import gradio as gr import requests import pandas as pd from difflib import get_close_matches import re # Importa o módulo de expressões regulares import csv import datetime bens_df = pd.read_excel('bens_tab.xlsx') data_crawler = pd.read_csv('data_crawler.csv', index_col=False) data_crawler = data_crawler[['Title', 'Price', 'Currency', 'Condition', 'Link']] def fetch_data_to_dataframe(query, limit=50, source="mercadolibre"): if source == "mercadolibre": BASE_URL = "https://api.mercadolibre.com/sites/MLB/search" params = {'q': query, 'limit': limit} response = requests.get(BASE_URL, params=params) if response.status_code == 200: data = response.json() if 'results' in data: items = data['results'] df = pd.DataFrame(items) df = df[['title', 'price', 'currency_id', 'condition', 'permalink']] df.columns = ['Title', 'Price', 'Currency', 'Condition', 'Link'] df['Marketplace'] = "Mercado Livre" return df return pd.DataFrame() def refinar_resultados(df): # Filtra itens que não contêm "kit" no título e não indicam múltiplas unidades df_refinado = df[~df['Title'].str.contains("kit", case=False)] # Expressão regular para identificar números seguidos por palavras relacionadas a quantidade padrao_unidades = r'\b(\d+)\s*(unidade|unidades|pacote|pacotes|caixa|caixas)\b' df_refinado = df_refinado[~df_refinado['Title'].str.contains(padrao_unidades, case=False, regex=True)] return df_refinado def filtrar_itens_similares(df, termo_pesquisa, limite=5): titulos = df['Title'].tolist() titulos_similares = get_close_matches(termo_pesquisa, titulos, n=limite, cutoff=0.1) df_filtrado = df[df['Title'].isin(titulos_similares)] return df_filtrado def calcular_fator_avaliacao(titulo, EC, PU): # Buscar VU e VR baseado no título filtered_df = bens_df[bens_df['TITULO'] == titulo] if filtered_df.empty: raise ValueError(f"Nenhum bem encontrado com o título: {titulo}") bem_info = filtered_df.iloc[0] VU = bem_info['VIDA_UTIL'] VR = bem_info['VALOR_RESIDUAL'] pontuacoes = {'Excelente': 10, 'Bom': 8, 'Regular': 5, 'Péssimo': 2} ec_pontuacao = pontuacoes[EC] PU = float(PU) PVU = 10 - ((PU - 1) * (10 / VU)) PVU = min(PVU, 10) PUB = 10 - (((VU - PU) - 1) * (10 / VU)) PUB = min(PUB, 10) fator_avaliacao = max((4 * ec_pontuacao + 6 * PVU - 3 * PUB) / 100, VR) return fator_avaliacao def integrated_app(query, titulo, EC, PU): df = fetch_data_to_dataframe(query, 50, "mercadolibre") df = df.append(data_crawler) if df.empty: return "Nenhum dado encontrado. Tente uma consulta diferente.", pd.DataFrame() df = refinar_resultados(df) df_similares = filtrar_itens_similares(df, query) if df_similares.empty: return "Nenhum item similar encontrado.", pd.DataFrame() else: mean_price = df_similares['Price'].mean() fator_avaliacao = calcular_fator_avaliacao(titulo, EC, PU) valor_avaliacao = mean_price * fator_avaliacao return f"Valor Médio do Bem: R$ {mean_price:.2f}, Fator de Avaliação: {fator_avaliacao*100:.2f}%, Valor de Avaliação: R$ {valor_avaliacao:.2f}", df_similares titulos = bens_df['TITULO'].unique().tolist() iface = gr.Interface(fn=integrated_app, inputs=[gr.Textbox(label="Digite sua consulta"), gr.Dropdown(label="Classificação Contábil do Bem", choices=titulos, value="MOBILIÁRIO EM GERAL"), gr.Radio(label="Estado de Conservação do Bem", choices=['Excelente', 'Bom', 'Regular', 'Péssimo'], value="Excelente"), gr.Number(label="Período utilizado (anos)", value=1) ], outputs=[gr.Textbox(label="Cálculo"), gr.Dataframe(label="Resultados da Pesquisa")], theme=gr.themes.Monochrome(), title = "Avaliação de Bens Móveis", description=f"""
avalia.se
""") iface.launch()