 'nº_aval' antes de fazer qualquer seleção de colunas
numeracao = df_resultado['nº_aval']
# Excluir a coluna 'nº_aval' temporariamente para o processamento
df_resultado = df_resultado.drop(columns=['nº_aval'])
# Encontre o índice da coluna 'extrapola'
indice_extrapola = df_resultado.columns.get_loc('extrapola')
# Selecione todas as colunas até a coluna 'extrapola'
df_resultado = df_resultado.iloc[:, :indice_extrapola]
# Loop para ajustar os valores conforme os limites
for index, row in df_resultado.iterrows():
for col in df_resultado.columns:
valor = row[col]
limite_min = df_limites_var_final.iloc[0][col]
limite_max = df_limites_var_final.iloc[1][col]
# Substituir se o valor for menor que o limite mínimo
if valor < limite_min:
df_resultado.at[index, col] = limite_min
# Substituir se o valor for maior que o limite máximo
elif valor > limite_max:
df_resultado.at[index, col] = limite_max
# Reinsere a coluna 'nº_aval' no DataFrame
df_resultado['nº_aval'] = numeracao.values
# Reorganiza as colunas para garantir que 'nº_aval' seja a primeira
cols = ['nº_aval'] + [col for col in df_resultado.columns if col != 'nº_aval']
df_resultado = df_resultado[cols]
# Exibir o resultado final
X_ext = df_resultado.copy()
X_ext = X_ext.iloc[:, 1:]
# alterar escalas (para rodar o modelo)
aplicar_operacao(X_ext, scv_1, 0)
aplicar_operacao(X_ext, scv_2, 1)
aplicar_operacao(X_ext, scv_3, 2)
aplicar_operacao(X_ext, scv_4, 3)
aplicar_operacao(X_ext, scv_5, 4)
aplicar_operacao(X_ext, scv_6, 5)
aplicar_operacao(X_ext, scv_7, 6)
aplicar_operacao(X_ext, scv_8, 7)
aplicar_operacao(X_ext, scv_9, 8)
aplicar_operacao(X_ext, scv_10, 9)
aplicar_operacao(X_ext, scv_11, 10)
aplicar_operacao(X_ext, scv_12, 11)
aplicar_operacao(X_ext, scv_13, 12)
aplicar_operacao(X_ext, scv_14, 13)
aplicar_operacao(X_ext, scv_15, 14)
aplicar_operacao(X_ext, scv_16, 15)
X_ext.insert(0, 'const', 1) ############################### Linha de verificação ################################
# Avaliando(s)
valores_previstos_ext = resultado.predict(X_ext)
df_resultado['VALOR'] = round(valores_previstos_ext, 8)
if scv_d == 'lny':
df_resultado['VALOR'] = round(np.exp(df_resultado['VALOR']), 8)
elif scv_d == '1/y':
df_resultado['VALOR'] = round(1 / df_resultado['VALOR'], 8)
elif scv_d == 'y²':
df_resultado['VALOR'] = round(np.sqrt(df_resultado['VALOR']), 8)
else:
pass # Nenhuma transformação é necessária
df_resultado ################################ Linha de verificação ################################
df_aval_original['VALOR_fronteira'] = round(valores_previstos_ext, 8)
if scv_d == 'lny':
df_aval_original['VALOR_fronteira'] = round(np.exp(df_aval_original['VALOR_fronteira']), 8)
elif scv_d == '1/y':
df_aval_original['VALOR_fronteira'] = round(1 / df_aval_original['VALOR_fronteira'], 8)
elif scv_d == 'y²':
df_aval_original['VALOR_fronteira'] = round(np.sqrt(df_aval_original['VALOR_fronteira']), 8)
else:
pass # Nenhuma transformação é necessária
# Salve o DataFrame 'result' em uma planilha
df_aval_original.to_excel("planilha_aval.xlsx", index=True) ####################### OUTPUT #######################
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=True)
# LAUDO
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 27:
# 1) Cria as strings patra as seções do laudo
# 2) Gera documento em word
# -----------------------------------------------------------------------------------------------------------------#
# criação de strings para os relatórios da interface e do word
trabalho = f"""
Identificação do trabalho técnico: {laudo}
Data de referência do laudo: {data_ref}
Data de elaboração do laudo: {data_laudo}
"""
dados_resp = f"""
Responsável Técnico: {nome}
Profissão: {prof}
Entidade de Classe: {ent} {uf}
Número do registro: {reg}
"""
#####
introd = f"""
Logradouro e número: {lograd}
Município: {munic}
Tipo de imóvel: {tipo_imo}
Solicitante: {solic}
Finalidade: {finalidade}
Objetivo: {objetivo}
Pressupostos, Ressalvas e Fatores Limitantes: {press}
"""
#####
regiao = f"""
Infraestrutura: {str(infra).replace("[", "").replace("]", "").replace("'", "")}
Serviços públicos: {str(serv).replace("[", "").replace("]", "").replace("'", "")}
Uso: {uso}
Padrão predominante na região: {pad_reg}
Tipo de via de acesso: {tipo_via}
Outras observações: {obs_gerais}
"""
#####
diag = f"""
Performance: {per}
Nível de Ofertas do Segmento: {ofe}
Liquidez: {liq}
Outras informações: {dia}
"""
metodologia = f"""
Para a verificação do valor locativo mensal, foi utilizado o Método Comparativo de Dados de Mercado, conforme preconiza a NBR 14653-2:2011, Norma Brasileira de Avaliação de Bens- Imóveis Urbanos. Definido como aquele pelo qual o valor de um bem é determinado por comparação com outros de características semelhantes, através de tratamento técnico dos atributos dos elementos comparáveis, constituintes da amostra utilizada.
Os elementos amostrais tomados como referência, embora comparáveis ao imóvel avaliando, possuem características distintas devido à típica heterogeneidade do produto oferecido pelo mercado de imóveis. Torna-se imprescindível, então, a homogeneização dos dados amostrais. Entende-se por homogeneização o tratamento dispensado aos dados objetivando retirar as discrepâncias existentes entre as características de cada imóvel tomado como referência as do imóvel avaliando. A fim de que se alcance um grau maior de precisão nos trabalhos avaliatórios a NBR 14653-2:2011, Norma Brasileira de Avaliação de Bens - Imóveis Urbanos, recomenda que a homogeneização deve ser baseada em processos de inferência estatística, ao invés de utilizar fatores determinísticos e ponderações de ordem subjetiva, que implicam em uma sensível perda do nível de precisão dos trabalhos avaliatórios.
O mercado imobiliário não se vincula diretamente a índices econômicos e não segue um mesmo padrão em toda a cidade. Sendo assim, o comportamento das variáveis explicativas do valor apresenta oscilações diferenciadas em regiões distintas e em determinados intervalos de tempo, as quais podem contribuir de forma variada no preço final dos imóveis, de acordo com suas peculiaridades. Portanto, empregou-se a regressão múltipla para a homogeneização dos dados. Esta é a técnica adequada quando se deseja estudar o comportamento de uma variável, dita dependente, em relação a outras variáveis, ditas independentes, que são responsáveis por sua formação.
"""
#####
assinatura = f"""
Data: {data_laudo}
{nome} | {prof}
{ent}-{uf} {reg}
"""
# Gerando documento em word
doc = Document()
doc.add_heading('Relatório de Avaliação de Imóvel', level=1)
sections = [
(trabalho, "Trabalho Técnico"),
(dados_resp, "Informações do Responsável Técnico"),
(introd, "Introdução"),
(regiao, "Características da Região"),
(diag, "Diagnóstico de Mercado"),
(metodologia, "Metodologia"),
(resultados_gerais, "Resultados Gerais Modelo"),
("", "Análise Gráfica"),
(assinatura, ""),
]
for content, title in sections:
doc.add_heading(title, level=2)
if title == "Resultados Gerais do Modelo":
# Adiciona a tabela do DataFrame
table = doc.add_table(rows=1, cols=len(resultados_gerais.columns))
hdr_cells = table.rows[0].cells
for i, column_name in enumerate(resultados_gerais.columns):
paragraph = hdr_cells[i].paragraphs[0]
run = paragraph.runs[0] if paragraph.runs else paragraph.add_run()
run.text = str(column_name)
run.font.size = Pt(12) # Tamanho da fonte para o cabeçalho da tabela
for index, row in resultados_gerais.iterrows():
row_cells = table.add_row().cells
for i, value in enumerate(row):
paragraph = row_cells[i].paragraphs[0]
run = paragraph.runs[0] if paragraph.runs else paragraph.add_run()
run.text = str(value)
run.font.size = Pt(10) # Define o tamanho da fonte para 8 para os dados da tabela
elif title == "Análise Gráfica":
# Adiciona os gráficos ao documento
doc.add_picture('residuos_padronizados.png', width=Inches(6))
doc.add_picture('histograma_residuos_padronizados.png', width=Inches(6))
doc.add_picture('distancia_cook.png', width=Inches(6))
doc.add_picture('valores_ajustados_vs_observados.png', width=Inches(6))
doc.add_picture('matriz_correlacao.png', width=Inches(6))
else:
p = doc.add_paragraph()
run = p.add_run(content)
run.font.size = Pt(12)
if title == "": # Seção de assinatura
p.alignment = WD_PARAGRAPH_ALIGNMENT.RIGHT
else:
p.alignment = WD_PARAGRAPH_ALIGNMENT.LEFT
# Adicionando a seção com os dados utilizados como tabela
doc.add_heading("Dados Utilizados", level=2)
# Cria uma tabela no Word com o DataFrame df_dados_utilizados
table = doc.add_table(rows=1, cols=len(df_dados_utilizados.columns))
hdr_cells = table.rows[0].cells
# Preenche as colunas da tabela
for i, column_name in enumerate(df_dados_utilizados.columns):
hdr_cells[i].text = str(column_name)
# Ajustando a fonte do cabeçalho
paragraph = hdr_cells[i].paragraphs[0]
run = paragraph.runs[0]
run.font.size = Pt(5) # Define o tamanho da fonte como 5
# Preenche as linhas da tabela
for index, row in df_dados_utilizados.iterrows():
row_cells = table.add_row().cells
for i, value in enumerate(row):
row_cells[i].text = str(value)
# Ajustando a fonte das células de dados
paragraph = row_cells[i].paragraphs[0]
run = paragraph.runs[0]
run.font.size = Pt(5) # Define o tamanho da fonte como 5
# Salva o documento
doc.save('relatorio_avaliacao.doc')
# OUTPUTS
# -----------------------------------------------------------------------------------------------------------------#
# Comentário 23:
# 1) Ao lado de cada output consta a linha do código
# -----------------------------------------------------------------------------------------------------------------#
return (
#df_original,
string_colunas,
resultados_gerais,
equacao_modelo,
resultados_vars,
df_final_2,
Listagem_df_maiores_que_2,
string_pontos_influentes,
df_maiores_que_2,
df_outliers,
df_limites_var_final,
'residuos_padronizados.png',
'histograma_residuos_padronizados.png',
'distancia_cook.png',
'valores_ajustados_vs_observados.png',
'matriz_correlacao.png',
df_aval_original,
'planilha_aval.xlsx',
output_file,
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,
trabalho,
dados_resp,
introd,
regiao,
diag,
metodologia,
'relatorio_avaliacao.doc'
)
# -------------------------------------- #
lista_finalidades = ["-",
"ADJUDICAÇÃO COMPULSÓRIA", "ALUGUEL", "AQUISIÇÃO", "CAUÇÃO", "CEDÊNCIA", "DAÇÃO EM PAGAMENTO",
"DEC_PROJ DE LEI", "DECLARATÓRIA", "DESAPROPRIAÇÃO PARCIAL", "DESAPROPRIAÇÃO TOTAL", "DOAÇÃO",
"EMBARGOS À ARREMATAÇÃO", "EMBARGOS A EXECUÇÃO FISCAL", "EQUIVALÊNCIA", "EXECUÇÃO FISCAL",
"FUTURA LICITAÇÃO", "GARANTIA", "INDENIZAÇÃO", "IPTU", "MULTA IMÓVEL INVENTARIADO", "PERMUTA",
"PROJETO ESPECIAL", "PRÓPRIO MUNICIPAL", "PRÓPRIO MUNICIPAL - ALIENAÇÃO",
"PRÓPRIO MUNICIPAL - CONCESSÃO DE USO", "PRÓPRIO MUNICIPAL - PERMISSÃO DE USO", "RECOMPRA",
"RECURSO ITBI", "REGULARIZAÇÃO", "REINTEGRAÇÃO DE POSSE", "SOLO CRIADO", "TAXA DE OCUPAÇÃO",
"USUCAPIÃO"
]
lista_imo = ["-",
"Apartamento", "Apartamento de cobertura", "Apartamento garden", "Armazém", "Bangalô",
"Barracão", "Box/Garagem", "Casa", "Casa comercial", "Casa em condomínio",
"Centro de distribuição", "Chácara", "Cobertura duplex", "Cobertura triplex",
"Condomínio de apartamentos", "Condomínio de casas", "Condomínio fechado", "Conjunto comercial",
"Duplex", "Edifício residencial", "Estúdio", "Fazenda", "Flat", "Galpão", "Gleba", "Hotel",
"Imóvel rural", "Imóvel urbano", "Kitnet", "Loft", "Loft duplex", "Loja", "Lote", "Motel",
"Ponto comercial", "Pousada/Chalé", "Prédio comercial", "Quarto", "Sala comercial", "Sobrado",
"Studio", "Sítio", "Terreno", "Terreno em condomínio", "Triplex", "Vila residencial",
"Outro"
]
#----------------------------------------------------------INTERFACES----------------------------------------------------------#
with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="yellow",)) as interface:
gr.Markdown(f"""
<p style="text-align: center; line-height: 1;">
<b><span style='color: grey; font-size: 25px;'>aval</span></b>
<b><span style='color: orange; font-size: 25px;'>ia</span></b>
<b><span style='color: grey; font-size: 25px;'>.se</span></b>
</p>
<p style="text-align: center; line-height: 1.2;">Faça o download de uma planilha de exemplo <a href='https://huggingface.co/spaces/DavidSB/avalia.se_RL_Tabs/resolve/main/Teste.xlsx' download='Teste.xlsx'>aqui</a><br><br></p>
""")
with gr.Row():
with gr.Column():
with gr.Row():
inp_1 = gr.File(label="Upload planilha", type="filepath", scale=1, height=100)
#inp_1 = gr.File(label="Upload planilha", type="filepath", scale=2, height=100)
with gr.Row():
model = gr.Dropdown(['Gerar', 'Carregar',], label="Modelo", value='Gerar', scale=0.5)
inp_2 = gr.Textbox(label="Nome do modelo", scale=1, value='nome modelo')
inp_3 = gr.Dropdown(['Valor total', 'Valor unitário',], label="Var Dependente", value='Valor unitário')
inp_4 = gr.Dropdown(['y', 'lny', '1/y', 'y²'], label="Escala", value='y', scale=0.5)
button_1 = gr.Button("Gerar")
with gr.Group():
with gr.Row():
inp_5 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_1", value='x', scale=1)
inp_6 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_2", value='x', scale=1)
inp_7 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_3", value='-', scale=1)
inp_8 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_4", value='-', scale=1)
with gr.Row():
inp_9 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_5", value='-', scale=1)
inp_10 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_6", value='-', scale=1)
inp_11 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_7", value='-', scale=1)
inp_12 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_8", value='-', scale=1)
with gr.Row():
inp_13 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_9", value='-', scale=1)
inp_14 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_10", value='-', scale=1)
inp_15 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_11", value='-', scale=1)
inp_16 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_12", value='-', scale=1)
with gr.Row():
inp_17 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_13", value='-', scale=1)
inp_18 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_14", value='-', scale=1)
inp_19 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_15", value='-', scale=1)
inp_20 = gr.Dropdown(['-','x', 'lnx', '1/x', 'x²'], label="Var_16", value='-', scale=1)
inp_21 = 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")
button_2 = gr.Button("Gerar")
with gr.Row():
# Informações iniciais sobre o trabalho técnico
lau_1 = gr.Textbox(label="Identificação do trabalho técnico", value="-")
lau_2 = gr.Textbox(label="Data de Referência da Avaliação", value="-")
lau_3 = gr.Textbox(label="Data de elaboração da Avaliação", value="-")
with gr.Row():
# Informações do Responsável Técnico
inf_1 = gr.Textbox(label="Responsável Técnico", value="-")
inf_2 = gr.Dropdown(["-", "Engenheiro Civil", "Arquiteto e Urbanista", "Corretor de Imóveis"], label="Profissão", value="-",
allow_custom_value=True)
with gr.Row():
inf_3 = gr.Dropdown(["CREA", "CAU", "CRECI"],label="Entidade de Classe", value="-")
inf_4 = gr.Dropdown(["AC", "AL", "AP", "AM", "BA", "CE", "DF", "ES", "GO", "MA", "MT", "MS", "MG", "PA", "PB", "PR", "PE", "PI", "RJ", "RN", "RS", "RO", "RR", "SC", "SP", "SE", "TO"],label="Unidade Federativa", value="RS")
inf_5 = gr.Textbox(label="Nº do registro", value="-")
with gr.Row():
# Introdução
int_1 = gr.Textbox(label="Endereço (Logradouro, nº e bairro)", value="-")
int_2 = gr.Textbox(label="Município", value="-")
with gr.Row():
int_3 = gr.Dropdown(label="Tipo de Imóvel", choices = lista_imo, value="-", allow_custom_value=True)
int_4 = gr.Textbox(label="Solicitante", value="-")
with gr.Row():
int_5 = gr.Dropdown(label="Finalidade", choices = lista_finalidades, value="-", allow_custom_value=True)
int_6 = gr.Textbox(label="Objetivo", value="-")
with gr.Row():
# Características da Região
car_1 = gr.Textbox(label="Pressupostos, Ressalvas e Fatores Limitantes", value="-")
with gr.Row():
car_2 = gr.Dropdown(["Água Potável", "Energia Elétrica", "Telefone", "Pavimentação", "Esgoto Pluvial", "Esgoto Cloacal"
"Iluminação Pública"], value=["Água Potável"], multiselect=True, label="Infraestrutura Urbana")
car_3 = gr.Dropdown(["Coleta de Lixo", "Transporte Coletivo", "Comércio", "Educação", "Saúde"],
value=["Coleta de Lixo"], multiselect=True, label="Serviços Públicos")
with gr.Row():
car_4 = gr.Dropdown(["Residencial", "Comercial", "Misto"], label="Região - Uso",value="Residencial")
car_5 = gr.Dropdown(["Baixo", "Normal", "Alto"], label="Região - Padrão",value="Normal")
car_6 = gr.Dropdown(["Local", "Coletora", "Arterial"], label="Via de acesso ao imóvel",value="Local")
with gr.Row():
car_7 = gr.Textbox(label="Outras inforações relevantes da região", value="-")
with gr.Row():
# Diagnóstico de Mercado
dia_1 = gr.Dropdown(["Aparentemente aquecido", "Sem destaque", "Aparentemente recessivo"], label="Performance",value="Sem destaque")
dia_2 = gr.Dropdown(["Aparentemente alto", "Sem destaque", "Aparentemente baixo"], label="Nível de Ofertas do Segmento",value="Sem destaque")
dia_3 = gr.Dropdown(["Provavelmente alto", "Sem destaque", "Provavelmente baixo"], label="Liquidez",value="Sem destaque")
with gr.Row():
dia_4 = gr.Textbox(label="Outras informações relevantes do Diagnóstico de mercado", value="-")
button_3 = gr.Button("Gerar")
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, lines=26) # Define o número de linhas para aumentar a altura
out_4 = gr.Textbox(label="Equação do Modelo")
out_5 = gr.Dataframe(label="Resultados por variável", height=250)
out_6 = gr.Dataframe(label="Planilha Regressão Linear (Variáveis e escalas escolhidas, sem outliers com o comparativo Obs x Calc)", height=250)
with gr.Group():
with gr.Row():
out_7 = gr.Textbox(label="Dados com resíduos padronizados > 2")
out_8 = gr.Textbox(label="Pontos Influenciantes (Distância de Cook > 1)")
out_9 = gr.Dataframe(label="Resíduos Padronizados > 2", height=250)
out_10 = gr.Dataframe(label="Outliers (retirados)", height=250)
#out_11 = gr.Dataframe(label="Valores Ajustados x Preços Observados", height=250)
out_12 = gr.Dataframe(label="Máximos e Mínimos por variável", height=250)
#button_4 = gr.Button("Gerar")
out_13 = gr.Image(show_label=False)
out_13a = gr.Image(show_label=False)
out_13b = gr.Image(show_label=False)
out_13c = gr.Image(show_label=False)
out_13d = gr.Image(show_label=False)
out_14 = gr.Dataframe(label="Avaliação", height=250)
out_15 = gr.components.File(label="Resultado da Avaliação")
out_16 = gr.components.File(label="Exportar Modelo")
with gr.Group():
out_17 = gr.Plot(label="Gráfico Dispersão var 1", show_label=False)
out_18 = gr.Plot(label="Gráfico Dispersão var 2", show_label=False)
out_19 = gr.Plot(label="Gráfico Dispersão var 3", show_label=False)
out_20 = gr.Plot(label="Gráfico Dispersão var 4", show_label=False)
out_21 = gr.Plot(label="Gráfico Dispersão var 5", show_label=False)
out_22 = gr.Plot(label="Gráfico Dispersão var 6", show_label=False)
out_23 = gr.Plot(label="Gráfico Dispersão var 7", show_label=False)
out_24 = gr.Plot(label="Gráfico Dispersão var 8", show_label=False)
out_25 = gr.Plot(label="Gráfico Dispersão var 9", show_label=False)
out_26 = gr.Plot(label="Gráfico Dispersão var 10", show_label=False)
out_27 = gr.Plot(label="Gráfico Dispersão var 11", show_label=False)
out_28 = gr.Plot(label="Gráfico Dispersão var 12", show_label=False)
out_29 = gr.Plot(label="Gráfico Dispersão var 13", show_label=False)
out_30 = gr.Plot(label="Gráfico Dispersão var 14", show_label=False)
out_31 = gr.Plot(label="Gráfico Dispersão var 15", show_label=False)
out_32 = gr.Plot(label="Gráfico Dispersão var 16", show_label=False)
out_lau_7 = gr.Textbox(label = "Trabalho")
out_lau_1 = gr.Textbox(label = "Informações do Responsável Técnico")
out_lau_2 = gr.Textbox(label = "Introdução")
out_lau_3 = gr.Textbox(label = "Características da Região")
out_lau_4 = gr.Textbox(label = "Diagnóstico de Mercado")
out_lau_5 = gr.Textbox(label = "Metodologia")
out_lau_6 = gr.File(label="Laudo de Avaliação")
inputs = [
inp_1, model, 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,
lau_1, lau_2, lau_3,
inf_1, inf_2, inf_3, inf_4, inf_5,
int_1, int_2, int_3, int_4, int_5, int_6,
car_1, car_2, car_3, car_4, car_5, car_6, car_7,
dia_1, dia_2, dia_3, dia_4
]
outputs = [
#out_1,
out_2, out_3, out_4, out_5, out_6, out_7, out_8, out_9, out_10,
out_12, out_13,out_13a,out_13b,out_13c,out_13d, 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_28, out_29, out_30, out_31, out_32,
out_lau_7, out_lau_1, out_lau_2, out_lau_3, out_lau_4, out_lau_5, out_lau_6
]
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)
#button_4.click(gera_model, inputs=inputs, outputs=outputs)
if __name__ == "__main__":
interface.launch(debug=True) |