Update app.py

app.py

@@ -101,7 +101,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     df_dados = df_dados.round(4)
     # Convertendo os cabeçalhos para strings
     df_dados.columns = [str(col) for col in df_dados.columns]
-                         
+    
     df_dados[df_dados.columns[1]] = df_dados[df_dados.columns[1]].astype(float)
     df_dados[df_dados.columns[2]] = df_dados[df_dados.columns[2]].astype(float)
     df_original = df_dados.copy()
@@ -551,6 +551,8 @@ def avaliacao_imovel(planilha, v_d, scv_d,
         df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 40) & (df_aval_original['TOTAL_IC_%'] <= 50), 'PRECISÃO'] = "Grau I"
         df_aval_original.loc[df_aval_original['TOTAL_IC_%'] > 50, 'PRECISÃO'] = "Fora dos critérios"
 
+        # Retirando as colunas valor total e valor unitário
+        df_aval_original = df_aval_original.drop(df_aval_original.columns[[1, 2]], axis=1)
         # Salve o DataFrame 'result' em uma planilha
         df_aval_original.to_excel("planilha_aval.xlsx", index=False)
     
@@ -563,40 +565,86 @@ def avaliacao_imovel(planilha, v_d, scv_d,
 
     #-----------------------------------------------Gráficos-------------------------------------------------#
     
+    # Criando o gráfico de resíduos padronizados
+    # Criando o gráfico de dispersão
+    fig_1 = go.Figure()
+
+    fig_1.add_trace(go.Scatter(
+        x=df_final['Valores Ajustados'],
+        y=erro_padronizado,
+        mode='markers',
+        marker=dict(color='orange', opacity=0.6),
+        name='Resíduos Padronizados'
+    ))
+    # Adicionando linhas de referência
+    fig_1.add_shape(
+        type="line",
+        x0=df_final['Valores Ajustados'].min(),
+        y0=0,
+        x1=df_final['Valores Ajustados'].max(),
+        y1=0,
+        line=dict(color="black", width=1, dash="dash"),
+    )
+    fig_1.add_shape(
+        type="line",
+        x0=df_final['Valores Ajustados'].min(),
+        y0=2,
+        x1=df_final['Valores Ajustados'].max(),
+        y1=2,
+        line=dict(color="red", width=1),
+    )
+    fig_1.add_shape(
+        type="line",
+        x0=df_final['Valores Ajustados'].min(),
+        y0=-2,
+        x1=df_final['Valores Ajustados'].max(),
+        y1=-2,
+        line=dict(color="red", width=1),
+    )
+    # Adicionando rótulos aos pontos
+    for i, txt in enumerate(df_final.iloc[:, 0]):
+        fig_1.add_annotation(
+            x=df_final['Valores Ajustados'][i],
+            y=erro_padronizado[i],
+            text=txt,
+            showarrow=True,
+            arrowhead=1,
+            ax=0,
+            ay=-10
+        )
+    # Definindo layout
+    fig_1.update_layout(
+        title='Gráfico de Resíduos Padronizados',
+        xaxis_title='Valores Ajustados',
+        yaxis_title='Resíduos Padronizados',
+        showlegend=False,
+        hovermode='closest',
+        template='plotly_white'
+    )
+    # Exibindo o gráfico
+    fig_1.show()
+    
+    # Outros gráficos
     # Criando subplots
-    fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(10, 16))
-
-    # Gráfico dos resíduos padronizados
-    ax1.scatter(df_final['Valores Ajustados'], erro_padronizado, color='orange', alpha=0.6)
-    ax1.axhline(y=0, color='black', linestyle='--', linewidth=1)  # Linha zero
-    ax1.axhline(y=2, color='red', linestyle='-', linewidth=1)  # Linhas vermelhas em ±2
-    ax1.axhline(y=-2, color='red', linestyle='-', linewidth=1)
-    ax1.set_title('Gráfico de Resíduos Padronizados')
-    ax1.set_xlabel('Valores Ajustados')
-    ax1.set_ylabel('Resíduos Padronizados')
-    ax1.grid(True)
-    # Adicionando rótulos aos pontos com resíduos padronizados > 2
-    # for i, txt in enumerate(df_final.iloc[:, 0]):
-    #     if abs(erro_padronizado[i]) > 2:
-    #         ax1.annotate(txt, (df_final['Valores Ajustados'][i], erro_padronizado[i]), color='black')
+    fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(10, 16))
 
     # Histograma dos resíduos padronizados
-    sns.histplot(erro_padronizado, kde=True, color='orange', alpha=0.6, ax=ax2)
-    ax2.set_title('Histograma dos Resíduos Padronizados')
-    ax2.set_xlabel('Resíduos Padronizados')
-    ax2.set_ylabel('Frequência')
-    ax2.grid(True)
+    sns.histplot(erro_padronizado, kde=True, color='orange', alpha=0.6, ax=ax1)
+    ax1.set_title('Histograma dos Resíduos Padronizados')
+    ax1.set_xlabel('Resíduos Padronizados')
+    ax1.set_ylabel('Frequência')
+    ax1.grid(True)
 
     # Gráfico da distância de Cook
-    ax3.plot(distancia_cook, marker='o', linestyle='None', color='orange')
-    ax3.axhline(y=1, color='red', linestyle='--', linewidth=1)
-    ax3.set_title('Gráfico da Distância de Cook')
-    ax3.set_xlabel('Número da Observação')
-    ax3.set_ylabel('Distância de Cook')
-    ax3.grid(True)
+    ax2.plot(distancia_cook, marker='o', linestyle='None', color='orange')
+    ax2.axhline(y=1, color='red', linestyle='--', linewidth=1)
+    ax2.set_title('Gráfico da Distância de Cook')
+    ax2.set_xlabel('Número da Observação')
+    ax2.set_ylabel('Distância de Cook')
+    ax2.grid(True)
     # Adicionando rótulos aos pontos
     for i, txt in enumerate(df_final.iloc[:, 0]):
-        ax3.annotate(txt, (i, distancia_cook[i]))
+        ax2.annotate(txt, (i, distancia_cook[i]))
 
     # Gráfico Valores Ajustados vs Preços Observados
     # Extrair os valores dos dados
@@ -605,15 +653,15 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     # Calcular a linha de tendência (regressão linear)
     slope, intercept = np.polyfit(x_values, y_values, 1)
 
-    # Plotar o gráfico de dispersão no eixo ax4
-    ax4.scatter(x_values, y_values, color='black')
-    # Plotar a linha de tendência no eixo ax4
-    ax4.plot(x_values, slope * x_values + intercept, color='orange', linestyle='--', linewidth=2)
-    # Adicionar título e rótulos dos eixos em ax4
-    ax4.set_title('Valores Ajustados vs Preços Observados')
-    ax4.set_xlabel('Preços Observados')
-    ax4.set_ylabel('Valores Ajustados')
-    ax4.grid(True)
+    # Plotar o gráfico de dispersão no eixo ax3
+    ax3.scatter(x_values, y_values, color='black')
+    # Plotar a linha de tendência no eixo ax3
+    ax3.plot(x_values, slope * x_values + intercept, color='orange', linestyle='--', linewidth=2)
+    # Adicionar título e rótulos dos eixos em ax3
+    ax3.set_title('Valores Ajustados vs Preços Observados')
+    ax3.set_xlabel('Preços Observados')
+    ax3.set_ylabel('Valores Ajustados')
+    ax3.grid(True)
 
     # Ajustando a posição dos subplots
     plt.tight_layout()
@@ -666,6 +714,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     fig_v14,
     fig_v15,
     fig_v16,
+    fig_1,
     plt,
     df_aval_original,
     'planilha_aval.xlsx',
@@ -692,8 +741,8 @@ with gr.Blocks(theme=gr.themes.Default(primary_hue="yellow", secondary_hue="yell
     with gr.Row():
         with gr.Column():
             with gr.Row():
-                #fl_1 = gr.File(label="Upload planilha", type="file", scale=2, height=100)
-                fl_1 = gr.File(label="Upload planilha", type="filepath", scale=2, height=100)
+                fl_1 = gr.File(label="Upload planilha", type="file", scale=2, height=100)
+                #fl_1 = gr.File(label="Upload planilha", type="filepath", scale=2, height=100)
             with gr.Row():
                 drop = gr.Dropdown(['Valor total', 'Valor unitário',], label="VARIÁVEL DEPENDENTE", value='Valor unitário')
                 rd_0 = gr.Dropdown(['y', 'lny', '1/y', 'y²'], label="Escala VARIÁVEL DEPENDENTE", value='y')
@@ -772,9 +821,11 @@ with gr.Blocks(theme=gr.themes.Default(primary_hue="yellow", secondary_hue="yell
             pt_14 = gr.Plot(label="Gráfico Dispersão var 14")
             pt_15 = gr.Plot(label="Gráfico Dispersão var 15")
             pt_16 = gr.Plot(label="Gráfico Dispersão var 16")
+            pt_18 = gr.Plot(label="Gráfico de Resíduos Padronizados")
             pt_17 = gr.Plot(label="Análise Gráfica do Modelo de Regressão")
             df_6 = gr.Dataframe(label="Avaliação", height=300)
             fl_2 = gr.components.File(label="Resultado da Avaliação")
+            
             #df_7 = gr.Dataframe(label="X_avall", height=300)
             #df_8 = gr.Dataframe(label="X", height=300)
             #df_9 = gr.Dataframe(label="y", height=300)
@@ -783,7 +834,7 @@ with gr.Blocks(theme=gr.themes.Default(primary_hue="yellow", secondary_hue="yell
               cb_7, rd_7, cb_8, rd_8, cb_9, rd_9, cb_10, rd_10, cb_11, rd_11, cb_12, rd_12, cb_13, rd_13,
               cb_14, rd_14, cb_15, rd_15, cb_16, rd_16, cb_17]        
     outputs = [df_1, cols, tx_1, tx_2, ht_1, df_2, tx_3, tx_5, df_3, df_4, df_5, pt_1, pt_2, pt_3, pt_4, pt_5, pt_6,
-               pt_7, pt_8, pt_9, pt_10, pt_11, pt_12, pt_13, pt_14, pt_15, pt_16, pt_17, df_6, fl_2] #, df_7, df_8, df_9]
+               pt_7, pt_8, pt_9, pt_10, pt_11, pt_12, pt_13, pt_14, pt_15, pt_16, pt_18, pt_17, df_6, fl_2] #, df_7, df_8, df_9]
 
     button_1.click(avaliacao_imovel, inputs=inputs, outputs=outputs)
     button_2.click(avaliacao_imovel, inputs=inputs, outputs=outputs)