File size: 41,077 Bytes
0fe789b
 
 
6f32957
0fe789b
d596827
 
c0a7361
bab4c4c
 
 
 
2757a96
826ee89
c6fbb07
bab4c4c
826ee89
 
f55356d
bab4c4c
 
 
 
 
a022aa4
bab4c4c
 
a022aa4
bab4c4c
 
 
 
 
a022aa4
bab4c4c
 
826ee89
 
 
f55356d
 
826ee89
 
 
 
 
e780392
826ee89
6f32957
a022aa4
826ee89
 
 
 
 
 
6f32957
826ee89
 
48c73a3
826ee89
 
 
 
 
6f32957
826ee89
 
 
 
 
 
 
6f32957
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
48c73a3
ac8e759
639763d
616187f
c6fbb07
 
 
0fe789b
 
ac8e759
c6fbb07
 
 
 
 
 
 
 
 
 
 
 
ac8e759
 
c6fbb07
 
 
 
 
 
 
 
 
 
0fe789b
0f6e724
c6fbb07
0f6e724
0fe789b
 
 
6f32957
 
 
 
 
 
 
0fe789b
 
6f32957
f55356d
0fe789b
 
 
 
 
 
 
 
 
 
6f32957
 
 
 
 
 
 
0fe789b
 
6f32957
f55356d
0fe789b
 
 
 
 
 
 
 
 
 
6f32957
 
 
 
 
 
 
0fe789b
f55356d
6f32957
f55356d
 
a022aa4
f55356d
a022aa4
f55356d
 
 
 
 
 
 
6f32957
 
f55356d
6f32957
 
a022aa4
6f32957
 
ba28f8d
6f32957
 
 
 
 
 
 
 
a022aa4
f55356d
 
 
a022aa4
 
 
 
 
 
 
 
0fe789b
f55356d
 
017f18e
 
 
2ed61d1
 
 
 
 
a022aa4
017f18e
 
f55356d
017f18e
 
 
 
 
 
 
 
 
 
 
 
 
 
f55356d
 
 
 
 
 
 
2e6f463
 
 
 
 
 
f55356d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2e6f463
 
 
 
 
 
f55356d
2e6f463
 
f55356d
2e6f463
 
 
f55356d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2e6f463
f55356d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0fe789b
 
 
 
caa8f95
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a022aa4
 
caa8f95
f55356d
0fe789b
 
f55356d
0fe789b
 
f55356d
0fe789b
 
f55356d
 
0fe789b
 
 
 
 
f55356d
0fe789b
 
 
 
 
caa8f95
 
0fe789b
 
 
caa8f95
 
 
a022aa4
 
caa8f95
f55356d
 
0fe789b
 
f55356d
0fe789b
 
 
 
f55356d
 
0fe789b
 
 
 
 
f55356d
0fe789b
 
 
 
 
 
 
 
 
 
 
 
f55356d
0fe789b
 
 
f55356d
0fe789b
 
 
 
6f32957
 
 
 
 
 
 
0fe789b
f55356d
 
 
 
0fe789b
a022aa4
f55356d
 
0fe789b
a7feae9
616187f
 
 
f55356d
c6fbb07
f55356d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0fe789b
f55356d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a022aa4
6f32957
0fe789b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
c6fbb07
0fe789b
 
6f32957
 
 
0fe789b
 
 
 
 
 
6f32957
 
 
69e8b29
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
c6fbb07
 
69e8b29
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0fe789b
f55356d
0fe789b
 
 
 
 
 
 
 
 
 
 
f55356d
 
0fe789b
 
 
 
 
 
 
 
05ef88d
0fe789b
 
 
 
020523a
0fe789b
 
 
 
 
 
 
 
 
 
c0a0449
 
 
 
 
 
 
 
 
 
 
f51d181
 
0fe789b
 
 
 
 
 
 
af1328d
69e8b29
f51d181
0fe789b
 
 
 
 
 
 
 
 
 
 
 
 
f51d181
4a8672e
 
 
 
 
 
 
 
 
 
0fe789b
a7feae9
 
 
 
 
ef81693
 
 
a7feae9
 
 
 
ef81693
 
 
0fe789b
fc91d63
 
 
 
0fe789b
fc91d63
ef81693
0fe789b
ef81693
 
e9e35c7
ef81693
0fe789b
ef81693
 
e9e35c7
ef81693
0fe789b
 
 
 
 
 
d970f82
 
 
 
 
 
0fe789b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f55356d
 
 
 
0fe789b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5f4b737
69e8b29
f51d181
0fe789b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
4a8672e
 
 
 
0fe789b
 
 
4a8672e
0fe789b
 
 
 
 
 
 
 
bf45ced
0fe789b
bf45ced
 
 
 
 
 
 
 
0fe789b
 
 
 
 
 
 
 
826ee89
 
 
 
 
6f32957
 
 
 
 
0fe789b
 
 
d970f82
0fe789b
 
 
bab4c4c
d970f82
26895a4
bab4c4c
 
0fe789b
6f32957
0fe789b
 
 
 
 
f55356d
 
c6fbb07
f55356d
 
 
 
 
 
 
 
 
0fe789b
 
d41871c
bab4c4c
6f32957
d41871c
 
 
69e8b29
6f32957
0fe789b
 
a7feae9
17d421a
04b6ad4
75f0917
a9128b6
6ebb702
a9128b6
6ebb702
90be17b
0fe789b
 
f55356d
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
# importando bibliotecas necessárias
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import gradio as gr
from gradio import components
from gradio import Interface
import xlsxwriter
from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph
from reportlab.lib.styles import getSampleStyleSheet
import shutil
import os
import plotly.express as px
import ast

        #-----------------#
    
#função para relatórios em pdf
def save_results_to_pdf(results_formatados, intervalo_confiança, valores_finais):
    doc = SimpleDocTemplate("resultados.pdf", pagesize=letter)
    styles = getSampleStyleSheet()
    
    # Create a list of elements to include in the PDF
    elements = []   
    # Add the formatted results to the PDF
    formatted_results = Paragraph(results_formatados, styles["Normal"])
    elements.append(formatted_results)    
    # Add the intervalo de confianca to the PDF
    confianca = Paragraph(intervalo_confiança, styles["Normal"])
    elements.append(confianca)
    # Add the valores calculados to the PDF
    calculados = Paragraph(valores_finais, styles["Normal"])
    elements.append(calculados)  
    # Build the PDF
    doc.build(elements)
    
    
        #-----------------#

#função para criar um mapa no plotly
def plotar_mapa_com_dois_dataframes(df1, df2):
    fig1 = px.scatter_mapbox(
        df1,
        lat='lat',
        lon='lon',
        zoom=12.5,
        center={"lat": df1['lat'].mean(), "lon": df1['lon'].mean()},
        color_discrete_sequence=['blue'],
    )  
    fig1.update_traces(marker=dict(size=10))  # Define o tamanho dos marcadores para o DataFrame 1

    fig2 = px.scatter_mapbox(
        df2,
        lat='lat',
        lon='lon',
        color_discrete_sequence=['red'],
    )
    fig2.update_traces(marker=dict(size=20))  # Define o tamanho dos marcadores para o DataFrame 2

    # Combine as duas figuras em uma única figura
    for data in fig2.data:
        fig1.add_trace(data)
    # Personalize o layout do mapa, se desejar
    fig1.update_layout(
        mapbox_style="open-street-map",
    )
    # Mostrar o mapa
    fig1.show()

    return fig1

        #-----------------#
    
def scatter_plot_with_percent_labels(data):
    # Calcular a média da coluna 'Vunit_hom'
    media = data['Vunit_hom'].mean()
    
    # Calcular o percentual de distância à média para cada ponto
    data['Percentual_Distancia'] = ((data['Vunit_hom'] - media) / media) * 100
    
    # Criar o gráfico de dispersão em relação à média com rótulos
    plt.figure(figsize=(8, 8))  # Define o tamanho da figura (opcional)
    scatter = plt.scatter(range(len(data)), data['Vunit_hom'], marker='o', s=50, c='black', label='Vunit_hom')
    plt.axhline(y=media, color='red', linestyle='--', label='Média')

    # Adicionar rótulos com percentual de distância à média
    for i, (x, y, pct) in enumerate(zip(range(len(data)), data['Vunit_hom'], data['Percentual_Distancia'])):
        plt.annotate(f'{pct:.2f}%', (x, y), textcoords="offset points", xytext=(0, 10), ha='center')

    # Configurações de gráfico
    plt.title('Gráfico de Dispersão em Relação à Média de Vunit_hom com Rótulos de Percentual')
    plt.xlabel('Índice dos Dados')
    plt.ylabel('Vunit_hom')
    plt.legend()

    # Salvar o gráfico como uma imagem (por exemplo, em formato PNG)
    plt.savefig('scatter_plot.png')  # Escolha o nome e o formato do arquivo desejado
    # Mostrar o gráfico
    plt.show()
    
    #-----------------#
    

# Função de avaliação do imóvel
def avaliacao_imovel(planilha, num_linhas_desejadas=3, finalidade='Defina o tipo de imovel',
                     caract_avaliando='Defina o item 1 de Fundamentação', ident_dados='Defina o item 3 de Fundamentação'):
    
    # INPUT AVALIANDO
    
    # Lendo a aba 'avaliando' da planilha
    df_avaliando = pd.read_excel(planilha.name, 'avaliando')
    
    # Verificar se a coluna 'Coordenadas' contém valores válidos (não NaN)
    df_avaliando['Coordenadas'] = df_avaliando['Coordenadas'].apply(lambda x: ast.literal_eval(x) if not pd.isna(x) else np.nan)

    # Criando as colunas "lat" e "lon" a partir da coluna "Coordenadas" ou definindo como NaN se estiver vazia
    df_avaliando['lat'] = df_avaliando['Coordenadas'].apply(lambda x: round(x[0], 5) if not pd.isna(x) else np.nan)
    df_avaliando['lon'] = df_avaliando['Coordenadas'].apply(lambda x: round(x[1], 5) if not pd.isna(x) else np.nan)

    # Excluindo a coluna 'Coordenadas' se você não precisar dela mais
    df_avaliando = df_avaliando.drop('Coordenadas', axis=1)
    
    # INPUT DADOS
    
    # Lendo a aba 'dados' da planilha, limitando o número de linhas
    df_dados = pd.read_excel(planilha.name, 'dados').iloc[:int(num_linhas_desejadas)]
    
   # Verificar se a coluna 'Coordenadas' contém valores válidos (não NaN)
    df_dados['Coordenadas'] = df_dados['Coordenadas'].apply(lambda x: ast.literal_eval(x) if not pd.isna(x) else np.nan)

    # Criando as colunas "lat" e "lon" a partir da coluna "Coordenadas" ou definindo como NaN se estiver vazia
    df_dados['lat'] = df_dados['Coordenadas'].apply(lambda x: round(x[0], 5) if not pd.isna(x) else np.nan)
    df_dados['lon'] = df_dados['Coordenadas'].apply(lambda x: round(x[1], 5) if not pd.isna(x) else np.nan)

    # Excluindo a coluna 'Coordenadas' se você não precisar dela mais
    df_dados = df_dados.drop('Coordenadas', axis=1)

        #-----------------#
        
    
    # fator de atratividade local (fal)
    df_transp = df_dados.copy()
    df_transp = df_transp[['Atratividade local']]

    # Verificação se o valor é zero
    if df_avaliando['Atratividade local'][0] == 0:
        df_transp['fal'] = 1
    else:
        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()
    df_area_const = df_area_const[['Área Construída']]
    df_area_const['razao'] = (df_area_const['Área Construída'] / df_avaliando['Área Construída'][0])
    df_area_const['dif'] = abs(df_area_const['Área Construída'] - df_avaliando['Área Construída'][0])
    # 30% da área do terreno do avaliando
    x_ac = 0.3 * df_avaliando['Área Construída'][0]
    # coeficiente n conforme a diferença entre a área do avaliando e dos dados
    df_area_const['n'] = df_area_const['dif'].apply(lambda dif: 0.250 if dif <= x_ac else 0.125)

    # Verificação se o valor é zero
    if df_avaliando['Área Construída'][0] == 0:
        df_area_const['fac'] = 1
    else:
        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()
    df_area_terreno = df_area_terreno[['Área Terreno']]
    df_area_terreno['razao'] = (df_area_terreno['Área Terreno'] / df_avaliando['Área Terreno'][0])
    df_area_terreno['dif'] = abs(df_area_terreno['Área Terreno'] - df_avaliando['Área Terreno'][0])
    # 30% da área do terreno do avaliando
    x_at = 0.3 * df_avaliando['Área Terreno'][0]
    # coeficiente n conforme a diferença entre a área do avaliando e dos dados
    df_area_terreno['n'] = df_area_terreno['dif'].apply(lambda dif: 0.250 if dif <= x_at else 0.125)

    # Verificação se o valor é zero
    if df_avaliando['Área Terreno'][0] == 0:
        df_area_terreno['fat'] = 1
    else:
        df_area_terreno['fat'] = round((df_area_terreno['razao']) ** (df_area_terreno['n']), 2)

    df_area_terreno = df_area_terreno[['fat']]


             #-----------------#

    # fator profundidade (fpe)
    # 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 t == 0:
           coef_pe = 1 
        else:
            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 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

    # 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)

    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 = {
        'plano <5%': 1,
        'aclive_leve 5% e 30%': 0.95,
        'declive_leve 5% e 30%': 0.90,
        'aclive_acentuado >30%': 0.85,
        'declive_acentuado >30%': 0.80,
        'não se aplica' : 1,
    }

    # Cria os DataFrames df_topografia e df_topografia_aval
    df_topografia = df_dados.copy()
    df_topografia = df_topografia[['Topografia']]

    df_topografia_aval = df_avaliando.copy()
    df_topografia_aval = df_topografia_aval[['Topografia']]

    # Função para mapear os valores de Topografia para cod_topo usando o dicionário
    def mapear_cod_topo(topografia):
        return dict_topo.get(topografia, 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
    df_topografia['coef_tp'] = df_topografia['Topografia'].apply(mapear_cod_topo)
    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 relevo (frv)
    # dicionário relevo
    dict_rel = {
        'plana' : 1.1,
        'ondulada': 1.00,
        'montanhosa/acidentada': 0.80,
        'não se aplica' : 1.00,
    } 

    # 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']]

    df_superficie_aval = df_avaliando.copy()
    df_superficie_aval = df_superficie_aval[['Superfície']]

    # 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_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']]        

            #-----------------#

    # 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
    dict_ic = {
            'id<5_novo': 1.00,
            'id<5_bom': 0.95,
            'id<5_reparos simples': 0.80,
            'id<5_reparos importantes': 0.45,
            'id entre 6 e 10_novo': 0.95,
            'id entre 6 e 10_bom': 0.90,
            'id entre 6 e 10_reparos simples': 0.75,
            'id entre 6 e 10_reparos importantes': 0.40,
            'id entre 11 e 30_novo': 0.85,
            'id entre 11 e 30_bom': 0.80,
            'id entre 11 e 30_reparos simples': 0.65,
            'id entre 11 e 30_reparos importantes': 0.35,
            'id entre 31 e 50_novo': 0.55,
            'id entre 31 e 50_bom': 0.50,
            'id entre 31 e 50_reparos simples': 0.45,
            'id entre 31 e 50_reparos importantes': 0.25,
            'id>50_novo': 0.30,
            'id>50_bom': 0.20,
            'id>50_reparos simples': 0.15,
            'id>50_reparos importantes': 0.10,
            'não se aplica' : 1,
        }
    # 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']]
    
    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) # 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
    dict_pad = {
        'baixo_residencial': 1.00,
        'médio/baixo_residencial': 1.15,
        'médio_residencial': 1.30,
        'médio/alto_residencial': 1.45,
        'alto_residencial': 1.65,
        'baixo_comercial': 1.00,
        'médio/baixo_comercial': 1.08,
        'médio_comercial': 1.15,
        'médio/alto_comercial': 1.25,
        'alto_comercial': 1.40,
        'não se aplica' : 1,
        }

    # Cria os DataFrames df_padrao e df_padrao_aval
    df_padrao = df_dados.copy()
    df_padrao = df_padrao[['Padrão construtivo']]
    
    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 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()
    df_vaga_aval = df_avaliando[['Vagas']].copy()
    # Calcular a diferença entre as colunas 'Vagas' nos dois DataFrames
    df_vaga['dif'] = df_vaga['Vagas'] - df_vaga_aval['Vagas'][0]
    # Definir a função para o cálculo da coluna 'fvg'
    def calculate_fcg(dif, vagas):
        if dif == 0:
            return 1
        else:
            return 1 - 0.067 * dif
    # 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']]

    # Verificação se o valor é zero
    if df_avaliando['Coeficiente extra'][0] == 0:
        df_exc['fex'] = 1
    else:
        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_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','Endereço','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['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 
    num = len(result)
    media = round(result['Vunit_hom'].mean(), 2)
    valor_hom_máximo = round(result['Vunit_hom'].max(), 2)
    valor_hom_mínimo = round(result['Vunit_hom'].min(), 2)
    limite_superior = round(media * 1.3 ,2)
    limite_inferior = round(media * 0.7 ,2)
    desvio_padrao = round(result['Vunit_hom'].std(), 2)
    coef_variacao = round((desvio_padrao / media)*100, 2)
    
    # CRITÉRIO DE CHAUVENET
    dict_vc = {
        2: 1.15,3: 1.38,4: 1.54,5: 1.65,6: 1.73,7: 1.80,8: 1.85,9: 1.91,10: 1.96,11: 1.99,
        12: 2.03,13: 2.06,14: 2.10,15: 2.13,16: 2.16,17: 2.18,18: 2.20,19: 2.21,20: 2.24,
        21: 2.26,22: 2.28,23: 2.30,24: 2.31,25: 2.33,26: 2.35,27: 2.36,28: 2.37,29: 2.38,
        30: 2.93
    }
    vc = dict_vc[num]
    vc
    result['z-score'] = round(abs((result['Vunit_hom'] - media) / desvio_padrao), 2)
    result['Status'] = np.where(result['z-score'] > vc, 'rejeitado', 'aceito')
    
    # cópia para dataframe na interface
    df_interface = result.copy()

    # DADOS REMOVIDOS
    outliers = result[result['Status'] == 'rejeitado']
    
    # REMOÇÃO DE OUTLIERS PELO CRITÉRIO DE CHAUVENET
    result = result[result['Status'] != 'rejeitado']
    
    # para plotar o gráfico na interface
    df_grafico = result.copy()
    
    # GRAU DE FUNDAMENTAÇÃO
    
    # item_1 - Graus de Fundamentação (Caracterização do imóvel avaliando)
    if caract_avaliando == "Completa quanto a todos os fatores analisados":
        item_1 = 3
    elif caract_avaliando == "Completa quanto aos fatores utilizados no tratamento":
        item_1 = 2
    else:
        item_1 = 1

    # item_2 - Graus de Fundamentação (Quantidade mínima de dados)
    if num >= 12:
        item_2 = 3
    elif 5 <= num <12:
            item_2 = 2
    elif 3 <= num <5:
            item_2 = 1
    else:
        item_2 = 0

    # item_3 - Graus de Fundamentação (Identificação dos dados)  
    if ident_dados == "Apresentação de informações relativas a todas as características dos dados analisados, com foto e características observadas pelo autor do laudo":
        item_3 = 3
    elif ident_dados == "Apresentação de informações relativas a todas as características dos dados analisados":
        item_3 = 2
    else:
        item_3 = 1

    # item_4 - Graus de Fundamentação (	Intervalo admissível de ajuste para o conjunto de fatores)
    max = result.iloc[:, 20:33].max().max()
    min = result.iloc[:, 20:33].min().min()
    if num >= 5:
        if min >= 0.8 and max <= 1.2:
            item_4 = 3
        elif min >= 0.5 and max <= 2.0:
            item_4 = 2
        else:
            item_4 = 1  # Condição ausente aqui
    else:
        if min >= 0.8 and max <= 1.2:
            item_4 = 1
        else:
            item_4 = 0

    # enquadramento
    soma = item_1 + item_2 + item_3 + item_4
    if soma > 10 and item_2 == 3 and item_4 == 3 and item_1 >= 2 and item_3 >= 2:
        fundamentacao = "III"
    elif soma > 6 and item_2 >= 2 and item_4 >= 2 and item_1 >= 1 and item_3 >= 1:
        fundamentacao = "II"
    elif soma > 4 and item_2 >= 1 and item_4 >= 1 and item_1 >= 1 and item_3 >= 1:
        fundamentacao = "I"
    else:
        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)
    valor_hom_máximo = round(result['Vunit_hom'].max(), 2)
    valor_hom_mínimo = round(result['Vunit_hom'].min(), 2)
    limite_superior = round(media * 1.3 ,2)
    limite_inferior = round(media * 0.7 ,2)
    desvio_padrao = round(result['Vunit_hom'].std(), 2)
    coef_variacao = round((desvio_padrao / media)*100, 2)
    # Crie uma string formatada com os RESULTADOS ESTATÍSTICOS FINAIS
    resultados_formatados = f"""
    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$/m²
    Valor máximo: {valor_hom_máximo} R$/m²
    Valor mínimo: {valor_hom_mínimo} R$/m²
    Lim superior (Média*1,3): {limite_superior} R$/m²
    Lim inferior (Média*0,7): {limite_inferior} R$/m²
    Desvio padrão: {desvio_padrao} R$/m²
    Coeficiente variação: {coef_variacao} %
    """
    
    # INTEREVALO DE CONFIANÇA DE 80%
    # importando a tabela de t de student
    df_t = pd.read_excel('TABELAS.xlsx','t')
    # número de dados
    n =  result.shape[0]-1
    # "t" de student
    gl = df_t[df_t['gl (n-1)'] == n]
    tc = gl.iloc[0, 3]
    # limites infeiror e superior do IC de 80% e amplitude
    li_IC = round(media - tc * ((desvio_padrao/(num-1)**0.5)), 2)
    ls_IC = round(media + tc * ((desvio_padrao/(num-1)**0.5)), 2)
    A = round(ls_IC - li_IC, 2)
    A_perc = round((A / media)*100, 2)
    
    def calcular_grau(a):
        if a <= 30:
            return "Grau III"
        elif a <= 40:
            return "Grau II"
        elif a <= 50:
            return "Grau I"
        else:
            return "Fora dos critérios"
            
    precisao = calcular_grau(A_perc)
    
    # Crie uma string formatada com o INTEREVALO DE CONFIANÇA DE 80%
    intervalo_confiança = f"""
    t student: {tc}
    Média saneada: {media} R$/m²
    limite infeiror IC_80%: {li_IC} R$/m²
    limite superior IC_80%: {ls_IC} R$/m²
    Aplitude: {A} R$/m²
    Aplitude percentual: {A_perc} %
    Grau de Fundamentação {fundamentacao}
    Grau de Precisão: {precisao}
    """

    # VALOR CALCULADO A PARTIR DOS VALORES HOMOGENEIZADOS UTILIZANDO O CRITÉRIO DE CLASSAS D0 ABUNAHMAN
    # dividindo a amplitude em 3 classes
    C = round((A / 3), 2)
    # calculando os intervalos das 3 classes
    C1 = round(result[(result['Vunit_hom'] >= li_IC) & (result['Vunit_hom'] <= li_IC + C)]['Vunit_hom'].count(), 2)
    C2 = round(result[(result['Vunit_hom'] >= li_IC + C) & (result['Vunit_hom'] <= ls_IC - C)]['Vunit_hom'].count(), 2)
    C3 = round(result[(result['Vunit_hom'] >= ls_IC - C) & (result['Vunit_hom'] <= ls_IC)]['Vunit_hom'].count(), 2)
    # crinado listas com os valores encontrados nos intervalos
    list_C1 = result[(result['Vunit_hom'] >= li_IC) & (result['Vunit_hom'] <= li_IC + C)]['Vunit_hom'].tolist()
    list_C2 = result[(result['Vunit_hom'] >= li_IC + C) & (result['Vunit_hom'] <= ls_IC - C)]['Vunit_hom'].tolist()
    list_C3 = result[(result['Vunit_hom'] >= ls_IC - C) & (result['Vunit_hom'] <= ls_IC)]['Vunit_hom'].tolist()
 

    pC1 = round(sum(C1 * elemento for elemento in list_C1), 2)
    pC2 = round(sum(C2 * elemento for elemento in list_C2), 2)
    pC3 = round(sum(C3 * elemento for elemento in list_C3), 2)

    divisor = ((C1 * C1) if C1 != 0 else 0) +((C2 * C2) if C2 != 0 else 0) + ((C3 * C3) if C3 != 0 else 0)

    media_pond = round((pC1 + pC2 + pC3) / divisor, 2)


    # VALORES CALCULADOS
     
    if finalidade == "Tipologias com área construída":
        Valor_imóvel = round(media * df_avaliando['Área Construída'], 2).item()
    else:
        Valor_imóvel = round(media * df_avaliando['Área Terreno'], 2).item()
    LI = round(Valor_imóvel* 0.85, 2)
    LS = round(Valor_imóvel* 1.15, 2)
    
    if finalidade == "Tipologias com área construída":
        Valor_imóvel_2 = round((media_pond) * df_avaliando['Área Construída'], 2).item()
    else:
        Valor_imóvel_2 = round((media_pond) * df_avaliando['Área Terreno'], 2).item()
    LI_classes = round(Valor_imóvel_2* 0.85, 2)
    LS_classes = round(Valor_imóvel_2* 1.15, 2)
    
    # Crie uma string formatada com os VALORES CALCULADOS
    if finalidade == "Tipologias com área construída":
        area = df_avaliando['Área Construída'].item()
    else:
        area = df_avaliando['Área Terreno'].item()
    valores_finais = f"""
    Área avaliando: {area}
    ---------
    Valor (média simples): R$ {Valor_imóvel}
    LI: R$ {LI} 
    LS: R$ {LS}
    Vu (média simples): R$/m² {media}
    ---------
    Valor (critério classes): R$ {Valor_imóvel_2}
    LI: R$ {LI_classes} 
    LS: R$ {LS_classes}
    Vu (critério classes): R$/m² {media_pond}
    
    """
    #-----------------#
    
    # OUTPUTS
    
    # Crie um objeto ExcelWriter para escrever no arquivo Excel
    nome_com_extensao = os.path.basename(planilha.name)
    nome_do_arquivo = os.path.splitext(nome_com_extensao)[0]
    # Defina o nome da planilha de saída com base no nome da planilha de entrada
    output_file = f"{nome_do_arquivo}_relatório.xlsx"
    #output_file = 'relatório.xlsx' (substituído pelo código acima)
    
    with pd.ExcelWriter(output_file, engine='xlsxwriter') as writer:
        
        # Salve o DataFrame 'avaliando' na planilha 'relatório'
        df_avaliando.to_excel(writer, sheet_name='avaliando', index=False)
        
        #-----------------#
        
        # Salve o DataFrame 'result' na planilha 'relatório'
        df_dados.to_excel(writer, sheet_name='dados', index=False)
        
        #-----------------#
        
        # Salve o DataFrame 'dado_hom' na planilha 'relatório'
        result.to_excel(writer, sheet_name='dados_hom', index=False)
    
        #-----------------#
    
        # Salve o DataFrame 'outliers' na planilha 'relatório'
        outliers.to_excel(writer, sheet_name='outliers', index=False)
        
        #-----------------#
        
        # Crie um novo DataFrame com os resultados estatísticos
        result_estatisticos = pd.DataFrame({
            '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],
            'Limite superior (Média x 1,3)': [limite_superior],
            'Limite inferior (Média x 0,7)': [limite_inferior],
            'Desvio padrão': [desvio_padrao],
            'Coeficiente_variacao (%)': [coef_variacao]
        })

        # Transponha o DataFrame
        result_estatisticos = result_estatisticos.T.reset_index()
        # Defina os nomes das colunas do novo DataFrame
        result_estatisticos.columns = ['Nome da Coluna', 'Valor']
        result_estatisticos.to_excel(writer, sheet_name='resultados', index=False)

        #-----------------#
        
        # Crie um novo DataFrame com os resultados do IC
        result_ic = pd.DataFrame({
            'Número de dados': [n],
            't student': [tc],
            'Limite superior do IC de 80%': [ls_IC],
            'Limite inferior do IC de 80%': [li_IC],
            'Amplitude': [A],
            'Amplitude%':[A_perc],
            'Grau de Fundamentação': [fundamentacao],
            'Grau de Precisão': [precisao]
        })
        
        # Transponha o DataFrame
        result_ic = result_ic.T.reset_index()
        # Defina os nomes das colunas do novo DataFrame
        result_ic.columns = ['Nome da Coluna', 'Valor']
        result_ic.to_excel(writer, sheet_name='IC', index=False)
 
        #-----------------#

        # Crie um novo DataFrame com os resultados do cálculo das classes de Abunahman
        result_classes = pd.DataFrame({
            'C = Amplitude / 3': [round(C, 2)],
            'li_IC = limite inferior do IC': [round(li_IC, 2)],
            'li_IC + C = limite inferior do IC + C': [round(li_IC + C, 2)],
            'ls_IC - C = limite superior do IC + C': [round(ls_IC - C, 2)],
            'ls_IC = limite superior do IC': [round(ls_IC, 2)],
            'C1 = quantidade de dados na classe 1': [C1],
            'C2 = quantidade de dados na classe 2': [C2],
            'C3 = quantidade de dados na classe 3': [C3],
            'list_C1 = listagem de dados na classe 1': [list_C1],
            'list_C2 = listagem de dados na classe 2': [list_C2],
            'list_C3 = listagem de dados na classe 3': [list_C3],
            'Soma da multiplicação dos valor pelos pesos - classe 1': [pC1],
            'Soma da multiplicação dos valor pelos pesos - classe 2': [pC2],
            'Soma da multiplicação dos valor pelos pesos - classe 3': [pC3],
            'Divisor da somas das classes': [divisor],
            'Média ponderada': [media_pond]
        })

        
        # Transponha o DataFrame
        result_classes = result_classes.T.reset_index()
        # Defina os nomes das colunas do novo DataFrame
        result_classes.columns = ['Nome da Coluna', 'Valor']
        result_classes.to_excel(writer, sheet_name='classes', index=False)
        
         #-----------------#
        
           # Crie um novo DataFrame com os resultados do valor do imóvel
        result_valores = pd.DataFrame({
            'Valor (média simples): R$': [Valor_imóvel],
            'LI: R$': [LI], 
            'LS: R$': [LS],
            'Vu (média simples): R$/m²': [media],
            'Valor (critério classes) R$:': [Valor_imóvel_2],
            'Vu (critério classes): R$/m²': [media_pond],
            'LI_classes: R$': [LI_classes], 
            'LS_classes: R$': [LS_classes]  
        })
        
        # Transponha o DataFrame
        result_valores = result_valores.T.reset_index()
        # Defina os nomes das colunas do novo DataFrame
        result_valores.columns = ['Nome da Coluna', 'Valor']
        result_valores.to_excel(writer, sheet_name='valor', index=False)
        
        #-----------------#
       
        mapa = plotar_mapa_com_dois_dataframes(result, df_avaliando)
        #mapa = criar_mapa(df_avaliando) #novo
        
        #-----------------#
        
        # para gerar um gráfico de dispersão na interface
        scatter_plot_with_percent_labels(df_grafico)
        
        #-----------------#
    
        # Salve o DataFrame 'result' em uma planilha
        result.to_excel(output_file, index=False)

        #-----------------#

        save_results_to_pdf(resultados_formatados, intervalo_confiança, valores_finais)
        result.to_excel(output_file, index=False)
        
        #-----------------#

        # Retorna tanto a planilha quanto os resultados formatados
        return output_file, 'resultados.pdf', df_interface, resultados_formatados, intervalo_confiança, valores_finais, mapa, 'scatter_plot.png'
        
# Interface do Gradio com input como arquivo XLS ou XLSX
interface = gr.Interface(
    fn=avaliacao_imovel,
    inputs=[
        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(3, 26, value=26, 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.Dataframe(label="Dados homogeneizados"),
        gr.components.Textbox(label="Resultados estatísticos"),
        gr.components.Textbox(label="Intervalo de confiança de 80%"),
        gr.components.Textbox(label="Valores Calculados"),
        gr.Plot(label="Geolocalização da amostra"),
        gr.Image(label="Gráfico de dipersão"),
    
    ],
    live=False,
    capture_session=True,
    theme=gr.themes.Monochrome(),
    title = "<span style='color: gray; font-size: 52px;'>aval</span><span style='color: black; font-size: 52px;'>ia</span><span style='color: gray; font-size: 56px;'>.FACTOR</span>",
    description=f"""
    <p style="text-align: left;"><b><span style='color: gray; font-size: 40px;'>aval</span><span style='color: black; font-size: 40px;'>ia</span><span style='color: gray; font-size: 40px;'>.se</b></p>
    <p style="text-align: left;"></span>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><br><br></p>
    """
    )
# Executar o aplicativo Gradio
if __name__ == "__main__":
    interface.launch(debug=True)