import matplotlib
matplotlib.use('Agg')

import streamlit as st


import pandas as pd
from PIL import Image
import plotly.graph_objects as go
import numpy as np
import yfinance as yf
import datetime as dt 
from collections import OrderedDict
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor



import uteis as uteis
import scrap as scraping


def flatten(d):
    '''
    Flatten an OrderedDict object
    '''
    result = OrderedDict()
    for k, v in d.items():
        if isinstance(v, dict):
            result.update(flatten(v))
        else:
            result[k] = v
    return result


def analise_carteira():
    #código para ativar bootstrap css
    st.markdown(
        """
        <link rel="stylesheet" href="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/css/bootstrap.min.css" integrity="sha384-Gn5384xqQ1aoWXA+058RXPxPg6fy4IWvTNh0E263XmFcJlSAwiGgFAW/dAiS6JXm" crossorigin="anonymous">
        <script src="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/js/bootstrap.min.js" integrity="sha384-JZR6Spejh4U02d8jOt6vLEHfe/JQGiRRSQQxSfFWpi1MquVdAyjUar5+76PVCmYl" crossorigin="anonymous"></script>
        """,unsafe_allow_html=True
        )  

    top_ativos = pd.read_excel('data/top_200.xlsx')#, index_col=0) 

    col1, col2,col3 = st.columns([0.1,0.4,0.1])   
    with col2:                     
        st.title('Análise de carteira e previsão de lucro')
        st.subheader('Receba insights sobre suas operações realizadas no passado e preveja se sua próxima operação no futuro será lucrativa, ou não!')
        st.write('Usando os dados do seu extrato histórico fornecido pelo site da B3 iremos treinar um algorítimo de inteligência artificial que será capaz de analisar suas operações passadas, mostrar padrões que te levaram ao lucro ou prejuízo, além de prever a probabilidade de lucro de uma ação caso ela seja comprada hoje por você')

        menu = ["Escolha uma opção","Usar algoritmo do site","Usar os dados de minhas operações"]
        choice = st.selectbox("Menu",menu)
    
    
    if choice == "Usar os dados de minhas operações":
        # se usuário estiver logado
        if st.session_state['loged']:
            #st.subheader('Faça upload aqui do seu extrato da B3')
            col1, col2,col3 = st.columns([0.1,0.4,0.1])   
            with col2: 
                with st.expander("Passo a passo de como acessar os dados no site da B3"):
                    st.write('Acessar o site www.investidorb3.com.br')
                    st.write('Aba Extratos > Negociação > Aplicar filtro trazendo dados do último ano > baixar extrato em formato excel')
                    image = Image.open('images/b3.png')
                    st.image(image, use_column_width=True)    

            st.subheader('Faça upload aqui do seu extrato da B3')
            file  = st.file_uploader('Entre com seu extrato (.xlsx)', type = 'xlsx')    
            if file:
                df = pd.read_excel(file)
                lista = []
                retirar = []
                for i in range(len(df['Código de Negociação'])):
                    #PEGANDO SOMENTE AÇÕES AO INVÉS DE FIIS CORRELATAS
                    if len(df.iloc[i]['Código de Negociação']) == 5:
                        lista.append(df.iloc[i]['Código de Negociação'])
                    
                    elif df.iloc[i]['Código de Negociação'][-1] == '1':
                        retirar.append(df.iloc[i]['Código de Negociação'][-1])
                    #PEGANDO AÇÕES FRACIONADAS E TRANSFORMANDO EM AÇÕES NORMAIS
                    else:
                        lista.append(df.iloc[i]['Código de Negociação'][:-1])

                lista = pd.DataFrame(lista)[0].unique()
                lista_input = []

                #PEGAR DADOS HISTÓRICOS DE CADA UMA DAS AÇÕES
                for i in range(len(lista)):
                    
                    lista_input.append(str(lista[i] + '.SA'))

                date_year_ago = dt.datetime.today() - dt.timedelta(days=565)
                date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
                data = yf.download(lista_input,start=date_year_ago)

                #CRIA UMA DF COM UMA LINHA PARA CADA AÇÃO
                df_filled = pd.DataFrame(columns = ['name'])
                df_filled['name'] = lista_input

                # lógica para input de dados calculados 
                #UTILIZA LISTA COM NOMES ÚNICOS DAS AÇÕES, DATAFRAME DA B3, DADOS HISTÓRICOS E A TABELA DE INPUT COM UMA LINHA PARA CADA AÇÃO
                uteis.inputer_train(lista, df, data, df_filled)
                
                df_input = df_filled.fillna(0).replace(np.inf, 0)

                st.subheader('Avaliação de carteira:')
                st.write('Lucro Total do período avaliado: R$',round(df_input['Ganho_total'].sum(),2))
                #st.write('Rendimento Total do período avaliado: %',round(df_input['Rendimento_total_%'].sum(),2))

                df_input = df_input.loc[df_input['data_compra_1'] != 0]
                df_input['data_compra_1'] = pd.to_datetime(df_input['data_compra_1']).copy()
                df_ordered = df_input.sort_values('data_compra_1')
                #ordenando e criando campo mes ano
                df_ordered['mes/ano'] =df_ordered['data_compra_1'].astype(str).str[:-3]
                df_grouped = df_ordered.groupby('mes/ano').agg({'Rendimento_total_%':'mean','Ganho_total':'sum'})
                df_grouped = df_grouped.reset_index()
                
                #from plotly.subplots import make_subplots
                #fig = make_subplots(rows=2, cols=1, specs=[[{"type": "scatter"}, {"type": "bar"}]], subplot_titles=("Rendimento mensal %","Lucro total mensal R$") )
                #fig.add_trace(go.Scatter(x =df_grouped['mes/ano'],  y=df_grouped['Rendimento_total_%']), row=1, col=1)
                #fig.add_trace(go.Bar(x =df_grouped['mes/ano'],  y=df_grouped['Ganho_total']), row=1, col=2)
                #fig.update_layout(height=800, showlegend=False, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)')
                #st.plotly_chart(fig)

                layout = go.Layout(title="Rendimento mensal %",xaxis=dict(title="mês/ano"), yaxis=dict(title="Rendimento total %"))
                fig = go.Figure(layout = layout)
                fig.add_trace(go.Scatter(x =df_grouped['mes/ano'],  y=df_grouped['Rendimento_total_%']))

                fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)') 
                fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
                st.plotly_chart(fig,use_container_width=True)    

                layout = go.Layout(title="Lucro total mensal R$",xaxis=dict(title="mês/ano"), yaxis=dict(title="Ganho total R$"))
                fig = go.Figure(layout = layout)
                fig.add_trace(go.Bar(x =df_grouped['mes/ano'],  y=df_grouped['Ganho_total']))

                fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)') 
                fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
                st.plotly_chart(fig,use_container_width=True)    

                #MODELAGEM
                
                df_ordered['lucro'] = 0
                df_ordered.loc[df_ordered['Ganho_total'] > 0 , 'lucro'] = 1
                df_ordered = df_ordered.fillna(0).replace(-np.inf, 0)

                X = df_ordered.drop(['name', 'data_compra_1','mes/ano','Ganho_total','Rendimento_total_%','lucro','Preço_médio_comprado','Preço_médio_vendido'],axis=1)
                y = df_ordered['lucro']

                # divisão entre treino e teste 70/30
                X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=42)

                # Random Forest Regressor MVP
                regr = RandomForestRegressor(random_state=42)
                regr.fit(X_train,y_train)

                predictions = regr.predict(X_test)

                comparar = pd.DataFrame(y_test)
                comparar['previsto'] = predictions
                comparar['dif'] = comparar['previsto'] - comparar['lucro']

                erros = len(comparar.loc[comparar['dif'] > 0.5]) + len(comparar.loc[comparar['dif'] < -0.5])
                total = len(comparar)
                precision_model = round(1 - (erros / total),2)

                st.write('O modelo criado com os seus dados tem uma precisão de acerto de: ',precision_model * 100 ,'%')
                st.write('Caso a precisão seja baixa ( < 65% )  é necessário mais dados para melhorar a performance do modelo, neste caso utilize nosso modelo pré treinado na opção " Testar com nossos dados" ou incremente seus dados com operações fictícias')

                #trazendo features + importantes

                features, rank = uteis.rank(X, y)

                st.subheader('Estas variáveis são as que mais impactam nas decisões da inteligência artificial')
                #col1, col2,col3 = st.columns([0.1,0.4,0.1])   
                col1, col2,col3 = st.columns([1,2,1])   
                with col2: 
                    #st.dataframe(rank['features'].head(10).reset_index(drop=True).T)
                    top_features = rank['features'].head(10).reset_index(drop=True)
                    st.table(top_features)

                #fazendo previsão em toda a bolsa

                #lista = scraping.get_data()
                #todos = pd.DataFrame(flatten(lista).keys()).transpose()
                #todos.columns = todos.iloc[0]
                #for i in range(len(lista)): 
                #    todos = pd.concat([todos,pd.DataFrame(lista[i]).transpose()])

                #todos = todos.iloc[1:]
                #todos['name'] = (todos.index + '.SA' )

                #lista = top_ativos.copy()
                

                #PREVENDO 1 AÇÃO ESPECÍFICA
                col1, col2,col3 = st.columns([0.1,0.4,0.1])   
                with col2: 
                    st.subheader('Escolha o código de até 4 ativos específicos que deseja prever e pressione enter')  
                    nome_do_ativo1 = st.text_input('Nome do ativo 1',value='PETR4')
                    nome_do_ativo2 = st.text_input('Nome do ativo 2',value='VALE3')
                    nome_do_ativo3 = st.text_input('Nome do ativo 3',value='WEGE3')
                    nome_do_ativo4 = st.text_input('Nome do ativo 4')
                
                
                if st.button('prever lucro das ações especificadas acima'):
                    ativo1 = str(nome_do_ativo1 + '.SA').upper()
                    ativo2 = str(nome_do_ativo2 + '.SA').upper()
                    ativo3 = str(nome_do_ativo3 + '.SA').upper()
                    ativo4 = str(nome_do_ativo4 + '.SA').upper()

                    nome_do_ativo1 = nome_do_ativo1.upper()
                    nome_do_ativo2 = nome_do_ativo2.upper()
                    nome_do_ativo3 = nome_do_ativo3.upper()
                    nome_do_ativo4 = nome_do_ativo4.upper()

                    todos = pd.DataFrame(columns = ['name'])
                    todos['name'] = [ativo1,ativo2,ativo3,ativo4]

                    lista = pd.DataFrame(columns = ['name'])
                    lista['name'] = [nome_do_ativo1,nome_do_ativo2,nome_do_ativo3,nome_do_ativo4]

                    date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
                    date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')


                    data = yf.download(list(todos['name']),start=date_year_ago)

                    df_filled = pd.DataFrame(columns = ['name'])
                    df_filled['name'] = lista['name']

                    df_filled['ativo'] = df_filled['name'].copy()
                    df_filled = df_filled.set_index('ativo')

                    df_filled = uteis.inputer_predict(data, df_filled)
                    # retirar nulos e infinitos positivos
                    df_input = df_filled.fillna(0).replace(np.inf, 0)
                    #df_ordered = df_input.fillna(0).replace(-np.inf, 0)
                    input_predict = df_input[list(X.columns)]
                    # retirar nulos e infinitos negativos
                    input_predict = input_predict.fillna(0).replace(-np.inf, 0)
                    predictions = regr.predict(input_predict)
                    input_predict['probabilidade de lucro'] = predictions.round(2) * 100

                    st.subheader('Previsão de lucro das principais ações da bolsa')
                    st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')

                    #col1, col2,col3 = st.columns([0.1,0.4,0.1])   
                    col1, col2,col3 = st.columns([1,2,1])   
                    with col2: 
                        st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))


                if st.button('prever as top 200 ações de uma vez'):
                    lista = top_ativos.copy()
                    top_ativos['name'] =top_ativos['name'] + '.SA' 
                    todos = top_ativos.copy()
                    #todos = top_ativos.head(2) #RETIRAR AQUI PARA PEGAR OS TOP 200

                    date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
                    date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')


                    data = yf.download(list(todos['name']),start=date_year_ago)

                    df_filled = pd.DataFrame(columns = ['name'])
                    df_filled['name'] = lista['name']

                    df_filled['ativo'] = df_filled['name'].copy()
                    df_filled = df_filled.set_index('ativo')

                    #uteis.inputer_predict(data, df_filled)


                    df_filled = uteis.inputer_predict(data, df_filled)
                    # retirar nulos e infinitos positivos
                    df_input = df_filled.fillna(0).replace(np.inf, 0)
                    #df_ordered = df_input.fillna(0).replace(-np.inf, 0)
                    input_predict = df_input[list(X.columns)]
                    # retirar nulos e infinitos negativos
                    input_predict = input_predict.fillna(0).replace(-np.inf, 0)
                    predictions = regr.predict(input_predict)
                    input_predict['probabilidade de lucro'] = predictions.round(2) * 100

                    st.subheader('Previsão de lucro das principais ações da bolsa')
                    st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')
                    col1, col2,col3 = st.columns([1,2,1])   
                    with col2: 

                        st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))


        else:
            st.warning("Faça o Login na seção Login")
    

    if choice == "Usar algoritmo do site":
        st.subheader('As previsões feitas aqui utilizam dados de movimentação de milhares de operações para composição da inteligência artificial!')

        df = pd.read_excel('data/b3_sem_resumo.xlsx')
        lista = []
        retirar = []
        for i in range(len(df['Código de Negociação'])):
            #PEGANDO SOMENTE AÇÕES AO INVÉS DE FIIS CORRELATAS
            if len(df.iloc[i]['Código de Negociação']) == 5:
                lista.append(df.iloc[i]['Código de Negociação'])
            
            elif df.iloc[i]['Código de Negociação'][-1] == '1':
                retirar.append(df.iloc[i]['Código de Negociação'][-1])
            #PEGANDO AÇÕES FRACIONADAS E TRANSFORMANDO EM AÇÕES NORMAIS
            else:
                lista.append(df.iloc[i]['Código de Negociação'][:-1])

        lista = pd.DataFrame(lista)[0].unique()
        lista_input = []

        #PEGAR DADOS HISTÓRICOS DE CADA UMA DAS AÇÕES
        for i in range(len(lista)):
            
            lista_input.append(str(lista[i] + '.SA'))

        date_year_ago = dt.datetime.today() - dt.timedelta(days=565)
        date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
        data = yf.download(lista_input,start=date_year_ago)

        #CRIA UMA DF COM UMA LINHA PARA CADA AÇÃO
        df_filled = pd.DataFrame(columns = ['name'])
        df_filled['name'] = lista_input

        # lógica para input de dados calculados 
        #UTILIZA LISTA COM NOMES ÚNICOS DAS AÇÕES, DATAFRAME DA B3, DADOS HISTÓRICOS E A TABELA DE INPUT COM UMA LINHA PARA CADA AÇÃO
        uteis.inputer_train(lista, df, data, df_filled)
        
        df_input = df_filled.fillna(0).replace(np.inf, 0)

        # st.subheader('Avaliação de carteira:')
        # st.write('Lucro Total do período avaliado: R$',round(df_input['Ganho_total'].sum(),2))
        # #st.write('Rendimento Total do período avaliado: %',round(df_input['Rendimento_total_%'].sum(),2))

        df_input = df_input.loc[df_input['data_compra_1'] != 0]
        df_input['data_compra_1'] = pd.to_datetime(df_input['data_compra_1']).copy()
        df_ordered = df_input.sort_values('data_compra_1')
        #ordenando e criando campo mes ano
        df_ordered['mes/ano'] =df_ordered['data_compra_1'].astype(str).str[:-3]
        df_grouped = df_ordered.groupby('mes/ano').agg({'Rendimento_total_%':'mean','Ganho_total':'sum'})
        df_grouped = df_grouped.reset_index()
        
        #from plotly.subplots import make_subplots
        #fig = make_subplots(rows=2, cols=1, specs=[[{"type": "scatter"}, {"type": "bar"}]], subplot_titles=("Rendimento mensal %","Lucro total mensal R$") )
        #fig.add_trace(go.Scatter(x =df_grouped['mes/ano'],  y=df_grouped['Rendimento_total_%']), row=1, col=1)
        #fig.add_trace(go.Bar(x =df_grouped['mes/ano'],  y=df_grouped['Ganho_total']), row=1, col=2)
        #fig.update_layout(height=800, showlegend=False, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)')
        #st.plotly_chart(fig)

        # layout = go.Layout(title="Rendimento mensal %",xaxis=dict(title="mês/ano"), yaxis=dict(title="Rendimento total %"))
        # fig = go.Figure(layout = layout)
        # fig.add_trace(go.Scatter(x =df_grouped['mes/ano'],  y=df_grouped['Rendimento_total_%']))

        # fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)') 
        # fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
        # st.plotly_chart(fig,use_container_width=True)    

        # layout = go.Layout(title="Lucro total mensal R$",xaxis=dict(title="mês/ano"), yaxis=dict(title="Ganho total R$"))
        # fig = go.Figure(layout = layout)
        # fig.add_trace(go.Bar(x =df_grouped['mes/ano'],  y=df_grouped['Ganho_total']))

        # fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)') 
        # fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
        # st.plotly_chart(fig,use_container_width=True)    

        #MODELAGEM
        
        df_ordered['lucro'] = 0
        df_ordered.loc[df_ordered['Ganho_total'] > 0 , 'lucro'] = 1
        df_ordered = df_ordered.fillna(0).replace(-np.inf, 0)

        X = df_ordered.drop(['name', 'data_compra_1','mes/ano','Ganho_total','Rendimento_total_%','lucro','Preço_médio_comprado','Preço_médio_vendido'],axis=1)
        y = df_ordered['lucro']

        # divisão entre treino e teste 70/30
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=42)

        # Random Forest Regressor MVP
        regr = RandomForestRegressor(random_state=42)
        regr.fit(X_train,y_train)

        predictions = regr.predict(X_test)

        comparar = pd.DataFrame(y_test)
        comparar['previsto'] = predictions
        comparar['dif'] = comparar['previsto'] - comparar['lucro']

        erros = len(comparar.loc[comparar['dif'] > 0.5]) + len(comparar.loc[comparar['dif'] < -0.5])
        total = len(comparar)
        precision_model = round(1 - (erros / total),2)

        st.write('O modelo utilizado tem uma precisão de acerto de: ',precision_model * 100 ,'%')
   
        #trazendo features + importantes

        features, rank = uteis.rank(X, y)

        st.subheader('Estas variáveis são as que mais impactam nas decisões desta inteligência artificial')
        #col1, col2,col3 = st.columns([0.1,0.4,0.1])   
        col1, col2,col3 = st.columns([1,2,1])   
        with col2: 
            #st.dataframe(rank['features'].head(10).reset_index(drop=True).T)
            top_features = rank['features'].head(10).reset_index(drop=True)
            st.table(top_features)

        #fazendo previsão em toda a bolsa

        #lista = scraping.get_data()
        #todos = pd.DataFrame(flatten(lista).keys()).transpose()
        #todos.columns = todos.iloc[0]
        #for i in range(len(lista)): 
        #    todos = pd.concat([todos,pd.DataFrame(lista[i]).transpose()])

        #todos = todos.iloc[1:]
        #todos['name'] = (todos.index + '.SA' )

        #lista = top_ativos.copy()
        

        #PREVENDO 1 AÇÃO ESPECÍFICA
        col1, col2,col3 = st.columns([0.1,0.4,0.1])   
        with col2: 
            st.subheader('Escolha o código de até 4 ativos específicos que deseja prever e pressione enter')  
            nome_do_ativo1 = st.text_input('Nome do ativo 1',value='PETR4')
            nome_do_ativo2 = st.text_input('Nome do ativo 2',value='VALE3')
            nome_do_ativo3 = st.text_input('Nome do ativo 3',value='WEGE3')
            nome_do_ativo4 = st.text_input('Nome do ativo 4')
        
        
        if st.button('prever lucro das ações especificadas acima'):
            ativo1 = str(nome_do_ativo1 + '.SA').upper()
            ativo2 = str(nome_do_ativo2 + '.SA').upper()
            ativo3 = str(nome_do_ativo3 + '.SA').upper()
            ativo4 = str(nome_do_ativo4 + '.SA').upper()

            nome_do_ativo1 = nome_do_ativo1.upper()
            nome_do_ativo2 = nome_do_ativo2.upper()
            nome_do_ativo3 = nome_do_ativo3.upper()
            nome_do_ativo4 = nome_do_ativo4.upper()

            todos = pd.DataFrame(columns = ['name'])
            todos['name'] = [ativo1,ativo2,ativo3,ativo4]

            lista = pd.DataFrame(columns = ['name'])
            lista['name'] = [nome_do_ativo1,nome_do_ativo2,nome_do_ativo3,nome_do_ativo4]

            date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
            date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')


            data = yf.download(list(todos['name']),start=date_year_ago)

            df_filled = pd.DataFrame(columns = ['name'])
            df_filled['name'] = lista['name']

            df_filled['ativo'] = df_filled['name'].copy()
            df_filled = df_filled.set_index('ativo')

            df_filled = uteis.inputer_predict(data, df_filled)
            # retirar nulos e infinitos positivos
            df_input = df_filled.fillna(0).replace(np.inf, 0)
            #df_ordered = df_input.fillna(0).replace(-np.inf, 0)
            input_predict = df_input[list(X.columns)]
            # retirar nulos e infinitos negativos
            input_predict = input_predict.fillna(0).replace(-np.inf, 0)
            predictions = regr.predict(input_predict)
            input_predict['probabilidade de lucro'] = predictions.round(2) * 100

            st.subheader('Previsão de lucro das principais ações da bolsa')
            st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelo algoritmo do explorador de ativos')

            #col1, col2,col3 = st.columns([0.1,0.4,0.1])   
            col1, col2,col3 = st.columns([1,2,1])   
            with col2: 
                st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))


        if st.button('prever as top 200 ações de uma vez'):
            lista = top_ativos.copy()
            top_ativos['name'] =top_ativos['name'] + '.SA' 
            todos = top_ativos.copy()
            #todos = top_ativos.head(2) #RETIRAR AQUI PARA PEGAR OS TOP 200

            date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
            date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')


            data = yf.download(list(todos['name']),start=date_year_ago)

            df_filled = pd.DataFrame(columns = ['name'])
            df_filled['name'] = lista['name']

            df_filled['ativo'] = df_filled['name'].copy()
            df_filled = df_filled.set_index('ativo')

            #uteis.inputer_predict(data, df_filled)


            df_filled = uteis.inputer_predict(data, df_filled)
            # retirar nulos e infinitos positivos
            df_input = df_filled.fillna(0).replace(np.inf, 0)
            #df_ordered = df_input.fillna(0).replace(-np.inf, 0)
            input_predict = df_input[list(X.columns)]
            # retirar nulos e infinitos negativos
            input_predict = input_predict.fillna(0).replace(-np.inf, 0)
            predictions = regr.predict(input_predict)
            input_predict['probabilidade de lucro'] = predictions.round(2) * 100

            st.subheader('Previsão de lucro das principais ações da bolsa')
            st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')
            col1, col2,col3 = st.columns([1,2,1])   
            with col2: 

                st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))