Update app.py

app.py

@@ -24,7 +24,7 @@ from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
 from docx.shared import Inches
 from num2words import num2words
 from datetime import datetime
-#%matplotlib inline
+%matplotlib inline
 
 #%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 # 2) FUNÇÕES ACESSÓRIAS
@@ -140,7 +140,7 @@ def calc_extrapola(df_1, df_2):
 #%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
     
 # função para a regressão linear
-def gera_model(planilha, name_model, v_d, scv_d, 
+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,
@@ -151,8 +151,29 @@ def gera_model(planilha, name_model, v_d, scv_d,
                      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)
@@ -167,6 +188,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     
     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
@@ -174,7 +196,37 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # -----------------------------------------------------------------------------------------------------------------#
     
     # Dataframe para criação de uma planilha de modelo para avaliação
-    df_avalia = pd.DataFrame()        
+    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
@@ -242,7 +294,6 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # Transformando a lista em uma string separada por vírgula
     string_colunas = "\n".join(colunas)################################### OUTPUT ##########################################
 
-
     
     # CONVERSÃO DE ESCALAS
     # -----------------------------------------------------------------------------------------------------------------#
@@ -316,11 +367,34 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # 6) Contagem final da quantidade de linhas do "df_outliers"
     # -----------------------------------------------------------------------------------------------------------------#
     
-    # Convertendo a entrada em uma lista de inteiros
-    dados_out = [int(num.strip()) for num in out.split(",") if num.strip()]
+    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)]
@@ -593,7 +667,8 @@ def gera_model(planilha, name_model, v_d, scv_d,
     
     # Teste Kolmogorov-Smirnov (KS)
     ks_test = sm.stats.diagnostic.kstest_normal(residuos)
-    ks_test_formatted = tuple(round(val, 4) for val in ks_test)
+    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
@@ -669,20 +744,16 @@ def gera_model(planilha, name_model, v_d, scv_d,
     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}
-    Número de dados não utilizados: {num_outliers}
+    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): 
+    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%
-        Percentuais atingidos: {perc_resid}
-    2) Teste Kolmogorov-Smirnov (KS)
-      - Distribuição dos resíduos: {ks_test}
-    3) Teste de Jarque-Bera:
+    2) Teste de Jarque-Bera:
       - Estatística do teste: {jarque_bera_test}
       - Valor-p: {p_value}
       - Assimetria (Skewness): {skewness}
@@ -860,9 +931,8 @@ def gera_model(planilha, name_model, v_d, scv_d,
         'Número de observações': [num_observacoes],
         'Número de dados não utilizados': [num_outliers],
         'Número de variáveis utilizadas': [n_vars],
-        '1) Comparação (curva normal 68% 90% 65%)': [perc_resid],
-        '2) Teste Kolmogorov-Smirnov (KS)': [ks_test],
-        '3) Estatística do teste': [jarque_bera_test],
+        '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],
@@ -876,21 +946,33 @@ def gera_model(planilha, name_model, v_d, scv_d,
         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)
+        #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)
+        #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)
+        #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: 
@@ -920,7 +1002,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # -----------------------------------------------------------------------------------------------------------------#
     
     # Gráfico dos resíduos padronizados
-    fig, ax1 = plt.subplots(figsize=(8, 5))
+    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
@@ -937,7 +1019,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     plt.close(fig)  # Fecha a figura para que o próximo gráfico seja independente
 
     # Histograma dos resíduos padronizados
-    fig, ax2 = plt.subplots(figsize=(8, 5))
+    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')
@@ -947,7 +1029,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     plt.close(fig)
 
     # Gráfico da distância de Cook
-    fig, ax3 = plt.subplots(figsize=(8, 5))
+    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')
@@ -961,7 +1043,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     plt.close(fig)
 
     # Gráfico Valores Ajustados vs Preços Observados
-    fig, ax4 = plt.subplots(figsize=(8, 5))
+    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)
@@ -975,7 +1057,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     plt.close(fig)
 
     # Matriz de correlações
-    fig, ax6 = plt.subplots(figsize=(8, 5))
+    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},
@@ -988,7 +1070,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # AVALIAÇÃO
     # -----------------------------------------------------------------------------------------------------------------#
     # Comentário 18: 
-    # 1) No momento de gerar modelo é é possível, por meio da aba "avaliando" da planilha imputada, fazer uma avalaição
+    # 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". 
     # -----------------------------------------------------------------------------------------------------------------#
     
@@ -1001,8 +1083,7 @@ def gera_model(planilha, name_model, v_d, scv_d,
         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
@@ -1054,6 +1135,34 @@ def gera_model(planilha, name_model, v_d, scv_d,
     # 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)
@@ -1377,8 +1486,34 @@ O mercado imobiliário não se vincula diretamente a índices econômicos e não
             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
     # -----------------------------------------------------------------------------------------------------------------#
@@ -1387,7 +1522,7 @@ O mercado imobiliário não se vincula diretamente a índices econômicos e não
     # -----------------------------------------------------------------------------------------------------------------# 
     
     return (
-    df_original,
+    #df_original,
     string_colunas,
     resultados_gerais,
     equacao_modelo,
@@ -1474,9 +1609,10 @@ with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="y
                 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="VARIÁVEL DEPENDENTE", value='Valor unitário')
-                inp_4 = gr.Dropdown(['y', 'lny', '1/y', 'y²'], label="Escala", value='y')
+                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():
@@ -1549,27 +1685,27 @@ with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="y
             button_3 = gr.Button("Gerar")
                 
         with gr.Column():
-            out_1 = gr.Dataframe(label="Planilha de dados original", height=300)
+            #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_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")
-            out_6 = gr.Dataframe(label="Planilha Regressão Linear (Variáveis e escalas escolhidas, sem outliers com o comparativo Obs x Calc)", height=300)
+            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=300)
-                out_10 = gr.Dataframe(label="Outliers (retirados)", height=300)
-            #out_11 = gr.Dataframe(label="Valores Ajustados x Preços Observados", height=300)
-            out_12 = gr.Dataframe(label="Máximos e Mínimos por variável", height=300)
-            button_4 = gr.Button("Gerar")
+                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=300)
+            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():
@@ -1599,7 +1735,7 @@ with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="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_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,
@@ -1609,7 +1745,8 @@ with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="y
     ]
       
     outputs = [
-        out_1, out_2, out_3, out_4, out_5, out_6, out_7, out_8, out_9, out_10,
+        #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,
@@ -1619,7 +1756,7 @@ with gr.Blocks(theme=gr.themes.Monochrome(primary_hue="yellow", secondary_hue="y
     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_3.click(gera_model, inputs=inputs, outputs=outputs)
+    #button_4.click(gera_model, inputs=inputs, outputs=outputs)
     
 if __name__ == "__main__":
     interface.launch(debug=True)