Update app.py

app.py

@@ -9,6 +9,7 @@ import tempfile
 import os
 import matplotlib
 import shutil
+import colorsys
 matplotlib.use('Agg')
 
 def extrair_tabelas_pdf(pdf_path):
@@ -90,6 +91,22 @@ def obter_disciplinas_validas(df):
     
     return disciplinas_validas
 
+def gerar_paleta_cores(n_cores):
+    """Gera uma paleta de cores distintas para o número de disciplinas."""
+    cores_base = [
+        '#DC143C', '#4169E1', '#9370DB', '#32CD32', '#FF8C00', 
+        '#00CED1', '#FF69B4', '#8B4513', '#4B0082', '#556B2F',
+        '#B8860B', '#483D8B', '#008B8B', '#8B008B', '#8B0000'
+    ]
+    
+    if n_cores > len(cores_base):
+        HSV_tuples = [(x/n_cores, 0.8, 0.9) for x in range(n_cores)]
+        cores_extras = ['#%02x%02x%02x' % tuple(int(x*255) for x in colorsys.hsv_to_rgb(*hsv)) 
+                       for hsv in HSV_tuples]
+        return cores_extras
+    
+    return cores_base[:n_cores]
+
 def plotar_evolucao_bimestres(df_filtrado, temp_dir):
     """Plota gráfico de evolução das notas por bimestre."""
     # Obter disciplinas válidas
@@ -103,7 +120,6 @@ def plotar_evolucao_bimestres(df_filtrado, temp_dir):
     altura_figura = max(6, n_disciplinas * 0.4)
     plt.figure(figsize=(14, altura_figura))
     
-    # Gerar cores para as disciplinas
     cores = gerar_paleta_cores(n_disciplinas)
     marcadores = ['o', 's', '^', 'D', 'v', '<', '>', 'p', 'h', '8', '*', 'H', '+', 'x', 'd']
     estilos_linha = ['-', '--', '-.', ':', '-', '--', '-.', ':', '-', '--', '-.', ':', '-', '--', '-.']
@@ -115,14 +131,13 @@ def plotar_evolucao_bimestres(df_filtrado, temp_dir):
     for idx, disciplina in enumerate(disciplinas_validas):
         dados_disciplina = df_filtrado[df_filtrado['Disciplina'] == disciplina]
         if not dados_disciplina.empty:
-            notas = dados_disciplina[colunas_notas].values[0]
-            # Converter para Series do pandas
-            notas_series = pd.Series(notas)
-            notas_validas = pd.to_numeric(notas_series, errors='coerce').replace([np.nan, 0], 0) > 0
+            # Converter notas para Series do pandas
+            notas = pd.Series(dados_disciplina[colunas_notas].values[0])
+            notas_validas = pd.to_numeric(notas, errors='coerce').replace([np.nan, 0], 0) > 0
             
-            if any(notas_validas):
+            if notas_validas.any():
                 bimestres = np.arange(1, len(colunas_notas) + 1)[notas_validas]
-                notas_filtradas = pd.to_numeric(notas_series[notas_validas], errors='coerce').fillna(0)
+                notas_filtradas = pd.to_numeric(notas[notas_validas], errors='coerce').replace(np.nan, 0)
                 
                 plt.plot(bimestres, notas_filtradas,
                         color=cores[idx % len(cores)],
@@ -139,7 +154,6 @@ def plotar_evolucao_bimestres(df_filtrado, temp_dir):
                                xytext=(0, 5), 
                                ha='center',
                                fontsize=8)
-
     
     plt.title('Evolução das Médias por Disciplina ao Longo dos Bimestres')
     plt.xlabel('Bimestres')
@@ -147,7 +161,6 @@ def plotar_evolucao_bimestres(df_filtrado, temp_dir):
     plt.xticks([1, 2, 3, 4], ['B1', 'B2', 'B3', 'B4'])
     plt.ylim(0, 10)
     
-    # Ajustar legenda baseado no número de disciplinas
     if n_disciplinas > 10:
         plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', fontsize=8)
     else:
@@ -177,16 +190,15 @@ def plotar_graficos_destacados(df_boletim_clean, temp_dir):
     df_filtrado = df_boletim_clean[df_boletim_clean['Disciplina'].isin(disciplinas_validas)]
     disciplinas = df_filtrado['Disciplina'].astype(str)
     
-    # Processar frequências com tratamento de erros melhorado
+    # Processar frequências
     colunas_freq = ['%Freq B1', '%Freq B2', '%Freq B3', '%Freq B4']
-    freq_data = df_filtrado[colunas_freq].replace('%', '', regex=True)
-    freq_data = freq_data.apply(pd.to_numeric, errors='coerce').fillna(0)
-    medias_frequencia = freq_data.mean(axis=1)
+    freq_data = df_filtrado[colunas_freq].replace('%', '', regex=True).astype(float)
+    medias_frequencia = freq_data.replace([np.nan, 0], 0).mean(axis=1)
     
-    # Processar notas com tratamento de erros melhorado
+    # Processar notas
     colunas_notas = ['Nota B1', 'Nota B2', 'Nota B3', 'Nota B4']
-    notas_data = df_filtrado[colunas_notas].apply(pd.to_numeric, errors='coerce').fillna(0)
-    medias_notas = notas_data.mean(axis=1)
+    notas_data = df_filtrado[colunas_notas].astype(float)
+    medias_notas = notas_data.replace([np.nan, 0], 0).mean(axis=1)
     
     cores_notas = ['red' if media < 5 else 'blue' for media in medias_notas]
     cores_frequencias = ['red' if media < 75 else 'green' for media in medias_frequencia]
@@ -199,7 +211,6 @@ def plotar_graficos_destacados(df_boletim_clean, temp_dir):
     plt.xticks(rotation=45, ha='right')
     plt.ylim(0, 10)
     
-    # Adicionar valores nas barras
     for barra in barras_notas:
         altura = barra.get_height()
         plt.text(barra.get_x() + barra.get_width()/2., altura,
@@ -212,7 +223,6 @@ def plotar_graficos_destacados(df_boletim_clean, temp_dir):
     plt.xticks(rotation=45, ha='right')
     plt.ylim(0, 100)
     
-    # Adicionar valores nas barras
     for barra in barras_freq:
         altura = barra.get_height()
         plt.text(barra.get_x() + barra.get_width()/2., altura,
@@ -241,7 +251,6 @@ def gerar_relatorio_pdf(df, grafico1_path, grafico2_path):
     pdf.cell(0, 10, 'Relatório de Desempenho Escolar', 0, new_x=XPos.LMARGIN, new_y=YPos.NEXT, align='C')
     pdf.ln(10)
     
-    # Informações do aluno se disponíveis
     if 'Nome do Aluno' in df.columns:
         pdf.set_font('Helvetica', '', 12)
         pdf.cell(0, 10, f'Aluno: {df["Nome do Aluno"].iloc[0]}', 0, new_x=XPos.LMARGIN, new_y=YPos.NEXT, align='L')
@@ -255,20 +264,18 @@ def gerar_relatorio_pdf(df, grafico1_path, grafico2_path):
     pdf.cell(0, 10, 'Avisos Importantes:', 0, new_x=XPos.LMARGIN, new_y=YPos.NEXT, align='L')
     pdf.set_font('Helvetica', '', 10)
     
-    # Obter disciplinas válidas
     disciplinas_validas = obter_disciplinas_validas(df)
     df_filtrado = df[df['Disciplina'].isin(disciplinas_validas)]
     
     # Calcular médias
     colunas_notas = ['Nota B1', 'Nota B2', 'Nota B3', 'Nota B4']
-    notas_data = df_filtrado[colunas_notas].apply(pd.to_numeric, errors='coerce').fillna(0)
-    medias_notas = notas_data.mean(axis=1)
+    notas_data = df_filtrado[colunas_notas].astype(float)
+    medias_notas = notas_data.replace([np.nan, 0], 0).mean(axis=1)
     
     # Processar frequências
     colunas_freq = ['%Freq B1', '%Freq B2', '%Freq B3', '%Freq B4']
-    freq_data = df_filtrado[colunas_freq].replace('%', '', regex=True)
-    freq_data = freq_data.apply(pd.to_numeric, errors='coerce').fillna(0)
-    medias_freq = freq_data.mean(axis=1)
+    freq_data = df_filtrado[colunas_freq].replace('%', '', regex=True).astype(float)
+    medias_freq = freq_data.replace([np.nan, 0], 0).mean(axis=1)
     
     # Adicionar média global
     media_global = medias_notas.mean()