Update app.py

app.py

@@ -1,14 +1,7 @@
-
 import gradio as gr
 import requests
 import pandas as pd
-import re
-import csv
-import datetime
 from rapidfuzz import process, fuzz
-import requests
-from difflib import get_close_matches
-from fuzzywuzzy import process
 
 bens_df = pd.read_excel('bens_tab.xlsx')
 
@@ -22,128 +15,71 @@ def fetch_data_to_dataframe(query, limit=50, source="mercadolibre"):
         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']
-                df['Marketplace'] = "Mercado Livre"
-                return df
+            items = data.get('results', [])
+            df = pd.DataFrame(items)[['title', 'price', 'currency_id', 'condition', 'permalink']]
+            df.columns = ['Title', 'Price', 'Currency', 'Condition', 'Link']
+            df['Marketplace'] = "Mercado Livre"
+            return df
     return pd.DataFrame()
 
 def refinar_resultados(df):
-    df['Title'] = df['Title'].astype(str)
     df_refinado = df[~df['Title'].str.contains("kit", case=False, na=False)]
-    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, na=False)]
+    df_refinado = df_refinado[~df_refinado['Title'].str.contains(r'\b(\d+)\s*(unidade|unidades|pacote|pacotes|caixa|caixas)\b', case=False, regex=True)]
     return df_refinado
 
 def get_best_match(query, choices, limit=15):
     matches = process.extract(query, choices, scorer=fuzz.WRatio, limit=limit)
-    return [match[0] for match in matches if match[1] > 30]
+    return [match[0] for match in matches if match[1] > 70]
     
 def filtrar_itens_similares(df, termo_pesquisa, limit=15):
-    titulos = df['Title'].tolist()
-    # Use RapidFuzz for improved performance and fuzzy matching
-    titulos_similares = get_best_match(termo_pesquisa, titulos, limit=limit)
-    df_filtrado = df[df['Title'].isin(titulos_similares)]
-    return df_filtrado
+    titulos_similares = get_best_match(termo_pesquisa, df['Title'].tolist(), limit=limit)
+    return df[df['Title'].isin(titulos_similares)]
 
 def calcular_fator_avaliacao(titulo, EC, PU):
-    # Buscar VU e VR baseado no título
     filtered_df = bens_df[bens_df['TITULO'] == titulo]
     if filtered_df.empty:
-        raise ValueError(f"Nenhum bem encontrado com o título: {titulo}")
+        return None  # Or handle the error as needed
 
     bem_info = filtered_df.iloc[0]
-    VU = bem_info['VIDA_UTIL']
-    VR = bem_info['VALOR_RESIDUAL']
-    
-    pontuacoes = {'Excelente': 10, 'Bom': 8, 'Regular': 5, 'Péssimo': 2}
-    ec_pontuacao = pontuacoes[EC]
+    VU, VR = bem_info['VIDA_UTIL'], bem_info['VALOR_RESIDUAL']
+    ec_pontuacao = {'Excelente': 10, 'Bom': 8, 'Regular': 5, 'Péssimo': 2}[EC]
 
-    PU = float(PU)
-    PVU = 10 - ((PU - 1) * (10 / VU))
-    PVU = min(PVU, 10)
-    
-    PUB = 10 - (((VU - PU) - 1) * (10 / VU))
-    PUB = min(PUB, 10)
-    
+    PU, PVU, PUB = float(PU), min(10 - ((PU - 1) * (10 / VU)), 10), min(10 - (((VU - PU) - 1) * (10 / VU)), 10)
     fator_avaliacao = max((4 * ec_pontuacao + 6 * PVU - 3 * PUB) / 100, VR)
     return fator_avaliacao
 
 def select_nearest_items(df):
-    mode_prices = df['Price'].mode()
-    if len(mode_prices) > 0:
-        target_price = mode_prices.min()  # Choose the smallest mode if multiple
-    else:
-        target_price = df['Price'].median()  # Fallback to median if no mode
-    
+    target_price = df['Price'].mode().min() if not df['Price'].mode().empty else df['Price'].median()
     df['Distance'] = (df['Price'] - target_price).abs()
-    df_sorted = df.sort_values('Distance')
-
-    included_marketplaces = set()
-    nearest_items = []
-    for _, row in df_sorted.iterrows():
-        if row['Marketplace'] not in included_marketplaces:
-            nearest_items.append(row)
-            included_marketplaces.add(row['Marketplace'])
-        if len(included_marketplaces) >= 5:
-            break
-
-    return pd.DataFrame(nearest_items)
-    
-def search_with_fallback(query, df, limit=15):
-    # Split the query into parts
-    query_parts = query.split()
-
-    # Start with the most specific search (full query)
-    specificities = [
-        " ".join(query_parts[i:]) for i in range(len(query_parts))
-    ]
+    return pd.DataFrame([row for _, row in df.sort_values('Distance').iterrows() if row['Marketplace'] not in set()]).head(5)
 
-    for specificity in specificities:
-        df_filtrado = filtrar_itens_similares(df, specificity, limit=limit)
-        if not df_filtrado.empty:
-            # If we find results at this level of specificity, return them
-            return df_filtrado
-
-    # If no results are found at any level of specificity, return an empty DataFrame
-    return pd.DataFrame()
-    
 def integrated_app(query, titulo, EC, PU):
-    df_mercadolibre = fetch_data_to_dataframe(query, 50, "mercadolibre")
+    df_mercadolibre = fetch_data_to_dataframe(query)
     df_combined = pd.concat([df_mercadolibre, data_crawler], ignore_index=True)
-
     if df_combined.empty:
         return "Nenhum dado encontrado. Tente uma consulta diferente.", pd.DataFrame()
 
     df_refined = refinar_resultados(df_combined)
-    # Use the new search_with_fallback function
-    df_similares = search_with_fallback(query, df_refined)
-
+    df_similares = filtrar_itens_similares(df_refined, query)
     if df_similares.empty:
         return "Nenhum item similar encontrado.", pd.DataFrame()
-    else:
-        df_nearest = select_nearest_items(df_similares)
-        mean_price = df_nearest['Price'].mean()
-        fator_avaliacao = calcular_fator_avaliacao(titulo, EC, PU)
-        valor_avaliacao = mean_price * fator_avaliacao
-        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_nearest
 
-titulos = bens_df['TITULO'].unique().tolist()
+    fator_avaliacao = calcular_fator_avaliacao(titulo, EC, PU)
+    if fator_avaliacao is None:
+        return "Erro ao calcular o fator de avaliação.", pd.DataFrame()
+
+    df_nearest = select_nearest_items(df_similares)
+    valor_avaliacao = df_nearest['Price'].mean() * fator_avaliacao
+    return f"Valor Médio do Bem: R$ {df_nearest['Price'].mean():.2f}, Fator de Avaliação: {fator_avaliacao*100:.2f}%, Valor de Avaliação: R$ {valor_avaliacao:.2f}", df_nearest
 
 iface = gr.Interface(fn=integrated_app,
                      inputs=[gr.Textbox(label="Digite sua consulta"),
-                             gr.Dropdown(label="Classificação Contábil do Bem", choices=titulos, value="MOBILIÁRIO EM GERAL"),
+                             gr.Dropdown(label="Classificação Contábil do Bem", choices=bens_df['TITULO'].unique().tolist(), value="MOBILIÁRIO EM GERAL"),
                              gr.Radio(label="Estado de Conservação do Bem", choices=['Excelente', 'Bom', 'Regular', 'Péssimo'], value="Excelente"),
-                             gr.Number(label="Período utilizado (anos)", value=1)
-                     ],
+                             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;'>Avaliação de Bens Móveis</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>
-                     """)
+                     title="<span style='color: gray; font-size: 48px;'>Avaliação de Bens Móveis</span>",
+                     description="""<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>""")
 
 iface.launch()