Spaces:
Sleeping
Sleeping
| import gradio as gr | |
| import requests | |
| import pandas as pd | |
| from difflib import get_close_matches | |
| import re # Importa o módulo de expressões regulares | |
| bens_df = pd.read_excel('bens_tab.xlsx') | |
| def fetch_data_to_dataframe(query, limit=50, source="mercadolibre"): | |
| if source == "mercadolibre": | |
| BASE_URL = "https://api.mercadolibre.com/sites/MLB/search" | |
| params = {'q': query, 'limit': limit} | |
| response = requests.get(BASE_URL, params=params) | |
| if response.status_code == 200: | |
| data = response.json() | |
| if 'results' in data: | |
| items = data['results'] | |
| df = pd.DataFrame(items) | |
| df = df[['title', 'price', 'currency_id', 'condition', 'permalink']] | |
| df.columns = ['Title', 'Price', 'Currency', 'Condition', 'Link'] | |
| return df | |
| return pd.DataFrame() | |
| def refinar_resultados(df): | |
| # Filtra itens que não contêm "kit" no título e não indicam múltiplas unidades | |
| df_refinado = df[~df['Title'].str.contains("kit", case=False)] | |
| # Expressão regular para identificar números seguidos por palavras relacionadas a quantidade | |
| padrao_unidades = r'\b(\d+)\s*(unidade|unidades|pacote|pacotes|caixa|caixas)\b' | |
| df_refinado = df_refinado[~df_refinado['Title'].str.contains(padrao_unidades, case=False, regex=True)] | |
| return df_refinado | |
| def filtrar_itens_similares(df, termo_pesquisa, limite=5): | |
| titulos = df['Title'].tolist() | |
| titulos_similares = get_close_matches(termo_pesquisa, titulos, n=limite, cutoff=0.1) | |
| df_filtrado = df[df['Title'].isin(titulos_similares)] | |
| return df_filtrado | |
| def calcular_fator_avaliacao(EC, titulo, PU): | |
| pontuacoes = {'Excelente': 10, 'Bom': 8, 'Regular': 5, 'Péssimo': 2} | |
| ec_pontuacao = pontuacoes[EC] | |
| # Buscar VU e VR baseado no título | |
| bem_info = bens_df[bens_df['TITULO'] == titulo].iloc[0] | |
| VU = bem_info['VIDA_UTIL'] | |
| VR = bem_info['VALOR_RESIDUAL'] | |
| PU = float(PU) | |
| PVU = 10 - ((PU - 1) * (10 / VU)) | |
| PVU = min(PVU, 10) | |
| PUB = 10 - (((VU - PU) - 1) * (10 / VU)) | |
| PUB = min(PUB, 10) | |
| fator_avaliacao = max((4 * ec_pontuacao + 6 * PVU - 3 * PUB) / 100, VR) | |
| return fator_avaliacao | |
| def integrated_app(query, EC, titulo, PU): | |
| df = fetch_data_to_dataframe(query, 50, "mercadolibre") | |
| if df.empty: | |
| return "Nenhum dado encontrado. Tente uma consulta diferente.", pd.DataFrame() | |
| df = refinar_resultados(df) | |
| df_similares = filtrar_itens_similares(df, query) | |
| if df_similares.empty: | |
| return "Nenhum item similar encontrado.", pd.DataFrame() | |
| else: | |
| mean_price = df_similares['Price'].mean() | |
| fator_avaliacao = calcular_fator_avaliacao(EC, titulo, PU) | |
| valor_avaliacao = max(mean_price * fator_avaliacao, ((VR)* mean_price)) | |
| return f"Valor Médio do Bem: R$ {mean_price:.2f}, Fator de Avaliação: {fator_avaliacao*100:.2f}%, Valor de Avaliação: R$ {valor_avaliacao:.2f}", df_similares | |
| titulos = bens_df['TITULO'].unique().tolist() | |
| iface = gr.Interface(fn=integrated_app, | |
| inputs=[gr.Textbox(label="Digite sua consulta"), | |
| gr.Dropdown(label="Classificação Contábil do Bem", choices=titulos), | |
| gr.Radio(label="Estado de Conservação do Bem", choices=['Excelente', 'Bom', 'Regular', 'Péssimo']), | |
| gr.Number(label="Período utilizado (anos)", value=1) | |
| ], | |
| outputs=[gr.Textbox(label="Cálculo"), gr.Dataframe(label="Resultados da Pesquisa")], | |
| theme=gr.themes.Monochrome(), | |
| title = "<span style='color: gray; font-size: 48px;'>aval</span><span style='color: gray; font-size: 48px;'>ia</span><span style='color: gray; font-size: 48px;'>.BEN</span>", | |
| description=f""" | |
| <p style="text-align: left;"><b><span style='color: gray; font-size: 40px;'>aval</span><span style='color: gray; font-size: 40px;'>ia</span><span style='color: gray; font-size: 40px;'>.se</b></p> | |
| <p style="text-align: left;"></span>Aplicativo para avaliação de bens móveis</p> | |
| """) | |
| iface.launch() | |