Update app.py

app.py

@@ -1,6 +1,8 @@
 import streamlit as st
 import pandas as pd
 import numpy as np
+import seaborn as sns
+import matplotlib.pyplot as plt
 from sklearn.neighbors import KNeighborsRegressor
 from geopy.distance import geodesic
 import googlemaps
@@ -9,6 +11,14 @@ from streamlit_folium import st_folium
 from streamlit_folium import folium_static
 import folium
 
+# Function to plot heatmap
+def plot_heatmap(data, title):
+    plt.figure(figsize=(8, 6))
+    sns.heatmap(data, annot=True, cmap="YlGnBu", fmt=".2f", linewidths=.5)
+    plt.title(title)
+    plt.xlabel("Longitude")
+    plt.ylabel("Latitude")
+    st.pyplot()
     
 # Function to calculate distance in meters between two coordinates
 def calculate_distance(lat1, lon1, lat2, lon2):
@@ -276,4 +286,14 @@ if 'Predicted_target' in filtered_data.columns and not np.all(predicted_target =
     st.write(f"Valor médio (Reais/m²) para as características selecionadas: ${mean_value:.2f}$ Reais")
     st.write(f"Os valores podem variar entre ${lower_bound:.2f}$ e ${higher_bound:.2f}$ Reais, dependendo das características dos imóveis.")
 else:
-    st.warning(f"**Dados insuficientes para inferência do valor. Mínimo necessário:** {k_threshold}")
+    st.warning(f"**Dados insuficientes para inferência do valor. Mínimo necessário:** {k_threshold}")
+
+# Plot heatmaps for 'Valor_Urb', 'Valor_Eqp', and 'RENDA'
+st.subheader("Mapa de Calor para 'Valor_Urb'")
+plot_heatmap(filtered_data.pivot_table(index='latitude', columns='longitude', values='Valor_Urb', aggfunc='mean'), 'Valor_Urb')
+
+st.subheader("Mapa de Calor para 'Valor_Eqp'")
+plot_heatmap(filtered_data.pivot_table(index='latitude', columns='longitude', values='Valor_Eqp', aggfunc='mean'), 'Valor_Eqp')
+
+st.subheader("Mapa de Calor para 'RENDA'")
+plot_heatmap(filtered_data.pivot_table(index='latitude', columns='longitude', values='RENDA', aggfunc='mean'), 'RENDA')