#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% # 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"""

aval ia .se

Faça o download de uma planilha de exemplo aqui

""") 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)