Update app.py

app.py

@@ -14,7 +14,7 @@ import plotly.express as px
 
         #-----------------#
     
-# Function to save results in a PDF file
+#função para relatórios em pdf
 def save_results_to_pdf(results_formatados, intervalo_confiança, valores_finais):
     doc = SimpleDocTemplate("resultados.pdf", pagesize=letter)
     styles = getSampleStyleSheet()
@@ -35,6 +35,7 @@ def save_results_to_pdf(results_formatados, intervalo_confiança, valores_finais
     
         #-----------------#
 
+#função para renderizar um dataframe        
 def renderizar_dataframe(df):
     try:
         # Renderize o DataFrame como uma tabela HTML com rolagem horizontal
@@ -49,7 +50,8 @@ def renderizar_dataframe(df):
         return f"Erro ao processar o DataFrame: {str(e)}"
     
         #-----------------#
-    
+
+#função para criar um mapa no plotly
 def plotar_mapa_com_dois_dataframes(df1, df2):
     fig1 = px.scatter_mapbox(
         df1,
@@ -100,7 +102,7 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
     df_transp['fal'] = round(df_avaliando['Atratividade local'][0] / df_transp['Atratividade local'], 2)
     df_transp = df_transp[['fal']]
 
-        #-----------------#
+            #-----------------#
 
     # fator de correção da área construída (fac)
     df_area_const = df_dados.copy()
@@ -114,7 +116,7 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
     df_area_const['fac'] = round((df_area_const['razao']) ** (df_area_const['n']), 2)
     df_area_const = df_area_const[['fac']]
 
-        #-----------------#
+            #-----------------#
 
     # fator de correção da área do terreno (fat)
     df_area_terreno = df_dados.copy()
@@ -127,49 +129,48 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
     df_area_terreno['n'] = df_area_terreno['dif'].apply(lambda dif: 0.250 if dif <= x_at else 0.125)
     df_area_terreno['fat'] = round((df_area_terreno['razao']) ** (df_area_terreno['n']), 2)
     df_area_terreno = df_area_terreno[['fat']]
-    
-         #-----------------#
-    
+
+             #-----------------#
+
     # fator profundidade (fpe)
-    # Defina a função coeficiente_profundidade antes de criar os DataFrames
+    # Define a função coeficiente_profundidade antes de criar os DataFrames
     def coeficiente_profundidade(row):
-            A = row['Área Terreno']
-            t = row['Testada']
-    
-            pe = round(A/t, 2)
-            hipotese_1 = A > 5000 and pe > 90
-            hipotese_2 = A <= 5000 or (A > 5000 and pe <= 90)
-    
-            if finalidade == "Tipologias com área construída":
-                coef_pe = 1
+        A = row['Área Terreno']
+        t = row['Testada']
+
+        pe = round(A/t, 2)
+        hipotese_1 = A > 5000 and pe > 90
+        hipotese_2 = A <= 5000 or (A > 5000 and pe <= 90)
+
+        if finalidade == "Tipologias com área construída":
+            coef_pe = 1
+        else:
+            if hipotese_1:
+                coef_pe = round(4.8 * (t ** 0.2) * (A ** -0.4), 3)
             else:
-                if hipotese_1:
-                    coef_pe = round(4.8 * (t ** 0.2) * (A ** -0.4), 3)
+                if pe < 20:
+                    coef_pe = round((pe/20) ** 0.5, 3)
+                elif 20 <= pe < 33:
+                    coef_pe = 1
+                elif 33 <= pe < 90:
+                    coef_pe = round((33/pe) ** 0.5, 3)
                 else:
-                    if pe < 20:
-                        coef_pe = round((pe/20) ** 0.5, 3)
-                    elif 20 <= pe < 33:
-                        coef_pe = 1
-                    elif 33 <= pe < 90:
-                        coef_pe = round((33/pe) ** 0.5, 3)
-                    else:
-                        coef_pe = 0.6
-    
-            return coef_pe
+                    coef_pe = 0.6
 
-    # Crie os DataFrames df_profundidade e df_profundidade_aval
+        return coef_pe
+
+    # Cria os DataFrames df_profundidade e df_profundidade_aval
     df_profundidade = df_dados[['Área Terreno','Testada']].copy()
     df_profundidade['coef_pe'] = df_profundidade.apply(coeficiente_profundidade, axis=1)
 
-    # Crie o DataFrame df_profundidade_aval da mesma maneira, se necessário
     df_profundidade_aval = df_avaliando[['Área Terreno','Testada']].copy()
     df_profundidade_aval['coef_pe'] = df_profundidade_aval.apply(coeficiente_profundidade, axis=1)
 
     df_profundidade['fpe'] = round(df_profundidade_aval['coef_pe'][0]/df_profundidade['coef_pe'],2)
     df_profundidade = df_profundidade[['fpe']]
 
-        #-----------------#
-    
+            #-----------------#
+
     # fator topografia (ftp)
     # dicionário topografia
     dict_topo = {
@@ -181,11 +182,10 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
         'não se aplica' : 1,
     }
 
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe dos dados
+    # Cria os DataFrames df_topografia e df_topografia_aval
     df_topografia = df_dados.copy()
     df_topografia = df_topografia[['Topografia']]
 
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe do avaliando
     df_topografia_aval = df_avaliando.copy()
     df_topografia_aval = df_topografia_aval[['Topografia']]
 
@@ -197,36 +197,122 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
     df_topografia_aval['coef_tp'] = df_topografia_aval['Topografia'].apply(mapear_cod_topo)
     df_topografia['ftp'] = round(df_topografia_aval['coef_tp'][0]/df_topografia['coef_tp'],2)
     df_topografia = df_topografia[['ftp']] 
-    
-        #-----------------#
-    
-    # fator superfície (fsp)
-    # dicionário topografia
-    dict_sup = {
+
+            #-----------------#
+
+
+    # fator relevo (frv)
+    # dicionário relevo
+    dict_rel = {
         'plana' : 1.1,
         'ondulada': 1.00,
         'montanhosa/acidentada': 0.80,
         'não se aplica' : 1.00,
     } 
 
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe dos dados
+    # Cria os DataFrames df_relevo e df_relevo_aval
+    df_relevo = df_dados.copy()
+    df_relevo = df_relevo[['Relevo']]
+
+    df_relevo_aval = df_avaliando.copy()
+    df_relevo_aval = df_relevo_aval[['Relevo']]
+
+    # Função para mapear os valores de Relevo para cod_rel usando o dicionário
+    def mapear_cod_rel(relevo):
+        return dict_rel.get(relevo, 0)  # 0 como valor padrão caso o relevo não esteja no dicionário
+    # Aplicando a função para criar a coluna cod_rel em df_dados e df_avaliando
+    df_relevo['coef_rv'] = df_relevo['Relevo'].apply(mapear_cod_rel)
+    df_relevo_aval['coef_rv'] = df_relevo_aval['Relevo'].apply(mapear_cod_rel)
+    df_relevo['frv'] = round(df_relevo_aval['coef_rv'][0]/df_relevo['coef_rv'],2)
+    df_relevo = df_relevo[['frv']]
+
+            #-----------------#     
+
+    # fator superfície (fsp)
+    # dicionário superfície
+    dict_sup = {
+        'Seca': 1.00,
+        'Região inundável mas não atingida': 0.90,
+        'Região inundável mas atingida periodicamente': 0.70,
+        'Alagada': 0.60,
+        'não se aplica' : 1.00,
+    }       
+
+    # Cria os DataFrames df_superficie e df_superficie_aval
     df_superficie = df_dados.copy()
     df_superficie = df_superficie[['Superfície']]
 
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe do avaliando
     df_superficie_aval = df_avaliando.copy()
     df_superficie_aval = df_superficie_aval[['Superfície']]
 
-    # Função para mapear os valores de Topografia para cod_topo usando o dicionário
+    # Função para mapear os valores de Superfície para cod_sup usando o dicionário
     def mapear_cod_sup(superficie):
         return dict_sup.get(superficie, 0)  # 0 como valor padrão caso a superficie não esteja no dicionário
-    # Aplicando a função para criar a coluna cod_topo em df_dados e df_avaliando
+    # Aplicando a função para criar a coluna cod_sup em df_dados e df_avaliando
     df_superficie['coef_sp'] = df_superficie['Superfície'].apply(mapear_cod_sup)
     df_superficie_aval['coef_sp'] = df_superficie_aval['Superfície'].apply(mapear_cod_sup)
     df_superficie['fsp'] = round(df_superficie_aval['coef_sp'][0]/df_superficie['coef_sp'],2)
-    df_superficie = df_superficie[['fsp']]
+    df_superficie = df_superficie[['fsp']]        
+
+            #-----------------#
+
+    # fator aproveitamento (fap)
+    # dicionário aproveitamento
+    dict_apr = {
+        'Loteamento': 1.00,
+        'Indústria': 0.90,
+        'Culturas': 0.80,
+        'não se aplica' : 1.00,
+    }
+
+    # Cria os DataFrames df_aproveitamento e df_aproveitamento_aval
+    df_aproveitamento = df_dados.copy()
+    df_aproveitamento = df_aproveitamento[['Aproveitamento']]
+
+    df_aproveitamento_aval = df_avaliando.copy()
+    df_aproveitamento_aval = df_aproveitamento_aval[['Aproveitamento']]
+
+    # Função para mapear os valores de Aproveitamento para cod_apr usando o dicionário
+    def mapear_cod_apr(aproveitamento):
+        return dict_apr.get(aproveitamento, 0)  # 0 como valor padrão caso o aproveitamento não esteja no dicionário
+    # Aplicando a função para criar a coluna cod_apr em df_dados e df_avaliando
+    df_aproveitamento['coef_ap'] = df_aproveitamento['Aproveitamento'].apply(mapear_cod_apr)
+    df_aproveitamento_aval['coef_ap'] = df_aproveitamento_aval['Aproveitamento'].apply(mapear_cod_apr)
+    df_aproveitamento['fap'] = round(df_aproveitamento_aval['coef_ap'][0]/df_aproveitamento['coef_ap'],2)
+    df_aproveitamento = df_aproveitamento[['fap']] 
+
+            #-----------------#
+
+    # fator acessibilidade viária (fav)
+    # dicionário acessibilidade
+    dict_ace = {
+        'Ótima': 1.00,
+        'Muito boa': 0.95,
+        'Boa': 0.90,
+        'Desfavorável': 0.80,
+        'Má': 0.75,
+        'Péssima': 0.70,
+        'não se aplica' : 1.00,
+    }
     
-        #-----------------#
+    # Cria os DataFrames df_acesso e df_acesso_aval
+    df_acesso = df_dados.copy()
+    df_acesso = df_acesso[['Acessibilidade']]
+
+    df_acesso_aval = df_avaliando.copy()
+    df_acesso_aval = df_acesso_aval[['Acessibilidade']]
+
+    # Função para mapear os valores de Acessibilidade para cod_ace usando o dicionário
+    def mapear_cod_ace(acesso):
+        return dict_ace.get(acesso, 0)  # 0 como valor padrão caso a acessibilidade não esteja no dicionário
+    # Aplicando a função para criar a coluna cod_ace em df_dados e df_avaliando
+    df_acesso['coef_av'] = df_acesso['Acessibilidade'].apply(mapear_cod_ace)
+    df_acesso_aval['coef_av'] = df_acesso_aval['Acessibilidade'].apply(mapear_cod_ace)
+    df_acesso['fav'] = round(df_acesso_aval['coef_av'][0]/df_acesso['coef_av'],2)
+    df_acesso = df_acesso[['fav']]
+
+            #-----------------#
+
 
     # fator idade aparente e conservação (fic)
     # dicionário padrão construtivo
@@ -253,22 +339,23 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
             'id>50_reparos importantes': 0.10,
             'não se aplica' : 1,
         }
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe dos dados
+    # Cria os DataFrames df_idade_cons e df_idade_cons_aval
     df_idade_cons = df_dados.copy()
     df_idade_cons = df_idade_cons[['Idade aparente e conservação']]
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe do avaliando
+    
     df_idade_cons_aval = df_avaliando.copy()
     df_idade_cons_aval = df_idade_cons_aval[['Idade aparente e conservação']]
+    
     # Função para mapear os valores de idade aparente e conservação para cod_id_cons usando o dicionário
     def mapear_cod_id_cons(id_cons):
-        return dict_ic.get(id_cons, 0)
-    # Aplicando a função para criar a coluna cod_topo em df_dados e df_avaliando
+        return dict_ic.get(id_cons, 0) # 0 como valor padrão caso a Idade e Conservação não esteja no dicionário
+    # Aplicando a função para criar a coluna cod_ic em df_dados e df_avaliando
     df_idade_cons['coef_ic'] = df_idade_cons['Idade aparente e conservação'].apply(mapear_cod_id_cons)
     df_idade_cons_aval['coef_ic'] = df_idade_cons_aval['Idade aparente e conservação'].apply(mapear_cod_id_cons)
     df_idade_cons['fic'] = round(df_idade_cons_aval['coef_ic'][0] / df_idade_cons['coef_ic'],2)
     df_idade_cons = df_idade_cons[['fic']]
 
-        #-----------------#
+            #-----------------#
 
     # fator padrão construtivo (fpd)
     # dicionário padrão construtivo
@@ -285,23 +372,23 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
         'alto_comercial': 1.40,
         'não se aplica' : 1,
         }
-    
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe dos dados
+
+    # Cria os DataFrames df_padrao e df_padrao_aval
     df_padrao = df_dados.copy()
     df_padrao = df_padrao[['Padrão construtivo']]
-    # cria dataframe apenas com as colunas necessárias a partir do dataframe do avaliando
+    
     df_padrao_aval = df_avaliando.copy()
     df_padrao_aval = df_padrao_aval[['Padrão construtivo']]
     # Função para mapear os valores de padrão construtivo para cod_pad usando o dicionário
     def mapear_cod_pad(padrao):
-        return dict_pad.get(padrao, 0)  # 0 como valor padrão caso a topografia não esteja no dicionário
-    # Aplicando a função para criar a coluna cod_topo em df_dados e df_avaliando
+        return dict_pad.get(padrao, 0)  # 0 como valor padrão caso o padrão não esteja no dicionário
+    # Aplicando a função para criar a coluna cod_pad em df_dados e df_avaliando
     df_padrao['coef_pd'] = df_padrao['Padrão construtivo'].apply(mapear_cod_pad)
     df_padrao_aval['coef_pd'] = df_padrao_aval['Padrão construtivo'].apply(mapear_cod_pad)
     df_padrao['fpd'] = round(df_padrao_aval['coef_pd'][0]/df_padrao['coef_pd'],2)
     df_padrao = df_padrao[['fpd']]
 
-        #-----------------#
+            #-----------------#
 
     # fator vagas de estacionamento (fvg)
     df_vaga = df_dados[['Vagas']].copy()
@@ -314,42 +401,78 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
             return 1
         else:
             return 1 - 0.067 * dif
-    # Aplicar a função para calcular a coluna 'fcg'
+    # Aplicar a função para calcular a coluna 'fvg'
     df_vaga['fvg'] = round(df_vaga.apply(lambda row: calculate_fcg(row['dif'], row['Vagas']), axis=1), 2)
     df_vaga = df_vaga[['fvg']]
 
-        #-----------------#
+            #-----------------#
 
     # fator extra (à critério do avaliador) (fex)
     df_exc = df_dados.copy()
     df_exc = df_exc[['Coeficiente extra']]
     df_exc['fex'] = round(df_avaliando['Coeficiente extra'][0] / df_exc['Coeficiente extra'], 2)
     df_exc = df_exc[['fex']]
-        
-        #-----------------#
+
+            #-----------------#
+
+
 
         # concatemando o dataframe principal com as dataframes dos fatores
-    result = pd.concat([df_dados, df_transp, df_area_const, df_area_terreno, df_profundidade, df_topografia, df_superficie, df_idade_cons, df_padrao, df_vaga, df_exc], axis=1)
+    result = pd.concat([df_dados, df_transp, df_area_const, df_area_terreno, df_profundidade, df_topografia, df_relevo,
+                        df_superficie,df_aproveitamento, df_acesso, df_idade_cons, df_padrao, df_vaga, df_exc], axis=1)
     result['Valor_desc'] = round(result['Valor']*(result['fof']), 2)
     if finalidade == "Tipologias com área construída":
         result['Vunit'] = round((result['Valor_desc']/result['Área Construída']), 2)
     else:
         result['Vunit'] = round((result['Valor_desc']/result['Área Terreno']), 2)
-    result = result[['lat','lon','Atratividade local', 'Área Construída', 'Área Terreno', 'Testada', 'Topografia', 'Superfície',
-           'Idade aparente e conservação', 'Padrão construtivo', 'Vagas',
-           'Coeficiente extra', 'Valor', 'fof','Valor_desc', 'Vunit','fal', 'fac', 'fat','fpe', 'ftp','fsp', 'fic',
-           'fpd', 'fvg', 'fex']]
+
+    result = result[['lat','lon','Atratividade local', 'Área Construída', 'Área Terreno', 'Testada', 'Topografia', 
+                     'Relevo','Superfície','Aproveitamento','Acessibilidade', 'Idade aparente e conservação', 'Padrão construtivo', 'Vagas',
+                     'Coeficiente extra', 'Valor', 'fof','Valor_desc', 'Vunit','fal', 'fac', 'fat','fpe', 'ftp','frv','fsp',
+                     'fap','fav', 'fic','fpd', 'fvg', 'fex']]
+
+        #if finalidade == "Tipologias com área construída":
+
+             #result = result[['lat','lon','Atratividade local', 'Área Construída', 'Área Terreno',
+                #'Idade aparente e conservação', 'Padrão construtivo', 'Vagas','Coeficiente extra', 'Valor', 
+                #'fof','Valor_desc', 'Vunit','fal', 'fac', 'fat', 'fic','fpd', 'fvg', 'fex']]
+        #else:
+
+            #result = result[['lat','lon','Atratividade local', 'Área Terreno', 'Testada', 'Topografia', 'Superfície',
+                #'Coeficiente extra', 'Valor', 'fof','Valor_desc','Vunit','fal', 'fat','fpe', 'ftp','fsp', 'fex']]
+
+
     result['Vunit_hom'] = round(result['Vunit'] * result['fal'] * \
-                                                    result['fac'] * \
-                                                    result['fat'] * \
-                                                    result['fpe'] * \
-                                                    result['ftp'] * \
-                                                    result['fsp'] * \
-                                                    result['fic'] * \
-                                                    result['fpd'] * \
-                                                    result['fvg'] * \
-                                                    result['fex'], 2)
-    
+                                                        result['fac'] * \
+                                                        result['fat'] * \
+                                                        result['fpe'] * \
+                                                        result['ftp'] * \
+                                                        result['frv'] * \
+                                                        result['fsp'] * \
+                                                        result['fap'] * \
+                                                        result['fav'] * \
+                                                        result['fic'] * \
+                                                        result['fpd'] * \
+                                                        result['fvg'] * \
+                                                        result['fex'], 2)
+
+
+        #if finalidade == "Tipologias com área construída":
+            #result['Vunit_hom'] = round(result['Vunit'] * result['fal'] * \
+                                                            #result['fac'] * \
+                                                            #result['fat'] * \
+                                                            #result['fic'] * \
+                                                            #result['fpd'] * \
+                                                            #result['fvg'] * \
+                                                            #result['fex'], 2)
+
+        #else:
+            #result['Vunit_hom'] = round(result['Vunit'] * result['fal'] * \
+                                                        #result['fat'] * \
+                                                        #result['fpe'] * \
+                                                        #result['ftp'] * \
+                                                        #result['fsp'] * \
+                                                        #result['fex'], 2)
          #-----------------#
     
     # RESULTADOS ESTATÍSTICOS INICIAIS 
@@ -412,8 +535,8 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
         item_3 = 1
 
     # item_4 - Graus de Fundamentação (	Intervalo admissível de ajuste para o conjunto de fatores)
-    max = result.iloc[:, 16:26].max().max()
-    min = result.iloc[:, 16:26].min().min()
+    max = result.iloc[:, 19:32].max().max()
+    min = result.iloc[:, 19:32].min().min()
     if num >= 5:
         if min >= 0.8 and max <= 1.2:
             item_4 = 3
@@ -439,7 +562,7 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
         fundamentacao = "Fora dos critérios"
     
     # RESULTADOS ESTATÍSTICOS FINAIS 
-
+    num_dados = len(df_dados)
     num = len(result)
     dados_outliers = len(outliers)
     media = round(result['Vunit_hom'].mean(), 2)
@@ -451,7 +574,8 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
     coef_variacao = round((desvio_padrao / media)*100, 2)
     # Crie uma string formatada com os RESULTADOS ESTATÍSTICOS FINAIS
     resultados_formatados = f"""
-    Número de dados: {num} dados
+    Número de dados iniciais: {num_dados} dados
+    Número de dados utilizados: {num} dados
     Valor Crítico (Chauvenet): {vc}
     Outliers: {dados_outliers} dado(s)
     Média saneada: {media} R$/m²
@@ -593,7 +717,10 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
         
         # Crie um novo DataFrame com os resultados estatísticos
         result_estatisticos = pd.DataFrame({
-            'Número de dados': [num],
+            'Número de dados iniciais': [num],
+            'Número de dados utilizados': [num_dados],
+            'Valor Crítico (Chauvenet)': [vc],
+            'Outliers': [dados_outliers],
             'Média': [media],
             'Valor homogeneizado máximo': [valor_hom_máximo],
             'Valor homogeneizado mínimo': [valor_hom_mínimo],
@@ -704,22 +831,25 @@ def avaliacao_imovel(planilha, num_linhas_desejadas=10, finalidade='Defina o tip
 interface = gr.Interface(
     fn=avaliacao_imovel,
     inputs=[
-        gr.components.File(label="Upload planilha", type="file"),
-        gr.inputs.Number(label="Número de linhas desejadas", default=10),
-        gr.inputs.Dropdown(label="Tipo de imóvel", choices=["Terrenos e glebas","Tipologias com área construída"],default="Tipologias com área construída"), 
-        gr.inputs.Dropdown(label="Caracterização do avaliando - Grau de Fundamentação", choices=["Completa quanto a todos os fatores analisados",
-                                                                         "Completa quanto aos fatores utilizados no tratamento",
-                                                                         "Adoção de situação paradigma"], 
-                                                                        default="Adoção de situação paradigma"),
-        gr.inputs.Dropdown(label="Identificação dos dados - Grau de Fundamentação", choices=["Apresentação de informações relativas a todas as características dos dados analisados, com foto e características observadas pelo autor do laudo",
-                                                                         "Apresentação de informações relativas a todas as características dos dados analisados",
-                                                                         "Apresentação de informações relativas a todas as características dos dados correspondentes aos fatores analisados"], 
-                                                                        default="Apresentação de informações relativas a todas as características dos dados correspondentes aos fatores analisados")
+        gr.components.File(label="Upload planilha", type="file", info="Importação de planilha padrão com o avaliando e os dados"),
+        #gr.components.Number(label="Número de linhas desejadas", default=10),
+        gr.Slider(5, 30, value=10, label="Número de dados", info="Escolha o número de dados", step=1),
+        #gr.components.Dropdown(label="Tipo de imóvel", choices=["Terrenos e glebas","Tipologias com área construída"], default="Tipologias com área construída"), 
+        gr.Radio(["Terrenos e glebas", "Tipologias com área construída"], label="Tipo de Imóvel", info="Escolha o tipo de imóvel"),
+        gr.Radio(["Completa p/ todos fatores analisados", "Completa p/ os fatores utilizados", "Situação paradigma"],
+                 label="Caracterização do avaliando", info="Para enquadramento quanto a fundamentação - ítem 1 da tabela 6 do anexo 2 - NBR 14.653-2"),
+
+        
+        gr.Radio(["Apresentação de informações relativas a todas as características dos dados analisados, com foto e características observadas pelo autor do laudo",
+                      "Apresentação de informações relativas a todas as características dos dados analisados",
+                      "Apresentação de informações relativas a todas as características dos dados correspondentes aos fatores analisados"],
+                       label="Identificação dos dados",info="Para enquadramento quanto a fundamentação - ítem 3 da tabela 6 do anexo 2 - NBR 14.653-2",
+                   )
     ],
     outputs=[
         gr.components.File(label="Download planilha"),
         gr.components.File(label="Download Relatório em PDF"),
-        gr.outputs.HTML(label="Resultado Renderizado"),
+        gr.components.HTML(label="Resultado Renderizado"),
         gr.components.Textbox(label="Resultados estatísticos"),
         gr.components.Textbox(label="Intervalo de confiança de 80%"),
         gr.components.Textbox(label="Valores Calculados"),
@@ -728,10 +858,10 @@ interface = gr.Interface(
     ],
     live=False,
     capture_session=True,
-    theme=gr.themes.Soft(),
+    #theme=gr.themes.Soft(),
     title="avaliaFACTOR",
     description="Aplicativo MCDDM com tratamento por fatores  /  Faça o upload de uma planilha XLS ou XLSX com os dados / Para um exemplo de estrutura de planilha, você pode baixar <a href='https://huggingface.co/spaces/DavidSB/avaliaFACTOR/resolve/main/dados_entrada_factor.xlsx' download='dados_entrada_factor.xlsx'>aqui</a>.")
 
 # Executar o aplicativo Gradio
 if __name__ == "__main__":
-    interface.launch(debug=True)
+    interface.launch(debug=True)