Spaces:
Sleeping
Sleeping
| 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 matplotlib.pyplot as plt_1 | |
| import seaborn as sns | |
| import sklearn | |
| from sklearn.preprocessing import MinMaxScaler | |
| from sklearn.ensemble import ExtraTreesRegressor | |
| #%matplotlib inline | |
| """ | |
| At the command line, only need to run once to install the package via pip: | |
| $ pip install google-generativeai | |
| """ | |
| import google.generativeai as genai | |
| genai.configure(api_key="AIzaSyCm57IpC9_TTL7U3m8wvje9_3qtfxAASgI") | |
| # Set up the model | |
| generation_config = { | |
| "temperature": 0.9, | |
| "top_p": 1, | |
| "top_k": 1, | |
| "max_output_tokens": 2048, | |
| } | |
| safety_settings = [ | |
| { | |
| "category": "HARM_CATEGORY_HARASSMENT", | |
| "threshold": "BLOCK_MEDIUM_AND_ABOVE" | |
| }, | |
| { | |
| "category": "HARM_CATEGORY_HATE_SPEECH", | |
| "threshold": "BLOCK_MEDIUM_AND_ABOVE" | |
| }, | |
| { | |
| "category": "HARM_CATEGORY_SEXUALLY_EXPLICIT", | |
| "threshold": "BLOCK_MEDIUM_AND_ABOVE" | |
| }, | |
| { | |
| "category": "HARM_CATEGORY_DANGEROUS_CONTENT", | |
| "threshold": "BLOCK_MEDIUM_AND_ABOVE" | |
| }, | |
| ] | |
| def generate_content_for_stat(model, stat_value, stat_name): | |
| """ | |
| Generates content for a given statistic value and its name. | |
| :param model: The generative model instance. | |
| :param stat_value: The value of the statistic, rounded to 8 decimal places. | |
| :param stat_name: The name of the statistic (e.g., "Jarque Bera", "Valor-p", "Assimetria", "Curtose"). | |
| :return: The generated text content. | |
| """ | |
| prompt = f"O que significa o valor de {stat_value} para o {stat_name}?" | |
| prompt_parts = ["input: f\"{}\"".format(prompt), "output: "] | |
| response = model.generate_content(prompt_parts) | |
| return response.text | |
| # função para conversão da escala das variáveis: | |
| def aplicar_operacao(df, scv, col_index): | |
| if scv == 'x': | |
| 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 == '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=300) | |
| # Definindo a cor de fundo e do papel | |
| fig.update_layout( | |
| plot_bgcolor='rgb(240, 240, 240)', | |
| paper_bgcolor='rgb(240, 240, 240)', | |
| ) | |
| # 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 para a regressão linear | |
| def avaliacao_imovel(planilha, v_d, scv_d, | |
| v_1, scv_1, v_2, scv_2, | |
| v_3, scv_3, v_4, scv_4, | |
| v_5, scv_5, v_6, scv_6, | |
| v_7, scv_7, v_8, scv_8, | |
| v_9, scv_9, v_10, scv_10, | |
| v_11, scv_11, v_12, scv_12, | |
| v_13, scv_13, v_14, scv_14, | |
| v_15, scv_15, v_16, scv_16, | |
| linhas): | |
| # ---------------------------------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] | |
| 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() | |
| # ---------------------------Nome das variáveis--------------------------# | |
| # 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 | |
| colunas = [f'Var dependente = {nomes_colunas[0]}'] + [f'Var {i} = {coluna}' for i, coluna in enumerate(nomes_colunas[1:], start=1)] | |
| #-----------------------------------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 colunas----------------------------# | |
| #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 (dados / outiliers----------------# | |
| num_linhas = df_dados.shape[0] | |
| linhas_selecionadas = [int(linha) - 1 for linha in linhas if int(linha) - 1 < num_linhas] | |
| df_filtrado = df_dados.iloc[linhas_selecionadas] | |
| df_outliers = df_dados.drop(linhas_selecionadas) | |
| df_filtrado.sort_values(by=df_filtrado.columns[0], inplace=True) | |
| # Contagem de linhas no DataFrame resultante | |
| num_outliers = df_outliers.shape[0] | |
| #----------------Manipulação das Colunas (variáveis)-----------------------# | |
| # 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 v_1) or \ | |
| (i == 4 and v_2) or \ | |
| (i == 5 and v_3) or \ | |
| (i == 6 and v_4) or \ | |
| (i == 7 and v_5) or \ | |
| (i == 8 and v_6) or \ | |
| (i == 9 and v_7) or \ | |
| (i == 10 and v_8) or \ | |
| (i == 11 and v_9) or \ | |
| (i == 12 and v_10) or \ | |
| (i == 13 and v_11) or \ | |
| (i == 14 and v_12) or \ | |
| (i == 15 and v_13) or \ | |
| (i == 16 and v_14) or \ | |
| (i == 17 and v_15) or \ | |
| (i == 18 and v_16): | |
| if i < len(df_filtrado.columns): | |
| X[col] = df_filtrado.iloc[:, i] | |
| #X.to_excel("X.xlsx", index=False) ---> Linha de verificação | |
| #---------------------------Gráficos de dispersão--------------------------# | |
| 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 | |
| if v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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 v_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") | |
| #--------------------------Regressão Linerar------------------------------# | |
| # 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 | |
| #---------------------ExtraTreesRegressor--------------------# | |
| 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) | |
| feature_importances = model.feature_importances_ | |
| # Criando o gráfico de influência das variáveis | |
| #feat_importances = pd.Series(model.feature_importances_, index=X.columns) | |
| #feat_importances.nlargest(16).plot(kind='barh', color = 'orange') | |
| #plt_1.title('Influência das Variáveis') | |
| #plt_1.xlabel('Importância') | |
| #plt_1.ylabel('Variáveis') | |
| #plt_1.gca().set_facecolor('#f0f0f5') | |
| #plt_1.tight_layout() | |
| #plt_1.grid(True) | |
| # Salvar o gráfico como imagem | |
| #plt_1.savefig('influencia_variaveis.png') | |
| #----------------------------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() | |
| # 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 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) | |
| # 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) | |
| model = genai.GenerativeModel(model_name="gemini-pro", generation_config=generation_config, safety_settings=safety_settings) | |
| jarque_bera_test_text = generate_content_for_stat(model, round(jarque_bera_test, 8), "teste de Jarque Bera") | |
| p_value_text = generate_content_for_stat(model, round(p_value, 8), "Valor-p") | |
| skewness_text = generate_content_for_stat(model, round(skewness, 8), "Assimetria") | |
| kurtosis_text = generate_content_for_stat(model, round(kurtosis, 8), "Curtose") | |
| # Extrair os coeficientes da regressão | |
| coeficientes = resultado.params | |
| # Calcular a distância de Cook | |
| distancia_cook = resultado.get_influence().cooks_distance[0] | |
| # String com os resultados | |
| resultados_gerais = f""" | |
| 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} | |
| Teste de Jarque-Bera: | |
| - Estatística do teste: {jarque_bera_test} | |
| - Valor-p: {p_value} | |
| - Assimetria (Skewness): {skewness} | |
| - Curtose (Kurtosis): {kurtosis} | |
| """ | |
| # Comentários sobre os resultados gerais | |
| comentarios = ( | |
| f"""# <p style="text-align: center;">Comentários: </p> | |
| <hr style="color: #333; background-color: #333; height: 1px; border: none;"> | |
| - Jarque-Bera: {jarque_bera_test_text} | |
| <hr style="color: #333; background-color: #333; height: 1px; border: none;"> | |
| - Valor-p: {p_value_text} | |
| <hr style="color: #333; background-color: #333; height: 1px; border: none;"> | |
| - Assimetria (Skewness): {skewness_text} | |
| <hr style="color: #333; background-color: #333; height: 1px; border: none;"> | |
| - Curtose (Kurtosis): {kurtosis_text} | |
| """) | |
| # 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] | |
| # Exibindo estatísticas do modelo | |
| resultado_summary = resultado.summary() | |
| resultado_html = resultado.summary().tables[1].as_html() | |
| # Obtenha as estatísticas do modelo em formato de DataFrame | |
| #resultado_summary_df = pd.DataFrame(resultado_summary.tables[1]) | |
| #----------------------------df_final (regressão)----------------------------# | |
| # 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) | |
| df_final = df_final.drop(columns=['const']) | |
| #--------------------df_final (adiciona o erro_padronizado)------------------# | |
| # Calculando o erro padronizado | |
| erro_padronizado = round(residuos / desvio_padrao_residuos, 5) | |
| # Adicionando a coluna de erro padronizado ao df_final | |
| df_final['Erro Padronizado'] = erro_padronizado | |
| #-------------------df_maiores_que_2 (possíveis outliers)--------------------# | |
| # 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']) | |
| # Listagem de pontos com resíduos > 2 | |
| Listagem_df_maiores_que_2 = df_maiores_que_2.iloc[:, 0].tolist() | |
| #------------df_correl (Valores Ajustados x Preços Observados)---------------# | |
| # 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]: 'Preços Observados'}) | |
| 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]: 'Preços Observados'}) | |
| df_correl_grafico = df_correl.copy() | |
| # Desfazendo a conversão da escala | |
| if scv_d == 'lny': | |
| df_correl['Valores Ajustados'] = round(np.exp(df_correl['Valores Ajustados']), 8) | |
| df_correl['Preços Observados'] = round(np.exp(df_correl['Preços Observados']), 8) | |
| elif scv_d == '1/y': | |
| df_correl['Valores Ajustados'] = round(1 / df_correl['Valores Ajustados'], 8) | |
| df_correl['Preços Observados'] = round(1 / df_correl['Preços Observados'], 8) | |
| elif scv_d == 'y²': | |
| df_correl['Valores Ajustados'] = round(np.sqrt(df_correl['Valores Ajustados']), 8) | |
| df_correl['Preços Observados'] = round(np.sqrt(df_correl['Preços Observados']), 8) | |
| else: | |
| pass # Nenhuma transformação é necessária | |
| df_correl['Diferença %'] = round(((df_correl['Valores Ajustados']/df_correl['Preços Observados'])-1)*100, 8) | |
| #----------------------------------Avaliação--------------------------------# | |
| try: | |
| # Carregando o(s) avaliando(s) | |
| df_aval = pd.read_excel(planilha.name, 'avaliando') | |
| df_aval_original = df_aval.copy() | |
| # avaliando(s) | |
| if v_d == "Valor total": | |
| aplicar_operacao(df_aval, scv_d, 1) | |
| else: | |
| aplicar_operacao(df_aval, scv_d, 2) | |
| aplicar_operacao(df_aval, scv_1, 3) | |
| aplicar_operacao(df_aval, scv_2, 4) | |
| aplicar_operacao(df_aval, scv_3, 5) | |
| aplicar_operacao(df_aval, scv_4, 6) | |
| aplicar_operacao(df_aval, scv_5, 7) | |
| aplicar_operacao(df_aval, scv_6, 8) | |
| aplicar_operacao(df_aval, scv_7, 9) | |
| aplicar_operacao(df_aval, scv_8, 10) | |
| aplicar_operacao(df_aval, scv_9, 11) | |
| aplicar_operacao(df_aval, scv_10, 12) | |
| aplicar_operacao(df_aval, scv_11, 13) | |
| aplicar_operacao(df_aval, scv_12, 14) | |
| aplicar_operacao(df_aval, scv_13, 15) | |
| aplicar_operacao(df_aval, scv_14, 16) | |
| aplicar_operacao(df_aval, scv_15, 17) | |
| aplicar_operacao(df_aval, scv_16, 18) | |
| X_aval = pd.DataFrame() | |
| # Iterar sobre as colunas do DataFrame df_filtrado | |
| 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 == 3 and v_1) or \ | |
| (i == 4 and v_2) or \ | |
| (i == 5 and v_3) or \ | |
| (i == 6 and v_4) or \ | |
| (i == 7 and v_5) or \ | |
| (i == 8 and v_6) or \ | |
| (i == 9 and v_7) or \ | |
| (i == 10 and v_8) or \ | |
| (i == 11 and v_9) or \ | |
| (i == 12 and v_10) or \ | |
| (i == 13 and v_11) or \ | |
| (i == 14 and v_12) or \ | |
| (i == 15 and v_13) or \ | |
| (i == 16 and v_14) or \ | |
| (i == 17 and v_15) or \ | |
| (i == 18 and v_16): | |
| if i < len(df_aval.columns): | |
| X_aval[col] = df_aval.iloc[:, i] | |
| X_aval.insert(0, 'const', 1) | |
| # Avaliando(s) | |
| valores_previstos_aval = resultado.predict(X_aval) | |
| df_aval_original['VALOR'] = round(valores_previstos_aval, 8) | |
| 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" | |
| # Retirando as colunas valor total e valor unitário | |
| df_aval_original = df_aval_original.drop(df_aval_original.columns[[1, 2]], axis=1) | |
| # Salve o DataFrame 'result' em uma planilha | |
| df_aval_original.to_excel("planilha_aval.xlsx", index=False) | |
| except: | |
| # Se a aba não existir, crie um DataFrame vazio | |
| df_aval_original = pd.DataFrame() | |
| # Salve o DataFrame 'result' em uma planilha | |
| df_aval_original.to_excel("planilha_aval.xlsx", index=False) | |
| #-----------------------------------------------Gráficos-------------------------------------------------# | |
| # Criando subplots | |
| fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(10, 16)) | |
| # Gráfico dos resíduos padronizados | |
| 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) | |
| # Adicionando rótulos aos pontos com resíduos padronizados > 2 | |
| # 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]), color='black') | |
| # Histograma dos resíduos padronizados | |
| 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) | |
| # Gráfico da distância de Cook | |
| 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) | |
| # Adicionando rótulos aos pontos | |
| for i, txt in enumerate(df_final.iloc[:, 0]): | |
| ax3.annotate(txt, (i, distancia_cook[i])) | |
| # Gráfico Valores Ajustados vs Preços Observados | |
| # Extrair os valores dos dados | |
| x_values = df_correl_grafico['Preços Observados'] | |
| y_values = df_correl_grafico['Valores Ajustados'] | |
| # Calcular a linha de tendência (regressão linear) | |
| slope, intercept = np.polyfit(x_values, y_values, 1) | |
| # Plotar o gráfico de dispersão no eixo ax4 | |
| ax4.scatter(x_values, y_values, color='black') | |
| # Plotar a linha de tendência no eixo ax4 | |
| ax4.plot(x_values, slope * x_values + intercept, color='orange', linestyle='--', linewidth=2) | |
| # Adicionar título e rótulos dos eixos em ax4 | |
| ax4.set_title('Valores Ajustados vs Preços Observados') | |
| ax4.set_xlabel('Preços Observados') | |
| ax4.set_ylabel('Valores Ajustados') | |
| ax4.grid(True) | |
| # Ajustando a posição dos subplots | |
| plt.tight_layout() | |
| # Exibindo os subplots | |
| plt.show() | |
| #----------------------------------------------Pontos Influenciantes-------------------------------------------------# | |
| # Listagem de pontos discrepantes | |
| limite_cook = 4 / (len(df_final) - len(resultado.params)) | |
| pontos_discrepantes = [] | |
| for i, cook_dist in enumerate(distancia_cook): | |
| if cook_dist > limite_cook: | |
| pontos_discrepantes.append(df_final.iloc[i, 0]) # Usando a primeira coluna como rótulo | |
| # Listagem de pontos influentes | |
| 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 | |
| #---------------------------------------Outputs----------------------------------# | |
| return ( | |
| df_original, | |
| colunas, | |
| feature_importances, | |
| resultados_gerais, | |
| comentarios, | |
| equacao_modelo, | |
| resultado_html, | |
| df_final, | |
| Listagem_df_maiores_que_2, | |
| pontos_influentes, | |
| df_maiores_que_2, | |
| df_outliers, | |
| df_correl, | |
| 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, | |
| #'influencia_variaveis.png', | |
| plt, | |
| df_aval_original, | |
| 'planilha_aval.xlsx', | |
| #X_aval, | |
| #X, | |
| #y, | |
| #'X.xlsx', | |
| #'y.xlsx', | |
| ) | |
| #--------------------------------------Interface---------------------------------# | |
| numeros = [str(i) for i in range(0, 501)] | |
| with gr.Blocks(theme=gr.themes.Default(primary_hue="yellow", secondary_hue="yellow",)) as interface: | |
| gr.Markdown(f""" | |
| <p style="text-align: left; font-family: 'Quicksand', sans-serif; font-weight: bold;"> | |
| <b><span style='color: grey; font-size: 48px;'>aval</span></b> | |
| <b><span style='color: orange; font-size: 48px;'>ia</span></b> | |
| <b><span style='color: grey; font-size: 48px;'>.se</span></b> | |
| </p> | |
| <p style="text-align: left;"><b><span style='color: grey; font-size: 30px;'>Regressão Linear</span></b></p> | |
| <p style="text-align: left;"></span>Aplicativo MCDDM com tratamento científico / Você pode fazer um download de uma planilha de exemplo <a href='https://huggingface.co/spaces/DavidSB/RL/resolve/main/sample_data.xlsx' download='sample_data.xlsx'>aqui</a><br><br></p> | |
| """) | |
| with gr.Row(): | |
| with gr.Column(): | |
| with gr.Row(): | |
| #inp_1 = gr.File(label="Upload planilha", type="file", scale=2, height=100) | |
| inp_1 = gr.File(label="Upload planilha", type="filepath", scale=2, height=100) | |
| with gr.Row(): | |
| inp_2 = gr.Dropdown(['Valor total', 'Valor unitário',], label="VARIÁVEL DEPENDENTE", value='Valor unitário') | |
| inp_3 = gr.Dropdown(['y', 'lny', '1/y', 'y²'], label="Escala VARIÁVEL DEPENDENTE", value='y') | |
| button_1 = gr.Button("Calcular") | |
| with gr.Row(): | |
| inp_4 = gr.Checkbox(value=True, label="Var 1", scale=1) | |
| inp_5 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_6 = gr.Checkbox(value=True, label="Var 2", scale=1) | |
| inp_7 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_8 = gr.Checkbox(value=False, label="Var 3", scale=1) | |
| inp_9 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_10 = gr.Checkbox(value=False, label="Var 4", scale=1) | |
| inp_11 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_12 = gr.Checkbox(value=False, label="Var 5", scale=1) | |
| inp_13 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_14 = gr.Checkbox(value=False, label="Var 6", scale=1) | |
| inp_15 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_16 = gr.Checkbox(value=False, label="Var 7", scale=1) | |
| inp_17 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_18 = gr.Checkbox(value=False, label="Var 8", scale=1) | |
| inp_19 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_20 = gr.Checkbox(value=False, label="Var 9", scale=1) | |
| inp_21 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_22 = gr.Checkbox(value=False, label="Var 10", scale=1) | |
| inp_23 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_24 = gr.Checkbox(value=False, label="Var 11", scale=1) | |
| inp_25 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_26 = gr.Checkbox(value=False, label="Var 12", scale=1) | |
| inp_27 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_28 = gr.Checkbox(value=False, label="Var 13", scale=1) | |
| inp_29 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_30 = gr.Checkbox(value=False, label="Var 14", scale=1) | |
| inp_31 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| with gr.Row(): | |
| inp_32 = gr.Checkbox(value=False, label="Var 15", scale=1) | |
| inp_33 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| inp_34 = gr.Checkbox(value=False, label="Var 16", scale=1) | |
| inp_35 = gr.Dropdown(['x', 'lnx', '1/x', 'x²'], show_label=False, value='x', scale=1) | |
| button_2 = gr.Button("Calcular") | |
| inp_36 = gr.CheckboxGroup(numeros, value=numeros[1:501], label="Selecionar dados", type="index") | |
| button_3 = gr.Button("Calcular") | |
| 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="Importância das Variáveis (ExtraTreesRegressor()) ", scale=1) | |
| with gr.Row(): | |
| out_4 = gr.Textbox(label="Resultados Gerais do Modelo", scale=1) | |
| out_6 = gr.Textbox(label="Equação do Modelo") | |
| out_5 = gr.HTML(label="Comentários sobre os Resultados") | |
| out_7 = gr.HTML(label="Resultados por variável") | |
| out_8 = gr.Dataframe(label="Planilha Regressão Linear (Variáveis e escalas escolhidas e sem outliers)", height=300) | |
| out_9 = gr.Textbox(label="Listagem de dados com resíduos padronizados > 2") | |
| out_10 = gr.Textbox(label="Listagem de pontos Influenciantes (Distância de Cook > 1)") | |
| out_11 = gr.Dataframe(label="Resíduos Padronizados > 2", height=300) | |
| out_12 = gr.Dataframe(label="Outliers (retirados)", height=300) | |
| out_13 = gr.Dataframe(label="Valores Ajustados x Preços Observados", height=300) | |
| button_4 = gr.Button("Calcular") | |
| out_14 = gr.Plot(label="Gráfico Dispersão var 1") | |
| out_15 = gr.Plot(label="Gráfico Dispersão var 2") | |
| out_16 = gr.Plot(label="Gráfico Dispersão var 3") | |
| out_17 = gr.Plot(label="Gráfico Dispersão var 4") | |
| out_18 = gr.Plot(label="Gráfico Dispersão var 5") | |
| out_19 = gr.Plot(label="Gráfico Dispersão var 6") | |
| out_20 = gr.Plot(label="Gráfico Dispersão var 7") | |
| out_21 = gr.Plot(label="Gráfico Dispersão var 8") | |
| out_22 = gr.Plot(label="Gráfico Dispersão var 9") | |
| out_23 = gr.Plot(label="Gráfico Dispersão var 10") | |
| out_24 = gr.Plot(label="Gráfico Dispersão var 11") | |
| out_25 = gr.Plot(label="Gráfico Dispersão var 12") | |
| out_26 = gr.Plot(label="Gráfico Dispersão var 13") | |
| out_27 = gr.Plot(label="Gráfico Dispersão var 14") | |
| out_28 = gr.Plot(label="Gráfico Dispersão var 15") | |
| out_29 = gr.Plot(label="Gráfico Dispersão var 16") | |
| #out_30 = gr.Image(label='Gráfico de Influência das Variáveis') | |
| out_31 = gr.Plot(label="Análise Gráfica do Modelo de Regressão") | |
| out_32 = gr.Dataframe(label="Avaliação", height=300) | |
| out_33 = gr.components.File(label="Resultado da Avaliação") | |
| # outputs de verificação | |
| #out_off_1 = gr.Dataframe(label="X_aval", height=300) | |
| #out_off_2 = gr.Dataframe(label="X", height=300) | |
| #out_off_3 = gr.Dataframe(label="y", height=300) | |
| #out_off_4 = gr.components.File(label="X") | |
| #out_off_5 = gr.components.File(label="y") | |
| inputs = [ | |
| inp_1, 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, inp_22, inp_23, inp_24, inp_25, inp_26, inp_27, inp_28, inp_29, inp_30, | |
| inp_31, inp_32, inp_33, inp_34, inp_35, inp_36 | |
| ] | |
| outputs = [ | |
| out_1, out_2, out_3, out_4, out_5, out_6, out_7, out_8, out_9, out_10, | |
| out_11, out_12, out_13, 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_31, out_32, out_33 | |
| ] #[out_off_1, out_off_2, out_off_3, out_off_4, out_off_5] , out_28 | |
| button_1.click(avaliacao_imovel, inputs=inputs, outputs=outputs) | |
| button_2.click(avaliacao_imovel, inputs=inputs, outputs=outputs) | |
| button_3.click(avaliacao_imovel, inputs=inputs, outputs=outputs) | |
| button_4.click(avaliacao_imovel, inputs=inputs, outputs=outputs) | |
| if __name__ == "__main__": | |
| interface.launch(debug=True) |