Update app.py

app.py

@@ -116,41 +116,16 @@ tab_df = df[df['Instituição'] == selected_instituicao]
 
 data = []
 
-with tab1:
-    for conta in tab_df['Conta'].unique():
-        # Filter the DataFrame for the current 'Conta'
-        conta_df = tab_df[tab_df['Conta'] == conta]
-
-        if len(conta_df['Modelo'].unique()) > 1 and "Linear Regression" in conta_df['Modelo'].unique():
-            conta_df = conta_df[conta_df['Modelo'] == "Linear Regression"]
-
-        # Initialize a variable to store the sum for the current 'Conta'
-        conta_sum = 0.0
-
-        # Take the first 'Modelo' for simplicity
-        modelo = conta_df['Modelo'].iloc[0]
-
-        # Iterate over each row in the filtered DataFrame for the current 'Conta'
-        for _, row in conta_df.iterrows():
-            lines = row['Forecasts'].split('\n')
-            for line in lines[:-1]:  # Skip the summary line
-                if line.strip():
-                    parts = line.split()
-                    value = parts[-1]
-                    try:
-                        conta_sum += float(value)
-                    except ValueError:
-                        print(f"Skipping line unable to convert to float: {line}")
-
-        # Append the data to the list
-        data.append({'Conta': conta, 'Modelo': modelo, 'Próximos 12 meses': conta_sum})
+ultimo_ano = last_rows[['Instituição', 'Conta', 'Últimos 12 meses']]
 
+with tab1:
+    data = ultimo_ano[ultimo_ano['Conta'] == conta]
     # Convert the list to a DataFrame
     table_data = pd.DataFrame(data)
-    total_sum = table_data['Próximos 12 meses'].sum()
+    total_sum = table_data['Últimos 12 meses'].sum()
 
     labels = table_data['Conta']
-    sizes = [(i / total_sum) * 100 for i in table_data['Próximos 12 meses']]
+    sizes = [(i / total_sum) * 100 for i in table_data['Últimos 12 meses']]
 
     #fig1, ax1 = plt.subplots()
     #ax1.pie(sizes, labels=labels, autopct='%1.1f%%',)