Update app.py

app.py

@@ -16,11 +16,11 @@ def aplicar_operacao(df, scv, col_index):
     if scv == 'x':
         pass
     elif scv == 'lnx':
-        df.iloc[:, col_index] = round(np.log(df.iloc[:, col_index]), 3)
+        df.iloc[:, col_index] = round(np.log(df.iloc[:, col_index]), 5)
     elif scv == '1/x':
-        df.iloc[:, col_index] = round(1 / df.iloc[:, col_index], 3)
+        df.iloc[:, col_index] = round(1 / df.iloc[:, col_index], 5)
     elif scv == 'x²':
-        df.iloc[:, col_index] = round(df.iloc[:, col_index] ** 2, 3)
+        df.iloc[:, col_index] = round(df.iloc[:, col_index] ** 2, 5)
         
 # função para plotagem dos gráficos de dispersão:        
 def criar_grafico_dispersao(df, x_column, y_column, hover_name, trendline_color):
@@ -131,26 +131,26 @@ def avaliacao_imovel(planilha, v_1, v_2, v_3, v_4, v_5, v_6, v_7, scv_d, scv_1,
 
     # Calculando Desvio Padrão dos Resíduos
     #desvio_padrao_residuos = round(np.std(resultado.resid), 4)
-    desvio_padrao_residuos = round(np.std(residuos), 4)
+    desvio_padrao_residuos = round(np.std(residuos), 5)
     # Calculando Estatística F
-    estatistica_F = round(resultado.fvalue, 4)
+    estatistica_F = round(resultado.fvalue, 5)
     # Obtendo Nível de Significância do Modelo
-    nivel_significancia = round(resultado.f_pvalue, 4)
+    nivel_significancia = round(resultado.f_pvalue, 5)
     # Calculando R²
-    r_squared = round(resultado.rsquared, 4)
+    r_squared = round(resultado.rsquared, 5)
     # Calculando R² ajustado
-    r_squared_adjusted = round(resultado.rsquared_adj, 4)
+    r_squared_adjusted = round(resultado.rsquared_adj, 5)
     # Obtendo Número de Observações
     num_observacoes = round(resultado.nobs, 0)
     # Calculando Coeficiente de Correlação
-    coef_correlacao = round(np.sqrt(r_squared), 4)
+    coef_correlacao = round(np.sqrt(r_squared), 5)
     # Calculando o teste de Jarque-Bera para os resíduos
     jarque_bera_test, p_value, skewness, kurtosis = jarque_bera(residuos)
     # Formatando os resultados com 4 casas decimais
-    jarque_bera_test = round(jarque_bera_test, 4)
-    p_value = round(p_value, 4)
-    skewness = round(skewness, 4)
-    kurtosis = round(kurtosis, 4)
+    jarque_bera_test = round(jarque_bera_test, 5)
+    p_value = round(p_value, 5)
+    skewness = round(skewness, 5)
+    kurtosis = round(kurtosis, 5)
     # Extrair os coeficientes da regressão
     coeficientes = resultado.params 
     # Calcular a distância de Cook
@@ -201,7 +201,7 @@ def avaliacao_imovel(planilha, v_1, v_2, v_3, v_4, v_5, v_6, v_7, scv_d, scv_1,
     #--------------------df_final (adiciona o erro_padronizado)------------------#
 
     # Calculando o erro padronizado
-    erro_padronizado = round(residuos / desvio_padrao_residuos, 3)
+    erro_padronizado = round(residuos / desvio_padrao_residuos, 5)
     # Adicionando a coluna de erro padronizado ao df_final
     df_final['Erro Padronizado'] = erro_padronizado
     
@@ -215,24 +215,24 @@ def avaliacao_imovel(planilha, v_1, v_2, v_3, v_4, v_5, v_6, v_7, scv_d, scv_1,
     # Obtendo os valores previstos
     valores_previstos = resultado.predict(X)
     # Adicionando os valores previstos como uma nova coluna ao df_final
-    df_final['Valores Ajustados'] = round(valores_previstos, 2)
+    df_final['Valores Ajustados'] = round(valores_previstos, 5)
     # Criando uma dataframe para os Valores Ajustados x Preços Observados
     df_correl = df_final[[df_filtrado.columns[0], df_filtrado.columns[1], 'Valores Ajustados']]
     df_correl = df_correl.rename(columns={df_filtrado.columns[1]: 'Preços Observados'})
     # Desfazendo a conversão da escala
     if scv_d == 'lnx':
-        df_correl['Valores Ajustados'] = round(np.exp(df_correl['Valores Ajustados']), 2)
-        df_correl['Preços Observados'] = round(np.exp(df_correl['Preços Observados']), 2)
+        df_correl['Valores Ajustados'] = round(np.exp(df_correl['Valores Ajustados']), 5)
+        df_correl['Preços Observados'] = round(np.exp(df_correl['Preços Observados']), 5)
     elif scv_d == '1/x':
-        df_correl['Valores Ajustados'] = round(1 / df_correl['Valores Ajustados'], 2)
-        df_correl['Preços Observados'] = round(1 / df_correl['Preços Observados'], 2)
+        df_correl['Valores Ajustados'] = round(1 / df_correl['Valores Ajustados'], 5)
+        df_correl['Preços Observados'] = round(1 / df_correl['Preços Observados'], 5)
     elif scv_d == 'x²':
-        df_correl['Valores Ajustados'] = round(np.sqrt(df_correl['Valores Ajustados']), 2)
-        df_correl['Preços Observados'] = round(np.sqrt(df_correl['Preços Observados']), 2)
+        df_correl['Valores Ajustados'] = round(np.sqrt(df_correl['Valores Ajustados']), 5)
+        df_correl['Preços Observados'] = round(np.sqrt(df_correl['Preços Observados']), 5)
     else:
         pass  # Nenhuma transformação é necessária
     
-    df_correl['Diferença %'] = round(((df_correl['Valores Ajustados']/df_correl['Preços Observados'])-1)*100, 2)
+    df_correl['Diferença %'] = round(((df_correl['Valores Ajustados']/df_correl['Preços Observados'])-1)*100, 5)
     
     #------------Gráficos dos Valores Ajustados x Resíduos Padronizados e Histograma---------------#