Update app.py

app.py

@@ -96,12 +96,8 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     # Carregando os dados
     df_dados = pd.read_excel(planilha.name)
     df_original = df_dados.copy()
-    
-    # Carregando o(s) avaliando(s)
-    df_aval = pd.read_excel(planilha.name, 'avaliando')
-    df_aval_original = df_aval.copy()
-    
-    # ---------------------------------Nome das variáveis------------------------------#
+
+    # ---------------------------Nome das variáveis--------------------------#
     
     # Obtenha os nomes das colunas, excluindo a primeira
     nomes_colunas = df_original.columns[1:]
@@ -121,18 +117,6 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     aplicar_operacao(df_dados, scv_8, 9)
     aplicar_operacao(df_dados, scv_9, 10)
     aplicar_operacao(df_dados, scv_10, 11)
-    # avaliando(s)
-    aplicar_operacao(df_aval, scv_d, 1)
-    aplicar_operacao(df_aval, scv_1, 2)
-    aplicar_operacao(df_aval, scv_2, 3)
-    aplicar_operacao(df_aval, scv_3, 4)
-    aplicar_operacao(df_aval, scv_4, 5)
-    aplicar_operacao(df_aval, scv_5, 6)
-    aplicar_operacao(df_aval, scv_6, 7)
-    aplicar_operacao(df_aval, scv_7, 8)
-    aplicar_operacao(df_aval, scv_8, 9)
-    aplicar_operacao(df_aval, scv_9, 10)
-    aplicar_operacao(df_aval, scv_10, 11)
     
     #----------------------------Renomear colunas----------------------------#
     #dados
@@ -156,6 +140,9 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     df_outliers = df_dados.drop(linhas_selecionadas)
     df_filtrado.sort_values(by=df_filtrado.columns[0], inplace=True)
     
+    # Contagem de linhas no DataFrame resultante
+    num_outliers = df_outliers.shape[0]
+    
     #----------------Manipulação das Colunas (variáveis)-----------------------#
     
     # Variáveis independentes
@@ -176,27 +163,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
            (i == 11 and v_10):
             if i < len(df_filtrado.columns):
                 X[col] = df_filtrado.iloc[:, i]
-     
-    
-    X_aval = pd.DataFrame()
-    
-    # Iterar sobre as colunas do DataFrame df_filtrado
-    for i, col in enumerate(df_aval.columns):
-        # Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
-        if (i == 2 and v_1) or \
-           (i == 3 and v_2) or \
-           (i == 4 and v_3) or \
-           (i == 5 and v_4) or \
-           (i == 6 and v_5) or \
-           (i == 7 and v_6) or \
-           (i == 8 and v_7) or \
-           (i == 9 and v_8) or \
-           (i == 10 and v_9) or \
-           (i == 11 and v_10):
-            if i < len(df_aval.columns):
-                X_aval[col] = df_aval.iloc[:, i]
-                
-    X_aval.insert(0, 'const', 1)
+
 
     #---------------------------Gráficos de dispersão--------------------------#
     
@@ -260,7 +227,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     # Calculando R² ajustado
     r_squared_adjusted = round(resultado.rsquared_adj, 8)
     # Obtendo Número de Observações
-    num_observacoes = round(resultado.nobs, 0)
+    num_observacoes = int(round(resultado.nobs, 0))
     # Calculando Coeficiente de Correlação
     coef_correlacao = round(np.sqrt(r_squared), 8)
     # Calculando o teste de Jarque-Bera para os resíduos
@@ -285,6 +252,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     R² ajustado: {r_squared_adjusted}
     Correlação: {coef_correlacao}
     Número de observações: {num_observacoes}
+    Número de dados não utilizados: {num_outliers}
     
     Teste de Jarque-Bera:
       - Estatística do teste: {jarque_bera_test}
@@ -331,6 +299,7 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     
     # Criar DataFrame apenas com os dados cujo erro padronizado é maior que 2
     df_maiores_que_2 = df_final[abs(df_final['Erro Padronizado']) > 2]
+    df_maiores_que_2['Erro Abs'] = abs(df_maiores_que_2['Erro Padronizado'])
     
     # Listagem de pontos com resíduos > 2  
     Listagem_df_maiores_que_2 = df_maiores_que_2.iloc[:, 0].tolist()
@@ -364,58 +333,105 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     
     
     #----------------------------------Avaliação--------------------------------#
-    # Avaliando(s)
-    valores_previstos_aval = resultado.predict(X_aval)
-    df_aval_original['VALOR'] = round(valores_previstos_aval, 8)
     
-    if scv_d == 'lny':
-        df_aval_original['VALOR'] = round(np.exp(df_aval_original['VALOR']), 8)
-    elif scv_d == '1/y':
-        df_aval_original['VALOR'] = round(1 / df_aval_original['VALOR'], 8)
-    elif scv_d == 'y²':
-        df_aval_original['VALOR'] = round(np.sqrt(df_aval_original['VALOR']), 8)
-    else:
-        pass  # Nenhuma transformação é necessária
+    try:
+        # Carregando o(s) avaliando(s)
+        df_aval = pd.read_excel(planilha.name, 'avaliando')
+        df_aval_original = df_aval.copy()
 
-    # Campo de arbítrio
-    df_aval_original['LI_CA'] = round((df_aval_original['VALOR']*0.85), 2)
-    df_aval_original['LS_CA'] = round((df_aval_original['VALOR']*1.15), 2)
-    
-    # Intervalo de Confiança de 80%
-    # Calcular os intervalos de confiança para a média prevista
-    intervalo_confianca = resultado.get_prediction(X_aval).summary_frame(alpha=0.2)
-    # Extrair os limites inferior e superior do intervalo de confiança
-    limite_inferior = intervalo_confianca['mean_ci_lower']
-    limite_superior = intervalo_confianca['mean_ci_upper']
-    # Adicionar as colunas ao DataFrame df_aval_original
-    df_aval_original['LI_IC'] = limite_inferior.values
-    df_aval_original['LS_IC'] = limite_superior.values
-    
-    if scv_d == 'lny':
-        df_aval_original['LI_IC'] = round(np.exp(df_aval_original['LI_IC']), 2)
-        df_aval_original['LS_IC'] = round(np.exp(df_aval_original['LS_IC']), 2)
-    elif scv_d == '1/y':
-        df_aval_original['LI_IC'] = round(1 / df_aval_original['LI_IC'], 2)
-        df_aval_original['LS_IC'] = round(1 / df_aval_original['LS_IC'], 2)
-    elif scv_d == 'y²':
-        df_aval_original['LI_IC'] = round(np.sqrt(df_aval_original['LI_IC']), 2)
-        df_aval_original['LS_IC'] = round(np.sqrt(df_aval_original['LS_IC']), 2)
-    else:
-        pass  # Nenhuma transformação é necessária
-    
-    df_aval_original['LI_IC_%'] = round(((df_aval_original['VALOR']-df_aval_original['LI_IC'])/df_aval_original['VALOR'])*100, 2)
-    df_aval_original['LS_IC_%'] = round(((df_aval_original['LS_IC']-df_aval_original['VALOR'])/df_aval_original['VALOR'])*100, 2)
-    df_aval_original['TOTAL_IC_%'] = round(df_aval_original['LI_IC_%'] + df_aval_original['LS_IC_%'], 2)
+        # avaliando(s)
+        aplicar_operacao(df_aval, scv_d, 1)
+        aplicar_operacao(df_aval, scv_1, 2)
+        aplicar_operacao(df_aval, scv_2, 3)
+        aplicar_operacao(df_aval, scv_3, 4)
+        aplicar_operacao(df_aval, scv_4, 5)
+        aplicar_operacao(df_aval, scv_5, 6)
+        aplicar_operacao(df_aval, scv_6, 7)
+        aplicar_operacao(df_aval, scv_7, 8)
+        aplicar_operacao(df_aval, scv_8, 9)
+        aplicar_operacao(df_aval, scv_9, 10)
+        aplicar_operacao(df_aval, scv_10, 11)
+
+
+        X_aval = pd.DataFrame()
+
+        # Iterar sobre as colunas do DataFrame df_filtrado
+        for i, col in enumerate(df_aval.columns):
+            # Verificar se a coluna atual deve ser adicionada com base na condição e se ela existe no DataFrame
+            if (i == 2 and v_1) or \
+               (i == 3 and v_2) or \
+               (i == 4 and v_3) or \
+               (i == 5 and v_4) or \
+               (i == 6 and v_5) or \
+               (i == 7 and v_6) or \
+               (i == 8 and v_7) or \
+               (i == 9 and v_8) or \
+               (i == 10 and v_9) or \
+               (i == 11 and v_10):
+                if i < len(df_aval.columns):
+                    X_aval[col] = df_aval.iloc[:, i]
+
+        X_aval.insert(0, 'const', 1)
+
+        # Avaliando(s)
+        valores_previstos_aval = resultado.predict(X_aval)
+        df_aval_original['VALOR'] = round(valores_previstos_aval, 8)
+
+        if scv_d == 'lny':
+            df_aval_original['VALOR'] = round(np.exp(df_aval_original['VALOR']), 8)
+        elif scv_d == '1/y':
+            df_aval_original['VALOR'] = round(1 / df_aval_original['VALOR'], 8)
+        elif scv_d == 'y²':
+            df_aval_original['VALOR'] = round(np.sqrt(df_aval_original['VALOR']), 8)
+        else:
+            pass  # Nenhuma transformação é necessária
 
-   # Aplicação das condições para determinar 'PRECISÃO'
-    df_aval_original['PRECISÃO'] = ""  # Inicializa a coluna 'PRECISÃO'
-    df_aval_original.loc[df_aval_original['TOTAL_IC_%'] <= 30, 'PRECISÃO'] = "Grau III"
-    df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 30) & (df_aval_original['TOTAL_IC_%'] <= 40), 'PRECISÃO'] = "Grau II"
-    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"
+        # Campo de arbítrio
+        df_aval_original['LI_CA'] = round((df_aval_original['VALOR']*0.85), 2)
+        df_aval_original['LS_CA'] = round((df_aval_original['VALOR']*1.15), 2)
 
-    # Salve o DataFrame 'result' em uma planilha
-    df_aval_original.to_excel("planilha_aval.xlsx", index=False)
+        # Intervalo de Confiança de 80%
+        # Calcular os intervalos de confiança para a média prevista
+        intervalo_confianca = resultado.get_prediction(X_aval).summary_frame(alpha=0.2)
+        # Extrair os limites inferior e superior do intervalo de confiança
+        limite_inferior = intervalo_confianca['mean_ci_lower']
+        limite_superior = intervalo_confianca['mean_ci_upper']
+        # Adicionar as colunas ao DataFrame df_aval_original
+        df_aval_original['LI_IC'] = limite_inferior.values
+        df_aval_original['LS_IC'] = limite_superior.values
+
+        if scv_d == 'lny':
+            df_aval_original['LI_IC'] = round(np.exp(df_aval_original['LI_IC']), 2)
+            df_aval_original['LS_IC'] = round(np.exp(df_aval_original['LS_IC']), 2)
+        elif scv_d == '1/y':
+            df_aval_original['LI_IC'] = round(1 / df_aval_original['LI_IC'], 2)
+            df_aval_original['LS_IC'] = round(1 / df_aval_original['LS_IC'], 2)
+        elif scv_d == 'y²':
+            df_aval_original['LI_IC'] = round(np.sqrt(df_aval_original['LI_IC']), 2)
+            df_aval_original['LS_IC'] = round(np.sqrt(df_aval_original['LS_IC']), 2)
+        else:
+            pass  # Nenhuma transformação é necessária
+
+        df_aval_original['LI_IC_%'] = round(((df_aval_original['VALOR']-df_aval_original['LI_IC'])/df_aval_original['VALOR'])*100, 2)
+        df_aval_original['LS_IC_%'] = round(((df_aval_original['LS_IC']-df_aval_original['VALOR'])/df_aval_original['VALOR'])*100, 2)
+        df_aval_original['TOTAL_IC_%'] = round(df_aval_original['LI_IC_%'] + df_aval_original['LS_IC_%'], 2)
+
+       # Aplicação das condições para determinar 'PRECISÃO'
+        df_aval_original['PRECISÃO'] = ""  # Inicializa a coluna 'PRECISÃO'
+        df_aval_original.loc[df_aval_original['TOTAL_IC_%'] <= 30, 'PRECISÃO'] = "Grau III"
+        df_aval_original.loc[(df_aval_original['TOTAL_IC_%'] > 30) & (df_aval_original['TOTAL_IC_%'] <= 40), 'PRECISÃO'] = "Grau II"
+        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"
+
+        # Salve o DataFrame 'result' em uma planilha
+        df_aval_original.to_excel("planilha_aval.xlsx", index=False)
+    
+    except:
+        # Se a aba não existir, crie um DataFrame vazio
+        df_aval_original = pd.DataFrame()
+        
+        # Salve o DataFrame 'result' em uma planilha
+        df_aval_original.to_excel("planilha_aval.xlsx", index=False)
 
     #-----------------------------------------------Gráficos-------------------------------------------------#
     
@@ -528,15 +544,26 @@ def avaliacao_imovel(planilha, v_d, scv_d,
     
 numeros = [str(i) for i in range(0, 501)]
     
-with gr.Blocks(theme=gr.themes.Default(), title="<span style='color: gray; font-size: 48px;'>avalia.se</span>") as interface:
+with gr.Blocks(theme=gr.themes.Default(primary_hue="yellow", secondary_hue="yellow",)) as interface:
     gr.Markdown(f"""
-    <p style="text-align: left;"><b><span style='color: grey; font-size: 30px;'>Módulo de Regressão Linear</span></b></p>
+    <p style="text-align: left; font-family: 'Quicksand', sans-serif; font-weight: bold;">
+    <b><span style='color: grey; font-size: 48px;'>aval</span></b>
+    <b><span style='color: orange; font-size: 48px;'>ia</span></b>
+    <b><span style='color: grey; font-size: 48px;'>.se</span></b>
+    </p>
+    <p style="text-align: left;"><b><span style='color: grey; font-size: 30px;'>Regressão Linear</span></b></p>
     <p style="text-align: left;"></span>Aplicativo MCDDM com tratamento científico / Para ver a documentação, você pode baixar <a href='https://huggingface.co/spaces/DavidSB/avaliaFACTOR/resolve/main/dados_entrada_factor.xlsx' download='dados_entrada_factor.xlsx'>aqui</a><br><br></p>
     """)
+    
+    #<span style='color: grey; font-size: 48px;'>avalia.se</span></b>
+    
+   
+    
+    
     with gr.Row():
         with gr.Column():
             with gr.Row():
-                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)
             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')
@@ -611,4 +638,4 @@ with gr.Blocks(theme=gr.themes.Default(), title="<span style='color: gray; font-
     button_4.click(avaliacao_imovel, inputs=inputs, outputs=outputs)
 
 if __name__ == "__main__":
-    interface.launch(debug=True)
+    interface.launch(debug=True)