Update salas_2026.py

salas_2026.py

@@ -1,154 +1,148 @@
-import openpyxl
-import xgboost as xgb
 import gradio as gr
-import joblib
 import pandas as pd
 import numpy as np
-import seaborn as sns
-import statsmodels.api as sm
-import matplotlib.pyplot as plt
-import io
-from sklearn.preprocessing import MinMaxScaler
-from reportlab.lib import colors
-from reportlab.lib.units import inch
-from reportlab.lib.pagesizes import A4, landscape
+import joblib
+import xgboost as xgb
+from reportlab.lib.pagesizes import A4
+from reportlab.platypus import Spacer, Frame, PageTemplate, BaseDocTemplate, Paragraph
 from reportlab.lib.styles import getSampleStyleSheet
-from reportlab.pdfgen.canvas import Canvas
-from reportlab.platypus import SimpleDocTemplate, Spacer, Image, Frame, PageTemplate, BaseDocTemplate, Table, Paragraph, NextPageTemplate, PageBreak
-
-# Atualização dos argumentos para incluir B e o novo range de anos
-def get_report(FON, X, Y, RH, ANO_C, ATOTAL, B, C, D, E, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, pred):
-    # Define the page size
-    pagesize = A4
 
+# --- 1. FUNÇÃO GERADORA DE PDF ---
+def get_report(FON, X, Y, RH, ANO_C, ATOTAL, PADRAO, ANO_REF, pred):
+    """Gera um PDF simples com o resultado da avaliação."""
+    filename = 'PDF_Avaliacao.pdf'
+    
     def on_page(canvas, doc):
-        page_num = canvas.getPageNumber()
-        canvas.drawCentredString(pagesize[0] / 2, 50, str(page_num))
-
-    def on_page_landscape(canvas, doc):
-        return on_page(canvas, doc, pagesize=landscape(A4))
-        
-    padding = dict(
-        leftPadding=72, 
-        rightPadding=72,
-        topPadding=72,
-        bottomPadding=18)
-
-    portrait_frame = Frame(0, 0, *A4, **padding)
-    landscape_frame = Frame(0, 0, *landscape(A4), **padding)
+        canvas.setTitle("Documento de Avaliação")
+        canvas.drawString(500, 800, "Pág. %d" % doc.page)
 
-    portrait_template = PageTemplate(id='portrait', 
-                                     frames=portrait_frame,
-                                     onPage=on_page,
-                                     pagesize=A4)
-
-    landscape_template = PageTemplate(id='landscape', 
-                                      frames=landscape_frame,
-                                      onPage=on_page_landscape,
-                                      pagesize=landscape(A4))
-
-    doc = BaseDocTemplate('report.pdf',
-                          pageTemplates=[portrait_template,landscape_template])
-    
+    # Configuração do Documento
+    doc = BaseDocTemplate(filename, pagesize=A4)
     styles = getSampleStyleSheet()
+    frame = Frame(doc.leftMargin, doc.bottomMargin, doc.width, doc.height, id='normal')
+    template = PageTemplate(id='test', frames=frame, onPage=on_page)
+    doc.addPageTemplates([template])
 
+    # Conteúdo
     story = [
-        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
-        Spacer(1, 36),
-        Paragraph('Modelo para Salas Comerciais - XGBoost Regressor - 2025', styles['Heading1']),
-        Paragraph('Parâmetros do cálculo', styles['Heading2']),
-        Paragraph(f"Fonte (Transação ou Oferta): {FON}", styles['Normal']),
-        Paragraph(f"Coordenada X (TM-POA): {X}", styles['Normal']),
-        Paragraph(f"Coordenada Y (TM-POA): {Y}", styles['Normal']),
-        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
-        Paragraph(f"Ano de Construção (Conforme Cadastro Imobiliário): {ANO_C}", styles['Normal']),
-        Paragraph(f"Área Total (Conforme Cadastro Imobiliário): {ATOTAL}", styles['Normal']),
-        Paragraph(f"Padrão Construtivo B: {'Sim' if B else 'Não'}", styles['Normal']),
-        Paragraph(f"Padrão Construtivo C: {'Sim' if C else 'Não'}", styles['Normal']),
-        Paragraph(f"Padrão Construtivo D: {'Sim' if D else 'Não'}", styles['Normal']),
-        Paragraph(f"Padrão Construtivo E: {'Sim' if E else 'Não'}", styles['Normal']),        
-        Paragraph(f"Ano 2020 - Exercício Fiscal 2021: {'Sim' if ANO_2020 else 'Não'}", styles['Normal']),
-        Paragraph(f"Ano 2021 - Exercício Fiscal 2022: {'Sim' if ANO_2021 else 'Não'}", styles['Normal']),
-        Paragraph(f"Ano 2022 - Exercício Fiscal 2023: {'Sim' if ANO_2022 else 'Não'}", styles['Normal']),
-        Paragraph(f"Ano 2023 - Exercício Fiscal 2024: {'Sim' if ANO_2023 else 'Não'}", styles['Normal']),
-        Paragraph(f"Ano 2024 - Exercício Fiscal 2025: {'Sim' if ANO_2024 else 'Não'}", styles['Normal']),
-        Paragraph(f"Ano 2025 - Exercício Fiscal 2026: {'Sim' if ANO_2025 else 'Não'}", styles['Normal']),
-        Spacer(1, 36),
-        Paragraph('Resultado', styles['Heading1']),
-        Paragraph('Valor do imóvel (R$)', styles['Heading2']),
-        Paragraph(f"R$ {round(pred[0][0] * ATOTAL, -2)}", styles['Normal']),
+        Paragraph("Documento de Avaliação - Modelo Híbrido 2026", styles['Title']),
+        Spacer(1, 12),
+        Paragraph(f"<b>Data de Referência:</b> {ANO_REF}", styles['Normal']),
+        Paragraph(f"<b>Características:</b> Padrão {PADRAO}, {ATOTAL} m², Construído em {ANO_C}", styles['Normal']),
+        Paragraph(f"<b>Localização:</b> X={X}, Y={Y}, RH={RH}", styles['Normal']),
+        Spacer(1, 24),
+        Paragraph(f"<b>Valor Unitário Estimado:</b> R$ {round(pred[0], 2):,.2f}/m²", styles['Heading2']),
+        Paragraph(f"<b>Valor Total Estimado:</b> R$ {round(pred[0] * float(ATOTAL), -2):,.2f}", styles['Heading2']),
+        Spacer(1, 24),
+        Paragraph("Nota: Este valor é uma estimativa estatística com grau de confiança de 80%.", styles['Italic'])
     ]
-    
     doc.build(story)
-  
+    return filename
 
-def execute(FON, X, Y, RH, ANO_C, ATOTAL, B, C, D, E, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025):
-    # Ajuste do dicionário para incluir B e remover 2019 / adicionar 2025
-    df = pd.DataFrame.from_dict({'FON': [FON],
-                                 'X': [X],
-                                 'Y': [Y],
-                                 'RH': [RH],
-                                 'ANO_C': [ANO_C], 
-                                 'ATOTAL': np.log(ATOTAL),
-                                 'B': 1 if B else 0,
-                                 'C': 1 if C else 0,
-                                 'D': 1 if D else 0,
-                                 'E': 1 if E else 0,
-                                 'ANO_2020': 1 if ANO_2020 else 0,
-                                 'ANO_2021': 1 if ANO_2021 else 0,
-                                 'ANO_2022': 1 if ANO_2022 else 0,
-                                 'ANO_2023': 1 if ANO_2023 else 0,
-                                 'ANO_2024': 1 if ANO_2024 else 0,
-                                 'ANO_2025': 1 if ANO_2025 else 0,
-                                 })
-
-    input_scaler = joblib.load("dados/salas/input_scaler_salas_2026.save")
-    df = input_scaler.transform(df)
+# --- 2. FUNÇÃO DE INFERÊNCIA CORRIGIDA ---
+def execute_valuation(FON_STR, X, Y, RH, ANO_C, ATOTAL, PADRAO, ANO_REF):
+    # Mapeamento manual das colunas para garantir ordem correta (O MODELO EXIGE A e B)
+    cols_v1 = ['FON', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 
+               'A', 'B','C', 'D', 'E', 
+               'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024']    
     
-    # Atualização das colunas esperadas pelo modelo
-    cols = ['FON', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 'B', 'C', 'D', 'E', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024', 'ANO_2025']
+    # 1. Tratamento de Inputs
+    is_oferta = 1 if FON_STR == "Oferta" else 0
     
-    aval = pd.DataFrame(df, columns = cols)
-    df = xgb.DMatrix(aval)
-    loaded_model = xgb.Booster()
-    loaded_model.load_model("dados/salas/SALAS_COMERCIAIS_2020_a_2026.model")
-    pred = loaded_model.predict(df)
-    output_scaler = joblib.load("dados/salas/output_scaler_salas_2026.save")
-    pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
-    pred = np.exp(pred)
-
-    get_report(FON, X, Y, RH, ANO_C, ATOTAL, B, C, D, E, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, pred)
+    # --- CORREÇÃO AQUI ---
+    # Precisamos criar as chaves para A, B, C, D, E para o modelo não quebrar.
+    # Inicializamos todas com 0.
+    padrões = {k: 0 for k in ['A', 'B', 'C', 'D', 'E']}
     
-    return f"""R${round(pred[0][0] * ATOTAL, -2)}""", 'report.pdf'
-
-def load_inputs():
-    FON = gr.Checkbox(label='Fonte (Transação: desmarcar | Oferta: marcar)', value=False)
-    X = gr.Number(label='Coordenada X (TM-POA)', value=281554.)
-    Y = gr.Number(label='Coordenada Y (TM-POA)', value=1675418.)
-    RH = gr.Number(value=120, label='Região Homogênea')
-    ANO_C = gr.Number(value=2020, label='Ano de Construção (Conforme Cadastro Imobiliário)')
-    ATOTAL = gr.Number(label='Área Total (Conforme Cadastro Imobiliário)', value=60.)
+    # Apenas se o padrão escolhido (C, D ou E) estiver na lista, setamos 1.
+    # Como A e B nunca serão escolhidos na UI, eles ficarão sempre como 0, o que é correto.
+    if PADRAO in padrões: padrões[PADRAO] = 1
+    # ---------------------
     
-    # Inclusão do Padrão B
-    B = gr.Checkbox(label='Padrão Construtivo B', value=False)
-    C = gr.Checkbox(label='Padrão Construtivo C', value=True)
-    D = gr.Checkbox(label='Padrão Construtivo D', value=False)
-    E = gr.Checkbox(label='Padrão Construtivo E', value=False)
+    # Dummies de Ano V1 (2019-2024)
+    anos_v1 = {f'ANO_{a}': (1 if str(ANO_REF) == str(a) else 0) for a in range(2019, 2025)}
     
-    # Atualização dos Anos (Removido 2019, Adicionado 2025)
-    ANO_2020 = gr.Checkbox(label='Ano 2020 - Carga Geral 2021', value=False)
-    ANO_2021 = gr.Checkbox(label='Ano 2021 - Carga Geral 2022', value=False)
-    ANO_2022 = gr.Checkbox(label='Ano 2022 - Carga Geral 2023', value=False)
-    ANO_2023 = gr.Checkbox(label='Ano 2023 - Carga Geral 2024', value=False)
-    ANO_2024 = gr.Checkbox(label='Ano 2024 - Carga Geral 2025', value=False)
-    ANO_2025 = gr.Checkbox(label='Ano 2025 - Carga Geral 2026', value=True)
+    # Dummy de Ano V2 (2025)
+    is_2025 = 1 if str(ANO_REF) == '2025' else 0
+
+    # Montagem do Dicionário de Dados Brutos
+    data_dict = {
+        'FON': [is_oferta],
+        'X': [float(X)],
+        'Y': [float(Y)],
+        'RH': [float(RH)],
+        'ANO_C': [float(ANO_C)], 
+        'ATOTAL': [np.log(float(ATOTAL))], 
+        **padrões,   # Agora isso expande A=0, B=0, C=..., D=..., E=...
+        **anos_v1,
+        'ANO_2025': [is_2025]
+    }
     
-    return [FON, X, Y, RH, ANO_C, ATOTAL, B, C, D, E, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025]
+    full_df = pd.DataFrame(data_dict)
+
+    try:
+        # --- PIPELINE DE PREDIÇÃO ---
+        
+        # 1. Carregar Scalers e Modelos
+        input_scaler = joblib.load("input_scaler_salas_comerciais_2025.save")
+        output_scaler = joblib.load("output_scaler_salas_comerciais_2025.save")
+        model_v1_loaded = xgb.Booster()
+        model_v1_loaded.load_model("SALAS_COMERCIAIS_2020_a_2025.model")
+        model_v2_loaded = xgb.Booster()
+        model_v2_loaded.load_model("SALAS_COMERCIAIS_RESIDUAL_2026.model")
+
+        # 2. Preparar Input para V1 
+        # Agora full_df TEM as colunas 'A' e 'B' (com valor 0), então não vai dar erro
+        df_v1_input = full_df[cols_v1].copy()
+        
+        array_scaled = input_scaler.transform(df_v1_input)
+        df_v1_scaled = pd.DataFrame(array_scaled, columns=cols_v1)
+
+        # 3. Predição Base (V1)
+        base_pred = model_v1_loaded.predict(xgb.DMatrix(df_v1_scaled))
+
+        # 4. Preparar Input para V2 
+        df_v2_input = df_v1_scaled.copy()
+        df_v2_input['ANO_2025'] = full_df['ANO_2025'].values 
+        
+        cols_v2_final = cols_v1 + ['ANO_2025']
+        dtest_v2 = xgb.DMatrix(df_v2_input[cols_v2_final])
+        
+        # 5. Predição Final 
+        dtest_v2.set_base_margin(base_pred)
+        final_pred_scaled = model_v2_loaded.predict(dtest_v2)
+
+        # 6. Inversão da Escala 
+        pred_log = output_scaler.inverse_transform(np.array(final_pred_scaled).reshape(-1,1))
+        val_unit_real = np.exp(pred_log).flatten()[0]
+
+        # Resultados
+        total_val = val_unit_real * float(ATOTAL)
+        text_output = f"R$ {total_val:,.2f} (Total)\nR$ {val_unit_real:,.2f}/m²"
+        
+        # Gerar PDF
+        pdf_path = get_report(FON_STR, X, Y, RH, ANO_C, ATOTAL, PADRAO, ANO_REF, [val_unit_real])
+        
+        return text_output, pdf_path
+
+    except Exception as e:
+        return f"Erro no cálculo: {str(e)}", None
+
+def load_inputs():
+    fon = gr.Radio(["Transação", "Oferta"], label="Fonte", value="Transação")
+    coord_x = gr.Number(label="Coordenada X (UTM)", value=281554)
+    coord_y = gr.Number(label="Coordenada Y (UTM)", value=1675418)
+    rh = gr.Slider(1, 380, label="Região Homogênea (RH)", value=120)
+    ano_c = gr.Number(label="Ano Construção", value=2020)
+    area = gr.Number(label="Área Privativa (m²)", value=60)
+    padrao = gr.Radio(["C", "D", "E"], label="Padrão Construtivo", value="C")
+    ano_ref = gr.Dropdown([str(i) for i in range(2020, 2026)], label="Ano Base da Avaliação", value="2025")
+    return [fon, coord_x, coord_y, rh, ano_c, area, padrao, ano_ref]
 
-title = '(TESTE) Salas Comerciais - XGBoost Regressor - 2026'
+title = 'Salas Comerciais - XGBoost Regressor - 2026'
 
 description =  f"""
 # <p style="text-align: center;">Modelo para Salas Comerciais - XGBoost Regressor - 2026</p>
-<p style="text-align: center;">29.753 dados efetivamente utilizados referentes aos anos 2019 a 2025.</p>
+<p style="text-align: center;">Dados referentes aos anos 2019 a 2025.</p>
 <hr style="color: #333; background-color: #333; height: 1px; border: none;">
 """