Upload 14 files

MOD_V_AP_Z1_019A.py

@@ -0,0 +1,205 @@
+import openpyxl
+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
+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
+
+df = pd.read_excel('dados/MOD_V_AP_Z1_019A/BD_MOD_V_AP_Z1_019A.xlsx', 'laudo')
+df.rename(columns={2020: 'ANO_2020', 2021: 'ANO_2021', 2022: 'ANO_2022', 'IDADE+1': 'IDADE', 'AP/AT': 'AP_AT'}, inplace=True)
+df[['RH', 'APRIV', 'VUAPRIV']] = np.log(df[['RH', 'APRIV', 'VUAPRIV']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df[['ANO_2020', 'ANO_2021', 'ANO_2022', 'RH', 'COB', 'APRIV', 'AP_AT', 'PAVTO', 'MEDIO', 'FINO', 'IDADE']]
+y = df['VUAPRIV']
+
+
+def get_report(ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, MEDIO, FINO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, scatterplot_image):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+
+ 
+    def fig2image(image_path):
+        return Image(image_path, 6 * inch, 2 * inch)  # Adjust the width and height as needed
+
+
+    def df2table(df):
+        return Table([[Paragraph(col) for col in df.columns]] + df.values.tolist(),
+                     style=[('FONTNAME', (0,0), (-1,0), 'Helvetica-Bold'),
+                            ('LINEBELOW',(0,0), (-1,0), 1, colors.black),
+                            ('INNERGRID', (0,0), (-1,-1), 0.25, colors.black),
+                            ('BOX', (0,0), (-1,-1), 1, colors.black),
+                            ('ROWBACKGROUNDS', (0,0), (-1,-1), [colors.lightgrey, colors.white])],
+                     hAlign = 'LEFT')
+
+    scatterplot_image = "scatterplot.png"  # Provide the correct path to your saved scatterplot image
+    
+    styles = getSampleStyleSheet()
+
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('MOD_V_AP_Z1_019A', styles['Heading1']),
+        Paragraph('Parâmetros do cálculo', styles['Heading2']),
+        Paragraph(f"Ano 2020 - Exercício Fiscal 2021: {ANO_2020}", styles['Normal']),
+        Paragraph(f"Ano 2021 - Exercício Fiscal 2022: {ANO_2021}", styles['Normal']),
+        Paragraph(f"Ano 2022 - Exercício Fiscal 2023: {ANO_2022}", styles['Normal']),
+        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
+        Paragraph(f"Apartamento de Cobertura: {COB}", styles['Normal']),
+        Paragraph(f"Área Privativa: {APRIV}", styles['Normal']),
+        Paragraph(f"Relação entre Área Privativa e Área Total: {AP_AT}", styles['Normal']),
+        Paragraph(f"Pavimento: {PAVTO}", styles['Normal']),
+        Paragraph(f"Padrão Médio: {MEDIO}", styles['Normal']),
+        Paragraph(f"Padrão Fino: {FINO}", styles['Normal']),
+        Paragraph(f"Idade: {IDADE}", styles['Normal']),
+        PageBreak(),
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Resultados', styles['Heading1']),
+        Paragraph('Valor do imóvel (R$/m²)', styles['Heading2']),
+        Paragraph(f"R$ {round(pred[0], 2)}", styles['Normal']),
+        Paragraph('Limite Inferior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(lower_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Inferior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_low[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Limite Superior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(upper_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Superior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_up[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Gráfico - Previstos X Observados', styles['Heading2']),
+        fig2image(scatterplot_image),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, MEDIO, FINO, IDADE):
+    df = pd.DataFrame.from_dict({'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'ANO_2022': int(ANO_2022),
+                                 'RH': np.log([RH]),
+                                 'COB': int(COB),
+                                 'APRIV': np.log([APRIV]),
+                                 'AP_AT': float(AP_AT),
+                                 'PAVTO': int(PAVTO),
+                                 'MEDIO': int(MEDIO),
+                                 'FINO': int(FINO),
+                                 'IDADE': int(IDADE)}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int()
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(2000, 14000, 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(np.exp(y)), name="Observado"), pd.Series(np.exp(results.predict(X_pred_cons)), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+  
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    get_report(ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, MEDIO, FINO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, "scatterplot.png")
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png", 'report.pdf'
+
+
+
+
+def load_inputs():
+    APRIV = gr.inputs.Number(default = 80., label='Área Privativa')
+    RH = gr.inputs.Number(default = 250, label='Região Homogênea')
+    PAVTO = gr.inputs.Number(default = 5, label='Pavimento')
+    COB = gr.inputs.Checkbox(default=False, label='É apartamento de cobertura?')
+    IDADE = gr.inputs.Number(default = 5, label='Idade')
+    AP_AT = gr.inputs.Number(default = .7, label='Razão entre Área privativa e Área total')
+    MEDIO = gr.inputs.Checkbox(default=False, label='Padrão Médio')
+    FINO = gr.inputs.Checkbox(default=True, label='Padrão Fino')
+    ANO_2020 = gr.inputs.Checkbox(default=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.inputs.Checkbox(default=False, label='Ano 2021 - Carga Geral 2022')
+    ANO_2022 = gr.inputs.Checkbox(default=True, label='Ano 2022 - Carga Geral 2023')
+    return [ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, MEDIO, FINO, IDADE]
+
+title = 'MOD_V_AP_Z1_019A (Apartamentos)'
+
+#description = "656 dados de 2019 a 2023 | Para informações do modelo, você pode baixar <a href='https://git-colocation.procempa.com.br/calculadora/calc-venda-salas-comerciais/-/raw/main/dados/MOD_V_SALA_Z1_002C/MOD_V_SALA_Z1_002C.pdf' download='MOD_V_SALA_Z1_002C.pdf'>aqui</a>."
+
+
+description =  f"""
+# <p style="text-align: center; color: #789987;"> 📊 <span style='color: #123123;'>MOD_V_AP_Z1_019A</span> 📊 </p>
+<p style="text-align: center;">736 dados de 2019 a 2022 | Para informações do modelo, você pode baixar <a href='https://huggingface.co/spaces/fschwartzer/teste_tabs_gradio/resolve/main/dados/MOD_V_SALA_Z1_002C/MOD_V_SALA_Z1_002C.pdf' download='MOD_V_SALA_Z1_002C.pdf'>aqui</a></p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>RH</b> | Menor: 100 - Maior: 380 </p>
+<p style="text-align: center;"> <b>Área Privativa</b> | Menor: 61.08 - Maior: 450.45 </p>
+<p style="text-align: center;"> <b>Razão entre Área privativa e Área total</b> | Menor: 0.52 - Maior: 0.89 </p>
+<p style="text-align: center;"> <b>Pavimento</b> | Menor: 1 - Maior: 19 </p>
+<p style="text-align: center;"> <b>Idade</b> | Menor: 1 - Maior: 65 </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>BAIRROS:</b> Auxiliadora, Bela Vista, Boa Vista, Higienópolis e Mont Serrat </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>Observações:</b> </p>
+<p style="text-align: center;"> <b>1)</b> Para o Ano 2019 - Exercício Fiscal 2020, deixar todas as caixas de Ano desmarcadas. </p>
+<p style="text-align: center;"> <b>2)</b> Para o Padrão Luxo, deixar Padrão Fino e Médio desmarcados. </p>
+"""

MOD_V_AP_Z1_Z2_001.py

@@ -0,0 +1,206 @@
+import openpyxl
+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
+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
+
+df = pd.read_excel('dados/MOD_V_AP_Z1_Z2_001/MOD_V_AP_Z1_Z2_001.xlsx')
+df.rename(columns={2019: 'ANO_2019', 2020: 'ANO_2020', 2021: 'ANO_2021', 2022: 'ANO_2022', 'IDADE+1': 'IDADE', 'AP/AT': 'AP_AT'}, inplace=True)
+df[['RH', 'APRIV', 'VUAPRIV']] = np.log(df[['RH', 'APRIV', 'VUAPRIV']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df[['ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'RH', 'COB', 'APRIV', 'AP_AT', 'PAVTO', 'FINO', 'LUXO', 'IDADE']]
+y = df['VUAPRIV']
+
+
+def get_report(ANO_2019, ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, scatterplot_image):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+
+ 
+    def fig2image(image_path):
+        return Image(image_path, 6 * inch, 2 * inch)  # Adjust the width and height as needed
+
+
+    def df2table(df):
+        return Table([[Paragraph(col) for col in df.columns]] + df.values.tolist(),
+                     style=[('FONTNAME', (0,0), (-1,0), 'Helvetica-Bold'),
+                            ('LINEBELOW',(0,0), (-1,0), 1, colors.black),
+                            ('INNERGRID', (0,0), (-1,-1), 0.25, colors.black),
+                            ('BOX', (0,0), (-1,-1), 1, colors.black),
+                            ('ROWBACKGROUNDS', (0,0), (-1,-1), [colors.lightgrey, colors.white])],
+                     hAlign = 'LEFT')
+
+    scatterplot_image = "scatterplot.png"  # Provide the correct path to your saved scatterplot image
+    
+    styles = getSampleStyleSheet()
+
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('MOD_V_AP_Z1_Z2_001', styles['Heading1']),
+        Paragraph('Parâmetros do cálculo', styles['Heading2']),
+        Paragraph(f"Ano 2019 - Exercício Fiscal 2020: {ANO_2019}", styles['Normal']),
+        Paragraph(f"Ano 2020 - Exercício Fiscal 2021: {ANO_2020}", styles['Normal']),
+        Paragraph(f"Ano 2021 - Exercício Fiscal 2022: {ANO_2021}", styles['Normal']),
+        Paragraph(f"Ano 2022 - Exercício Fiscal 2023: {ANO_2022}", styles['Normal']),
+        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
+        Paragraph(f"Apartamento de Cobertura: {COB}", styles['Normal']),
+        Paragraph(f"Área Privativa: {APRIV}", styles['Normal']),
+        Paragraph(f"Relação entre Área Privativa e Área Total: {AP_AT}", styles['Normal']),
+        Paragraph(f"Pavimento: {PAVTO}", styles['Normal']),
+        Paragraph(f"Padrão Fino: {FINO}", styles['Normal']),
+        Paragraph(f"Padrão Luxo: {LUXO}", styles['Normal']),
+        Paragraph(f"Idade: {IDADE}", styles['Normal']),
+        PageBreak(),
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Resultados', styles['Heading1']),
+        Paragraph('Valor do imóvel (R$/m²)', styles['Heading2']),
+        Paragraph(f"R$ {round(pred[0], 2)}", styles['Normal']),
+        Paragraph('Limite Inferior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(lower_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Inferior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_low[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Limite Superior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(upper_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Superior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_up[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Gráfico - Previstos X Observados', styles['Heading2']),
+        fig2image(scatterplot_image),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(ANO_2019, ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE):
+    df = pd.DataFrame.from_dict({'ANO_2019': int(ANO_2019),
+                                 'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'ANO_2022': int(ANO_2022),
+                                 'RH': np.log([RH]),
+                                 'COB': int(COB),
+                                 'APRIV': np.log([APRIV]),
+                                 'AP_AT': float(AP_AT),
+                                 'PAVTO': int(PAVTO),
+                                 'FINO': int(FINO),
+                                 'LUXO': int(LUXO),
+                                 'IDADE': int(IDADE)}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int(alpha=0.2)
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(min(y), max(y), 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(y), name="Observado"), pd.Series(results.predict(X_pred_cons), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+  
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    get_report(ANO_2019, ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, "scatterplot.png")
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png", 'report.pdf'
+
+
+
+
+def load_inputs():
+    APRIV = gr.inputs.Number(default = 80., label='Área Privativa')
+    RH = gr.inputs.Number(default = 250, label='Região Homogênea')
+    PAVTO = gr.inputs.Number(default = 5, label='Pavimento')
+    COB = gr.inputs.Checkbox(default=False, label='É apartamento de cobertura?')
+    IDADE = gr.inputs.Number(default = 5, label='Idade')
+    AP_AT = gr.inputs.Number(default = .7, label='Razão entre Área privativa e Área total')
+    FINO = gr.inputs.Checkbox(default=False, label='Padrão Fino')
+    LUXO = gr.inputs.Checkbox(default=True, label='Padrão Luxo')
+    ANO_2019 = gr.inputs.Checkbox(default=False, label='Ano 2019 - Carga Geral 2020')
+    ANO_2020 = gr.inputs.Checkbox(default=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.inputs.Checkbox(default=False, label='Ano 2021 - Carga Geral 2022')
+    ANO_2022 = gr.inputs.Checkbox(default=True, label='Ano 2022 - Carga Geral 2023')
+    return [ANO_2019, ANO_2020, ANO_2021, ANO_2022, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE]
+
+title = 'MOD_V_AP_Z1_Z2_001 (Apartamentos)'
+
+
+description =  f"""
+# <p style="text-align: center;">MOD_V_AP_Z1_Z2_001</p>
+<p style="text-align: center;">1255 dados de 2019 a 2022 | Para informações do modelo, você pode baixar <a href='https://raw.githubusercontent.com/fschwartzer/DAI/main/MOD_V_AP_Z1_Z2_001.pdf' download='MOD_V_AP_Z1_Z2_001.pdf'>aqui</a></p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>RH</b> | Menor: 73 - Maior: 380 </p>
+<p style="text-align: center;"> <b>Área Privativa</b> | Menor: 60.39 - Maior: 547.92 </p>
+<p style="text-align: center;"> <b>Razão entre Área privativa e Área total</b> | Menor: 0.51 - Maior: 0.90 </p>
+<p style="text-align: center;"> <b>Pavimento</b> | Menor: 1 - Maior: 19 </p>
+<p style="text-align: center;"> <b>Idade</b> | Menor: 1 - Maior: 67 </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>BAIRROS:</b> Auxiliadora, Bela Vista, Boa Vista, Higienópolis, Mont Serrat e Passo da Areia.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>Observações:</b> </p>
+<p style="text-align: center;"> <b>1)</b> Para o Ano 2023 - Exercício Fiscal 2024, deixar todas as caixas de Ano desmarcadas. </p>
+<p style="text-align: center;"> <b>2)</b> Para o Padrão Médio, deixar Padrão Fino e Luxo desmarcados. </p>
+"""

MOD_V_AP_Z1_Z2_001A.py

@@ -0,0 +1,212 @@
+import openpyxl
+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
+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
+
+df = pd.read_excel('dados/MOD_V_AP_Z1_Z2_001A/MOD_V_AP_Z1_Z2_001A.xlsx')
+df.rename(columns={2020: 'ANO_2020', 2021: 'ANO_2021', 2022: 'ANO_2022',  2023: 'ANO_2023', 2024: 'ANO_2024', 2025: 'ANO_2025','IDADE+1': 'IDADE', 'AP/AT': 'AP_AT'}, inplace=True)
+df[['RH', 'APRIV', 'VUAPRIV']] = np.log(df[['RH', 'APRIV', 'VUAPRIV']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df[['ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024', 'ANO_2025', 'RH', 'COB', 'APRIV', 'AP_AT', 'PAVTO', 'FINO', 'LUXO', 'IDADE']]
+y = df['VUAPRIV']
+
+
+def get_report(ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, scatterplot_image):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+
+ 
+    def fig2image(image_path):
+        return Image(image_path, 6 * inch, 2 * inch)  # Adjust the width and height as needed
+
+
+    def df2table(df):
+        return Table([[Paragraph(col) for col in df.columns]] + df.values.tolist(),
+                     style=[('FONTNAME', (0,0), (-1,0), 'Helvetica-Bold'),
+                            ('LINEBELOW',(0,0), (-1,0), 1, colors.black),
+                            ('INNERGRID', (0,0), (-1,-1), 0.25, colors.black),
+                            ('BOX', (0,0), (-1,-1), 1, colors.black),
+                            ('ROWBACKGROUNDS', (0,0), (-1,-1), [colors.lightgrey, colors.white])],
+                     hAlign = 'LEFT')
+
+    scatterplot_image = "scatterplot.png"  # Provide the correct path to your saved scatterplot image
+    
+    styles = getSampleStyleSheet()
+
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('MOD_V_AP_Z1_Z2_001A', styles['Heading1']),
+        Paragraph('Parâmetros do cálculo', styles['Heading2']),
+        Paragraph(f"Ano 2020 - Exercício Fiscal 2021: {ANO_2020}", styles['Normal']),
+        Paragraph(f"Ano 2021 - Exercício Fiscal 2022: {ANO_2021}", styles['Normal']),
+        Paragraph(f"Ano 2022 - Exercício Fiscal 2023: {ANO_2022}", styles['Normal']),
+        Paragraph(f"Ano 2023 - Exercício Fiscal 2024: {ANO_2023}", styles['Normal']),
+        Paragraph(f"Ano 2024 - Exercício Fiscal 2025: {ANO_2024}", styles['Normal']),
+        Paragraph(f"Ano 2025: {ANO_2025}", styles['Normal']),
+        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
+        Paragraph(f"Apartamento de Cobertura: {COB}", styles['Normal']),
+        Paragraph(f"Área Privativa: {APRIV}", styles['Normal']),
+        Paragraph(f"Relação entre Área Privativa e Área Total: {AP_AT}", styles['Normal']),
+        Paragraph(f"Pavimento: {PAVTO}", styles['Normal']),
+        Paragraph(f"Padrão Fino: {FINO}", styles['Normal']),
+        Paragraph(f"Padrão Luxo: {LUXO}", styles['Normal']),
+        Paragraph(f"Idade: {IDADE}", styles['Normal']),
+        PageBreak(),
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Resultados', styles['Heading1']),
+        Paragraph('Valor do imóvel (R$/m²)', styles['Heading2']),
+        Paragraph(f"R$ {round(pred[0], 2)}", styles['Normal']),
+        Paragraph('Limite Inferior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(lower_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Inferior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_low[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Limite Superior do Intervalo de Confiança', styles['Heading2']),
+        Paragraph(f"R$ {round(upper_bound, 2)}", styles['Normal']),
+        Paragraph('Percentual Limite Superior do IC', styles['Heading2']),
+        Paragraph(f"{round(per_up[0]*100, 2)}%", styles['Normal']),
+        Paragraph('Gráfico - Previstos X Observados', styles['Heading2']),
+        fig2image(scatterplot_image),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE):
+    df = pd.DataFrame.from_dict({'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'ANO_2022': int(ANO_2022),
+                                 'ANO_2023': int(ANO_2023),
+                                 'ANO_2024': int(ANO_2024),
+                                 'ANO_2025': int(ANO_2025),
+                                 'RH': np.log([RH]),
+                                 'COB': int(COB),
+                                 'APRIV': np.log([APRIV]),
+                                 'AP_AT': float(AP_AT),
+                                 'PAVTO': int(PAVTO),
+                                 'FINO': int(FINO),
+                                 'LUXO': int(LUXO),
+                                 'IDADE': int(IDADE)}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int(alpha=0.2)
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(min(y), max(y), 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(y), name="Observado"), pd.Series(results.predict(X_pred_cons), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+  
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    get_report(ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE, pred, lower_bound, per_low, upper_bound, per_up, "scatterplot.png")
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png", 'report.pdf'
+
+
+
+
+def load_inputs():
+    APRIV = gr.inputs.Number(default = 80., label='Área Privativa')
+    RH = gr.inputs.Number(default = 250, label='Região Homogênea')
+    PAVTO = gr.inputs.Number(default = 5, label='Pavimento')
+    COB = gr.inputs.Checkbox(default=False, label='É apartamento de cobertura?')
+    IDADE = gr.inputs.Number(default = 5, label='Idade')
+    AP_AT = gr.inputs.Number(default = .7, label='Razão entre Área privativa e Área total')
+    FINO = gr.inputs.Checkbox(default=False, label='Padrão Fino')
+    LUXO = gr.inputs.Checkbox(default=True, label='Padrão Luxo')
+    ANO_2020 = gr.inputs.Checkbox(default=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.inputs.Checkbox(default=False, label='Ano 2021 - Carga Geral 2022')
+    ANO_2022 = gr.inputs.Checkbox(default=False, label='Ano 2022 - Carga Geral 2023')
+    ANO_2023 = gr.inputs.Checkbox(default=False, label='Ano 2023 - Carga Geral 2024')
+    ANO_2024 = gr.inputs.Checkbox(default=True, label='Ano 2024 - Carga Geral 2025')
+    ANO_2025 = gr.inputs.Checkbox(default=False, label='Ano 2025')
+    return [ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, COB, APRIV, AP_AT, PAVTO, FINO, LUXO, IDADE]
+
+title = 'MOD_V_AP_Z1_Z2_001A (Apartamentos)'
+
+
+description =  f"""
+# <p style="text-align: center;">MOD_V_AP_Z1_Z2_001A</p>
+<p style="text-align: center;">1724 dados de 2019 a 2025</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>RH</b> | Menor: 73 - Maior: 380 </p>
+<p style="text-align: center;"> <b>Área Privativa</b> | Menor: 60.17 - Maior: 547.92 </p>
+<p style="text-align: center;"> <b>Razão entre Área privativa e Área total</b> | Menor: 0.41 - Maior: 0.92 </p>
+<p style="text-align: center;"> <b>Pavimento</b> | Menor: 1 - Maior: 20 </p>
+<p style="text-align: center;"> <b>Idade</b> | Menor: 1 - Maior: 68 </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>BAIRROS:</b> Auxiliadora, Bela Vista, Boa Vista, Higienópolis, Mont Serrat e Passo da Areia.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>Observações:</b> </p>
+<p style="text-align: center;"> <b>1)</b> Para o Ano 2019 - Exercício Fiscal 2020, deixar todas as caixas de Ano desmarcadas. </p>
+<p style="text-align: center;"> <b>2)</b> Para o Padrão Médio, deixar Padrão Fino e Luxo desmarcados. </p>
+"""

MOD_V_SALA_Z1_002C.py

@@ -0,0 +1,93 @@
+import openpyxl
+import gradio as gr
+import joblib
+import pandas as pd
+import numpy as np
+import seaborn as sns
+from sklearn.preprocessing import MinMaxScaler
+import statsmodels.api as sm
+import matplotlib.pyplot as plt
+
+df = pd.read_excel('dados/MOD_V_SALA_Z1_002C/BD_MOD_V_SALA_Z1_002C.xlsx', 'LAUDO')
+
+df1 = df.iloc[:, 3:]
+df1 = df1.drop(['VTOTAL'], axis=1)
+df1[['RH', 'APRIV', 'VUNIT']] = np.log(df1[['RH', 'APRIV', 'VUNIT']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df1.drop(['VUNIT'], axis=1)
+y = df1['VUNIT']
+
+def execute(ANO_2020, ANO_2021, AP2022, RH, PAVTO, IDmenor10, ID10a20, ID20a30, ID30a40, FIN, LUX, APRIV):
+    df = pd.DataFrame.from_dict({'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'AP2022': int(AP2022),
+                                 'RH': np.log([RH]),
+                                 'PAVTO': [PAVTO],
+                                 'IDmenor10': int(IDmenor10),
+                                 'ID10a20': int(ID10a20),
+                                 'ID20a30': int(ID20a30),
+                                 'ID30a40': int(ID30a40),
+                                 'FIN': int(FIN),
+                                 'LUX': int(LUX),
+                                 'APRIV': np.log([APRIV])}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int(alpha=0.2)
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(min(df1['VUNIT']), max(df1['VUNIT']), 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(df1['VUNIT']), name="Observado"), pd.Series(results.predict(X_pred_cons), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+    
+    
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png"
+
+def load_inputs():
+    APRIV = gr.inputs.Number(default = 35., label='Área Privativa')
+    RH = gr.inputs.Number(default = 250, label='Região Homogênea')
+    PAVTO = gr.inputs.Number(default = 5, label='Pavimento')
+    IDmenor10 = gr.inputs.Checkbox(default=True, label='Idade menor que 10 anos')
+    ID10a20 = gr.inputs.Checkbox(default=False, label='Idade entre 10 anos e 20 anos')
+    ID20a30 = gr.inputs.Checkbox(default=False, label='Idade entre 20 anos e 30 anos')
+    ID30a40 = gr.inputs.Checkbox(default=False, label='Idade entre 30 anos e 40 anos')
+    FIN = gr.inputs.Checkbox(default=False, label='Padrão Fino')
+    LUX = gr.inputs.Checkbox(default=True, label='Padrão Luxo')
+    ANO_2020 = gr.inputs.Checkbox(default=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.inputs.Checkbox(default=False, label='Ano 2021 - Carga Geral 2022')
+    AP2022 = gr.inputs.Checkbox(default=True, label='A partir do Ano 2022 - Carga Geral 2023')
+    return [ANO_2020, ANO_2021, AP2022, RH, PAVTO, IDmenor10, ID10a20, ID20a30, ID30a40, FIN, LUX, APRIV]
+
+title = 'MOD_V_SALA_Z1_002C (Salas Comerciais)'
+
+#description = "656 dados de 2019 a 2023 | Para informações do modelo, você pode baixar <a href='https://git-colocation.procempa.com.br/calculadora/calc-venda-salas-comerciais/-/raw/main/dados/MOD_V_SALA_Z1_002C/MOD_V_SALA_Z1_002C.pdf' download='MOD_V_SALA_Z1_002C.pdf'>aqui</a>."
+
+description = "656 dados de 2019 a 2023 | Para informações do modelo, você pode baixar <a href='https://raw.githubusercontent.com/fschwartzer/DAI/main/MOD_V_SALA_Z1_002C-2.pdf' download='MOD_V_SALA_Z1_002C-2.pdf'>aqui</a>."
+

MOD_V_SALA_Z1_002D_A.py

@@ -0,0 +1,103 @@
+import openpyxl
+import gradio as gr
+import joblib
+import pandas as pd
+import numpy as np
+import seaborn as sns
+from sklearn.preprocessing import MinMaxScaler
+import statsmodels.api as sm
+import matplotlib.pyplot as plt
+
+df_model = pd.read_excel('dados/MOD_V_SALA_Z1_002D_A/MOD_V_SALA_Z1_002D_A.xlsx')
+
+df_model[['RH', 'APRIV', 'VUNIT']] = np.log(df_model[['RH', 'APRIV', 'VUNIT']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df_model.drop(['VUNIT'], axis=1)
+y = df_model['VUNIT']
+
+def execute(ANO_2020, ANO_2021, ANO_2022, AP2023, RH, PAVTO, IDmenor10, ID11a20, ID21a30, ID31a40, FIN, LUX, APRIV):
+    df = pd.DataFrame.from_dict({'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'ANO_2022': int(ANO_2022),
+                                 'AP2023': int(AP2023),
+                                 'RH': np.log([RH]),
+                                 'PAVTO': [PAVTO],
+                                 'IDmenor10': int(IDmenor10),
+                                 'ID11a20': int(ID11a20),
+                                 'ID21a30': int(ID21a30),
+                                 'ID31a40': int(ID31a40),
+                                 'FIN': int(FIN),
+                                 'LUX': int(LUX),
+                                 'APRIV': np.log([APRIV])}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int(alpha=0.2)
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(min(df_model['VUNIT']), max(df_model['VUNIT']), 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(df_model['VUNIT']), name="Observado"), pd.Series(results.predict(X_pred_cons), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+    
+    
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png"
+
+def load_inputs():
+    APRIV = gr.Number(value = 35., label='Área Privativa')
+    RH = gr.Number(value = 250, label='Região Homogênea')
+    PAVTO = gr.Number(value = 5, label='Pavimento')
+    IDmenor10 = gr.Checkbox(value=True, label='Idade menor que 10 anos')
+    ID11a20 = gr.Checkbox(value=False, label='Idade entre 11 anos e 20 anos')
+    ID21a30 = gr.Checkbox(value=False, label='Idade entre 21 anos e 30 anos')
+    ID31a40 = gr.Checkbox(value=False, label='Idade entre 31 anos e 40 anos')
+    FIN = gr.Checkbox(value=False, label='Padrão Fino')
+    LUX = gr.Checkbox(value=True, label='Padrão Luxo')
+    ANO_2020 = gr.Checkbox(value=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.Checkbox(value=False, label='Ano 2021 - Carga Geral 2022')
+    ANO_2022 = gr.Checkbox(value=False, label='Ano 2022 - Carga Geral 2023')
+    AP2023 = gr.Checkbox(value=True, label='A partir do Ano 2023 - Carga Geral 2024')
+    return [ANO_2020, ANO_2021,  ANO_2022, AP2023, RH, PAVTO, IDmenor10, ID11a20, ID21a30, ID31a40, FIN, LUX, APRIV]
+
+title = 'MOD_V_SALA_Z1_002D_A (Salas Comerciais)'
+
+description =  f"""
+# <p style="text-align: center;">MOD_V_SALA_Z1_002D_A</p>
+<p style="text-align: center;">755 dados de 2019 a 2023 | Para informações do modelo, você pode baixar <a href='https://raw.githubusercontent.com/fschwartzer/DAI/main/MOD_V_SALA_Z1_002D_A.docx' download='MOD_V_SALA_Z1_002D_A.docx'>aqui</a></p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>RH</b> | Menor: 120 - Maior: 380 </p>
+<p style="text-align: center;"> <b>Área Privativa</b> | Menor: 15.86 - Maior: 428.79 </p>
+<p style="text-align: center;"> <b>Pavimento</b> | Menor: 1 - Maior: 24 </p>
+<p style="text-align: center;"> <b>Idade</b> | Menor: 4 - Maior: 73 </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>BAIRROS:</b> Auxiliadora, Bomfim, Centro Histórico, Cidade Baixa, Floresta, Higienópolis, Independência, Menino Deus, Moinhos de Vento, Mont Serrat, Petrópolis, Praia de Belas, Rio Branco e São João.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>Observações:</b> </p>
+<p style="text-align: center;"> <b>1)</b> Para o Padrão Médio, deixar Padrão Fino e Luxo desmarcados. </p>
+"""

MOD_V_SALA_Z1_002E.py

@@ -0,0 +1,108 @@
+import openpyxl
+import gradio as gr
+import joblib
+import pandas as pd
+import numpy as np
+import seaborn as sns
+from sklearn.preprocessing import MinMaxScaler
+import statsmodels.api as sm
+import matplotlib.pyplot as plt
+
+df_model = pd.read_excel('dados/MOD_V_SALA_Z1_002E/MOD_V_SALA_Z1_002E.xlsx')
+
+df_model[['RH', 'APRIV', 'VUNIT']] = np.log(df_model[['RH', 'APRIV', 'VUNIT']])
+
+# Separar as variáveis independentes (X) e dependente (y)
+X = df_model.drop(['VUNIT'], axis=1)
+y = df_model['VUNIT']
+
+def execute(ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, PAVTO, IDmenor10, ID11a20, ID21a30, ID31a40, FIN, LUX, APRIV):
+    df = pd.DataFrame.from_dict({'ANO_2020': int(ANO_2020),
+                                 'ANO_2021': int(ANO_2021),
+                                 'ANO_2022': int(ANO_2022),
+                                 'ANO_2023': int(ANO_2023),
+                                 'ANO_2024': int(ANO_2024),
+                                 'ANO_2025': int(ANO_2025),
+                                 'RH': np.log([RH]),
+                                 'PAVTO': [PAVTO],
+                                 'IDmenor10': int(IDmenor10),
+                                 'ID11a20': int(ID11a20),
+                                 'ID21a30': int(ID21a30),
+                                 'ID31a40': int(ID31a40),
+                                 'FIN': int(FIN),
+                                 'LUX': int(LUX),
+                                 'APRIV': np.log([APRIV])}
+                                )
+
+       
+    X_with_constant = sm.add_constant(X)
+    model = sm.OLS(y, X_with_constant)
+    results = model.fit()
+    X_new = np.array(df).reshape(1, -1)
+    X_new_with_constant = np.insert(X_new, 0, 1)
+    y_pred = results.predict(X_new_with_constant)
+    ci = results.get_prediction(X_new_with_constant).conf_int(alpha=0.2)
+    lower_bound = np.exp(ci[0][0])
+    per_low = (np.exp(y_pred)-np.exp(ci[0][0]))/np.exp(y_pred)
+    upper_bound = np.exp(ci[0][1])
+    per_up = (np.exp(ci[0][1])-np.exp(y_pred))/np.exp(y_pred)
+    pred = np.exp(y_pred)
+    
+    X_plot = np.linspace(min(df_model['VUNIT']), max(df_model['VUNIT']), 100)
+    Y_plot = X_plot
+    X_pred = np.array(X)
+    X_pred_cons = np.insert(X_pred, 0, 1, axis=1)
+    x_, y_ = pd.Series(np.array(df_model['VUNIT']), name="Observado"), pd.Series(results.predict(X_pred_cons), name="Previsto")
+    
+    plt.figure(figsize=(18, 6))
+    sns.scatterplot(x=x_, y=y_)
+    plt.xlabel("Observados")
+    plt.ylabel("Previstos")
+    plt.tight_layout()
+    plt.plot(X_plot, Y_plot, color='r')
+    plt.savefig("scatterplot.png")
+    plt.close()
+    
+    
+    texto_1 = f"R$ {round(pred[0], 2)}"
+    texto_2 = f"R$ {round(lower_bound, 2)}"
+    texto_3 = f"{round(per_low[0]*100, 2)}%"
+    texto_4 = f"R$ {round(upper_bound, 2)}"
+    texto_5 = f"{round(per_up[0]*100, 2)}%"
+    return texto_1, texto_2, texto_3, texto_4, texto_5, "scatterplot.png"
+
+def load_inputs():
+    APRIV = gr.Number(value = 35., label='Área Privativa')
+    RH = gr.Number(value = 250, label='Região Homogênea')
+    PAVTO = gr.Number(value = 5, label='Pavimento')
+    IDmenor10 = gr.Checkbox(value=True, label='Idade menor ou igual a 10 anos')
+    ID11a20 = gr.Checkbox(value=False, label='Idade entre 11 anos e 20 anos')
+    ID21a30 = gr.Checkbox(value=False, label='Idade entre 21 anos e 30 anos')
+    ID31a40 = gr.Checkbox(value=False, label='Idade entre 31 anos e 40 anos')
+    FIN = gr.Checkbox(value=False, label='Padrão Fino')
+    LUX = gr.Checkbox(value=True, label='Padrão Luxo')
+    ANO_2020 = gr.Checkbox(value=False, label='Ano 2020 - Carga Geral 2021')
+    ANO_2021 = gr.Checkbox(value=False, label='Ano 2021 - Carga Geral 2022')
+    ANO_2022 = gr.Checkbox(value=False, label='Ano 2022 - Carga Geral 2023')
+    ANO_2023 = gr.Checkbox(value=False, label='Ano 2023 - Carga Geral 2024')
+    ANO_2024 = gr.Checkbox(value=True, label='Ano 2024 - Carga Geral 2025')
+    ANO_2025 = gr.Checkbox(value=False, label='Ano 2025')
+    
+    return [ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, ANO_2025, RH, PAVTO, IDmenor10, ID11a20, ID21a30, ID31a40, FIN, LUX, APRIV]
+
+title = 'MOD_V_SALA_Z1_002E (Salas Comerciais)'
+
+description =  f"""
+# <p style="text-align: center;">MOD_V_SALA_Z1_002E</p>
+<p style="text-align: center;">949 dados de 2019 a 2025</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>RH</b> | Menor: 120 - Maior: 380 </p>
+<p style="text-align: center;"> <b>Área Privativa</b> | Menor: 15.86 - Maior: 381.84 </p>
+<p style="text-align: center;"> <b>Pavimento</b> | Menor: 1 - Maior: 24 </p>
+<p style="text-align: center;"> <b>Idade</b> | Menor: 0 - Maior: 73 </p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>BAIRROS:</b> Auxiliadora, Bomfim, Centro Histórico, Cidade Baixa, Floresta, Higienópolis, Independência, Menino Deus, Moinhos de Vento, Mont Serrat, Petrópolis, Praia de Belas, Rio Branco e São João.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+<p style="text-align: center;"> <b>Observações:</b> </p>
+<p style="text-align: center;"> <b>1)</b> Para o Padrão Médio, deixar Padrão Fino e Luxo desmarcados. </p>
+"""

apartamentos.py

@@ -0,0 +1,57 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import xgboost as xgb
+import joblib
+from sklearn.preprocessing import MinMaxScaler
+
+def execute(FONTE, IDADE, RH, ANDAR, X,  Y, ATOTAL, ANO_2019, ANO_2020 , ANO_2021, ANO_2022):
+    df = pd.DataFrame.from_dict({'FONTE': [FONTE],
+                                 'IDADE': [IDADE],
+                                 'RH': np.log([RH]),
+                                 'ANDAR': [ANDAR],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'ATOTAL': np.log([ATOTAL]),
+                                 'ANO_2019': [ANO_2019],
+                                 'ANO_2020': [ANO_2020],
+                                 'ANO_2021': [ANO_2021],
+                                 'ANO_2022': [ANO_2022]
+                                })
+
+    
+
+    input_scaler = joblib.load("dados/apartamentos/input_scaler_ape_DEZ2022.save")
+    df = input_scaler.transform(df)
+    cols = ['FONTE', 'IDADE', 'RH', 'ANDAR', 'X',  'Y', 'ATOTAL', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/apartamentos/APARTAMENTO_2020_2021_2022_2023.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/apartamentos/output_scaler_ape_DEZ2022.save")
+    pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
+    pred = np.exp(pred).tolist()
+    return f"""Valor do imóvel: R${round(pred[0][0]* ATOTAL, -2)}"""
+
+
+
+def load_inputs():
+    FONTE = gr.inputs.Number(default = 0, label='Fonte: 0 - Transação | 1 - Oferta')
+    IDADE = gr.inputs.Number(default = 1, label='Idade do imóvel (Ano Base: 2022)')
+    RH = gr.inputs.Number(default = 45, label='Região Homogênea')
+    ANDAR = gr.inputs.Number(default = 1, label='Andar, conforme Cadastro Imobiliário')
+    X = gr.inputs.Number(default = 282122, label='Longitude (SIRGAS 2000)')
+    Y = gr.inputs.Number(default = 1672718, label='Latitude (SIRGAS 2000)')  
+    ATOTAL = gr.inputs.Number(default = 60., label='Área Total')
+    ANO_2019 = gr.inputs.Number(default = 0, label='Ano 2019')
+    ANO_2020 = gr.inputs.Number(default = 0, label='Ano 2020')
+    ANO_2021 = gr.inputs.Number(default = 0, label='Ano 2021')
+    ANO_2022 = gr.inputs.Number(default = 1, label='Ano 2022')
+    return [FONTE, IDADE, RH, ANDAR, X,  Y, ATOTAL, ANO_2019, ANO_2020 , ANO_2021, ANO_2022]
+
+output_label = "Valor do imóvel (R$)"
+
+title = 'Venda - Apartamentos'
+
+description = '27.132 dados de Janeiro de 2019 a Dezembro de 2022'

app.py

@@ -0,0 +1,87 @@
+import numpy as np
+import gradio as gr
+import MOD_V_AP_Z1_Z2_001A
+import MOD_V_AP_Z1_Z2_001
+#import MOD_V_SALA_Z1_002C
+#import apartamentos
+#import salas
+import salas_2025
+import salas_2024
+import aptos_2025
+import aptos_2024
+import MOD_V_SALA_Z1_002D_A
+import MOD_V_SALA_Z1_002E
+
+
+bloco = gr.Blocks(theme=gr.themes.Monochrome())
+
+with bloco:
+    with gr.Tabs():
+        with gr.TabItem(MOD_V_SALA_Z1_002E.title):
+            gr.Markdown(MOD_V_SALA_Z1_002E.description)
+            inputs = MOD_V_SALA_Z1_002E.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.TextArea(lines=1, label="Limite Inferior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Inferior do IC"), gr.TextArea(lines=1, label="Limite Superior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Superior do IC"), gr.Image(label="Gráfico")]
+            text_button.click(MOD_V_SALA_Z1_002E.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(MOD_V_SALA_Z1_002D_A.title):
+            gr.Markdown(MOD_V_SALA_Z1_002D_A.description)
+            inputs = MOD_V_SALA_Z1_002D_A.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.TextArea(lines=1, label="Limite Inferior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Inferior do IC"), gr.TextArea(lines=1, label="Limite Superior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Superior do IC"), gr.Image(label="Gráfico")]
+            text_button.click(MOD_V_SALA_Z1_002D_A.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(salas_2025.title):
+            gr.Markdown(salas_2025.description)
+            inputs = salas_2025.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(salas_2025.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(salas_2024.title):
+            gr.Markdown(salas_2024.description)
+            inputs = salas_2024.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(salas_2024.execute, inputs=inputs, outputs=outputs)
+        #with gr.TabItem(MOD_V_SALA_Z1_002C.title):
+            #gr.Markdown(MOD_V_SALA_Z1_002C.description)
+            #inputs = MOD_V_SALA_Z1_002C.load_inputs()
+            #text_button = gr.Button("Calcular")
+            #outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.TextArea(lines=1, label="Limite Inferior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Inferior do IC"), gr.TextArea(lines=1, label="Limite Superior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Superior do IC"), gr.Image(label="Gráfico")]
+            #text_button.click(MOD_V_SALA_Z1_002C.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(MOD_V_AP_Z1_Z2_001A.title):
+            gr.Markdown(MOD_V_AP_Z1_Z2_001A.description)
+            inputs = MOD_V_AP_Z1_Z2_001A.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.TextArea(lines=1, label="Limite Inferior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Inferior do IC"), gr.TextArea(lines=1, label="Limite Superior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Superior do IC"), gr.Image(label="Gráfico"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(MOD_V_AP_Z1_Z2_001A.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(MOD_V_AP_Z1_Z2_001.title):
+            gr.Markdown(MOD_V_AP_Z1_Z2_001.description)
+            inputs = MOD_V_AP_Z1_Z2_001.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.TextArea(lines=1, label="Limite Inferior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Inferior do IC"), gr.TextArea(lines=1, label="Limite Superior do Intervalo de Confiança"), gr.TextArea(lines=1, label="Percentual Limite Superior do IC"), gr.Image(label="Gráfico"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(MOD_V_AP_Z1_Z2_001.execute, inputs=inputs, outputs=outputs)
+        with gr.TabItem(aptos_2025.title):
+            gr.Markdown(aptos_2025.description)
+            inputs = aptos_2025.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(aptos_2025.execute, inputs=inputs, outputs=outputs)    
+        with gr.TabItem(aptos_2024.title):
+            gr.Markdown(aptos_2024.description)
+            inputs = aptos_2024.load_inputs()
+            text_button = gr.Button("Calcular")
+            outputs = [gr.TextArea(lines=1, label="Valor do imóvel (R$/m²)"), gr.components.File(label="Download Relatório em PDF")]
+            text_button.click(aptos_2024.execute, inputs=inputs, outputs=outputs)    
+        #with gr.TabItem(apartamentos.title):
+            #gr.Markdown(apartamentos.description)
+            #inputs = apartamentos.load_inputs()
+            #text_button = gr.Button("Calcular")
+            #outputs = gr.TextArea(lines=1, label=apartamentos.output_label)
+            #text_button.click(apartamentos.execute, inputs=inputs, outputs=outputs)
+        #with gr.TabItem(salas.title):
+            #gr.Markdown(salas.description)
+            #inputs = salas.load_inputs()
+            #text_button = gr.Button("Calcular")
+            #outputs = gr.TextArea(lines=1, label=salas.output_label)
+            #text_button.click(salas.execute, inputs=inputs, outputs=outputs)
+
+bloco.launch(server_name='0.0.0.0', server_port=7860)

aptos_2024.py

@@ -0,0 +1,153 @@
+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
+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
+
+
+def get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E, pred):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+    
+    styles = getSampleStyleSheet()
+
+
+    
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Modelo para Salas Comerciais - XGBoost Regressor - 2024', styles['Heading1']),
+        Paragraph('Parâmetros do cálculo', styles['Heading2']),
+        Paragraph(f"Fonte (Transação ou Oferta): {FON}", styles['Normal']),
+        Paragraph(f"Ano de Construção (Conforme Cadastro Imobiliário): {ANO_CONST}", styles['Normal']),
+        Paragraph(f"Andar (Conforme Cadastro Imobiliário): {ANDAR}", styles['Normal']),
+        Paragraph(f"Coordenada X (TM-POA): {X}", styles['Normal']),
+        Paragraph(f"Coordenada Y (TM-POA): {Y}", styles['Normal']),
+        Paragraph(f"Área Total (Conforme Cadastro Imobiliário): {ATOTAL}", styles['Normal']),
+        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
+        Paragraph(f"Ano 2019 - Exercício Fiscal 2020: {'Sim' if ANO_2019 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"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']),        
+        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']),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E):
+    df = pd.DataFrame.from_dict({'FON': [FON],
+                                 'ANO_CONST': [ANO_CONST], 
+                                 'ANDAR': [ANDAR],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'ATOTAL': np.log(ATOTAL),
+                                 'RH': np.log(RH),
+                                 'ANO_2019': 1 if ANO_2019 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,
+                                 'A': 0,
+                                 'B': 0,
+                                 'C': 1 if C else 0,
+                                 'D': 1 if D else 0,
+                                 'E': 1 if E else 0,
+                                 })
+
+
+
+    input_scaler = joblib.load("dados/apartamentos/input_scaler_ape_DEZ2023.save")
+    df = input_scaler.transform(df)
+    cols = ['FON', 'ANO_CONST', 'ANDAR', 'X', 'Y', 'ATOTAL', 'RH', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'A', 'B', 'C', 'D', 'E']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/apartamentos/APARTAMENTO_2020_2021_2022_2023_2024.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/apartamentos/output_scaler_ape_DEZ2023.save")
+    pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
+    pred = np.exp(pred)
+
+    get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E, pred)
+    
+    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)
+    ANO_CONST = gr.Number(value=2020, label='Ano de Construção (Conforme Cadastro Imobiliário)')
+    ANDAR = gr.Number(value=4, label='Andar (Conforme Cadastro Imobiliário)')
+    X = gr.Number(label='Coordenada X (TM-POA)', value=281554.)
+    Y = gr.Number(label='Coordenada Y (TM-POA)', value=1675418.)
+    ATOTAL = gr.Number(label='Área Total (Conforme Cadastro Imobiliário)', value=60.)
+    RH = gr.Number(value=120, label='Região Homogênea')
+    ANO_2019 = gr.Checkbox(label='Ano 2019 - Carga Geral 2020', value=False)
+    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=True)
+    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)  
+
+
+    return [FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E]
+
+title = 'Apartamentos - XGBoost Regressor - 2024'
+
+
+description =  f"""
+# <p style="text-align: center;">Modelo para Apartamentos - XGBoost Regressor - 2024</p>
+<p style="text-align: center;">39.732 dados efetivamente utilizados, referentes aos anos 2019 a 2023.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+"""

aptos_2025.py

@@ -0,0 +1,154 @@
+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
+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
+
+
+def get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, C, D, E, pred):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+    
+    styles = getSampleStyleSheet()
+
+
+    
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Modelo para Salas Comerciais - XGBoost Regressor - 2024', styles['Heading1']),
+        Paragraph('Parâmetros do cálculo', styles['Heading2']),
+        Paragraph(f"Fonte (Transação ou Oferta): {FON}", styles['Normal']),
+        Paragraph(f"Ano de Construção (Conforme Cadastro Imobiliário): {ANO_CONST}", styles['Normal']),
+        Paragraph(f"Andar (Conforme Cadastro Imobiliário): {ANDAR}", styles['Normal']),
+        Paragraph(f"Coordenada X (TM-POA): {X}", styles['Normal']),
+        Paragraph(f"Coordenada Y (TM-POA): {Y}", styles['Normal']),
+        Paragraph(f"Área Total (Conforme Cadastro Imobiliário): {ATOTAL}", styles['Normal']),
+        Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
+        Paragraph(f"Ano 2019 - Exercício Fiscal 2020: {'Sim' if ANO_2019 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_2023 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']),        
+        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']),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, C, D, E):
+    df = pd.DataFrame.from_dict({'FON': [FON],
+                                 'ANO_CONST': [ANO_CONST], 
+                                 'ANDAR': [ANDAR],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'ATOTAL': np.log(ATOTAL),
+                                 'RH': np.log(RH),
+                                 'ANO_2019': 1 if ANO_2019 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_2023 else 0,
+                                 'C': 1 if C else 0,
+                                 'D': 1 if D else 0,
+                                 'E': 1 if E else 0,
+                                 })
+
+
+
+    input_scaler = joblib.load("dados/apartamentos/input_scaler_ape_DEZ2024.save")
+    df = input_scaler.transform(df)
+    cols = ['FON', 'ANO_CONST', 'ANDAR', 'X', 'Y', 'ATOTAL', 'RH', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024', 'C', 'D', 'E']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/apartamentos/APARTAMENTO_2020_a_2025.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/apartamentos/output_scaler_ape_DEZ2024.save")
+    pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
+    pred = np.exp(pred)
+
+    get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, C, D, E, pred)
+    
+    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)
+    ANO_CONST = gr.Number(value=2020, label='Ano de Construção (Conforme Cadastro Imobiliário)')
+    ANDAR = gr.Number(value=4, label='Andar (Conforme Cadastro Imobiliário)')
+    X = gr.Number(label='Coordenada X (TM-POA)', value=281554.)
+    Y = gr.Number(label='Coordenada Y (TM-POA)', value=1675418.)
+    ATOTAL = gr.Number(label='Área Total (Conforme Cadastro Imobiliário)', value=60.)
+    RH = gr.Number(value=120, label='Região Homogênea')
+    ANO_2019 = gr.Checkbox(label='Ano 2019 - Carga Geral 2020', value=False)
+    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=True)
+    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)  
+
+
+    return [FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, C, D, E]
+
+title = 'Apartamentos - XGBoost Regressor - 2025'
+
+
+description =  f"""
+# <p style="text-align: center;">Modelo para Apartamentos - XGBoost Regressor - 2025</p>
+<p style="text-align: center;">76.569 dados efetivamente utilizados, referentes aos anos 2019 a 2024.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+"""

salas.py

@@ -0,0 +1,63 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import xgboost as xgb
+import joblib
+from sklearn.preprocessing import MinMaxScaler
+
+def execute(FONTE, X, Y, RH, ANO_C, ATOTAL, ANO_DADO_ANO_2019, ANO_DADO_ANO_2020, ANO_DADO_ANO_2021, ANO_DADO_ANO_2022, Alvenaria_B, Alvenaria_D, Alvenaria_C, Alvenaria_E):
+    df = pd.DataFrame.from_dict({'FONTE': [FONTE],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'RH': [RH],
+                                 'ANO_C': [ANO_C],
+                                 'ATOTAL': np.log([ATOTAL]),
+                                 'ANO_DADO_ANO_2019': ANO_DADO_ANO_2019,
+                                 'ANO_DADO_ANO_2020': ANO_DADO_ANO_2020,
+                                 'ANO_DADO_ANO_2021': ANO_DADO_ANO_2021,
+                                 'ANO_DADO_ANO_2022': ANO_DADO_ANO_2022,
+                                 'Alvenaria_B': Alvenaria_B,
+                                 'Alvenaria_D': Alvenaria_D,
+                                 'Alvenaria_C': Alvenaria_C,
+                                 'Alvenaria_E': Alvenaria_E}
+                                )
+
+
+
+    input_scaler = joblib.load("dados/salas/input_scaler_salas_comerciais_2023_v2.save")
+    df = input_scaler.transform(df)
+    cols = ['FONTE', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 'ANO_DADO_ANO_2019', 'ANO_DADO_ANO_2020', 'ANO_DADO_ANO_2021', 'ANO_DADO_ANO_2022', 'Alvenaria_B', 'Alvenaria_D', 'Alvenaria_C', 'Alvenaria_E']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/salas/SALAS_COMERCIAIS_2020_2021_2022_2023_v2.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/salas/output_scaler_salas_comerciais_2023_v2.save")
+    pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
+    pred = np.exp(pred).tolist()
+    return f"""Valor do imóvel: R${round(pred[0][0], -2) * ATOTAL}"""
+
+
+
+def load_inputs():
+    FONTE = gr.inputs.Number(default = 0, label='Fonte: 0 - Transação | 1 - Oferta')
+    X = gr.inputs.Number(default = 282122.159663, label='Longitude (SIRGAS 2000)')
+    Y = gr.inputs.Number(default = 1.672718e+06, label='Latitude (SIRGAS 2000)')
+    RH = gr.inputs.Number(default = 150, label='Região Homogênea')
+    ANO_C = gr.inputs.Number(default = 2022, label='Ano de Construção')
+    ATOTAL = gr.inputs.Number(default = 80., label='Área Total')
+    ANO_DADO_ANO_2019 = gr.inputs.Number(default = 0, label='Ano 2019')
+    ANO_DADO_ANO_2020 = gr.inputs.Number(default = 0, label='Ano 2020')
+    ANO_DADO_ANO_2021 = gr.inputs.Number(default = 0, label='Ano 2021')
+    ANO_DADO_ANO_2022 = gr.inputs.Number(default = 1, label='Ano 2022')
+    Alvenaria_B = gr.inputs.Number(default = 0, label='Alvenaria (B)')
+    Alvenaria_C = gr.inputs.Number(default = 1, label='Alvenaria (C)')
+    Alvenaria_D = gr.inputs.Number(default = 0, label='Alvenaria (D)')
+    Alvenaria_E = gr.inputs.Number(default = 0, label='Alvenaria (E)')
+    return [FONTE, X, Y, RH, ANO_C, ATOTAL, ANO_DADO_ANO_2019, ANO_DADO_ANO_2020, ANO_DADO_ANO_2021, ANO_DADO_ANO_2022, Alvenaria_B, Alvenaria_D, Alvenaria_C, Alvenaria_E]
+
+output_label = "Valor do imóvel (R$)"
+
+title = 'Venda - Salas Comerciais'
+
+description = '2.887 dados de Janeiro de 2019 a Dezembro de 2022'

salas_2024.py

@@ -0,0 +1,149 @@
+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
+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
+
+
+def get_report(FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, pred):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+    
+    styles = getSampleStyleSheet()
+
+    story = [
+        Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
+        Spacer(1, 36),
+        Paragraph('Modelo para Salas Comerciais - XGBoost Regressor - 2024', 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 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 2019 - Exercício Fiscal 2020: {'Sim' if ANO_2019 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 : {'Sim' if ANO_2024 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']),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024):
+    df = pd.DataFrame.from_dict({'FON': [FON],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'RH': [RH],
+                                 'ANO_C': [ANO_C], 
+                                 'ATOTAL': np.log(ATOTAL),
+                                 'A': 0,
+                                 'B': 0,
+                                 'C': 1 if C else 0,
+                                 'D': 1 if D else 0,
+                                 'E': 1 if E else 0,
+                                 'ANO_2019': 1 if ANO_2019 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,
+                                 })
+
+
+
+    input_scaler = joblib.load("dados/salas/input_scaler_salas_comerciais_2024.save")
+    df = input_scaler.transform(df)
+    cols = ['FON', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 'A', 'B', 'C', 'D', 'E', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/salas/SALAS_COMERCIAIS_2020_2021_2022_2023_2024.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/salas/output_scaler_salas_comerciais_2024.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, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, pred)
+    
+    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.)
+    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)  
+    ANO_2019 = gr.Checkbox(label='Ano 2019 - Carga Geral 2020', value=False)
+    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=True)
+    ANO_2024 = gr.Checkbox(label='Ano 2024', value=False)
+    return [FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024]
+
+title = 'Salas Comerciais - XGBoost Regressor - 2024'
+
+
+description =  f"""
+# <p style="text-align: center;">Modelo para Salas Comerciais - XGBoost Regressor - 2024</p>
+<p style="text-align: center;">19.984 dados efetivamente utilizados, referentes aos anos 2019 a 2024.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+"""

salas_2025.py

@@ -0,0 +1,149 @@
+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
+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
+
+
+def get_report(FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, pred):
+    # Define the page size
+    pagesize = A4  # You can adjust the page size as needed
+
+
+    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)
+
+    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])
+    
+    styles = getSampleStyleSheet()
+
+    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 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 2019 - Exercício Fiscal 2020: {'Sim' if ANO_2019 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']),
+        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']),
+    ]
+    
+    doc.build(story)
+  
+
+
+def execute(FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024):
+    df = pd.DataFrame.from_dict({'FON': [FON],
+                                 'X': [X],
+                                 'Y': [Y],
+                                 'RH': [RH],
+                                 'ANO_C': [ANO_C], 
+                                 'ATOTAL': np.log(ATOTAL),
+                                 'A': 0,
+                                 'B': 0,
+                                 'C': 1 if C else 0,
+                                 'D': 1 if D else 0,
+                                 'E': 1 if E else 0,
+                                 'ANO_2019': 1 if ANO_2019 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,
+                                 })
+
+
+
+    input_scaler = joblib.load("dados/salas/input_scaler_salas_comerciais_2025.save")
+    df = input_scaler.transform(df)
+    cols = ['FON', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 'A', 'B', 'C', 'D', 'E', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'ANO_2024']
+    aval = pd.DataFrame(df, columns = cols)
+    df = xgb.DMatrix(aval)
+    loaded_model = xgb.Booster()
+    loaded_model.load_model("dados/salas/SALAS_COMERCIAIS_2020_a_2025.model")
+    pred = loaded_model.predict(df)
+    output_scaler = joblib.load("dados/salas/output_scaler_salas_comerciais_2025.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, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024, pred)
+    
+    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.)
+    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)  
+    ANO_2019 = gr.Checkbox(label='Ano 2019 - Carga Geral 2020', value=False)
+    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=True)
+    return [FON, X, Y, RH, ANO_C, ATOTAL, C, D, E, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, ANO_2024]
+
+title = 'Salas Comerciais - XGBoost Regressor - 2025'
+
+
+description =  f"""
+# <p style="text-align: center;">Modelo para Salas Comerciais - XGBoost Regressor - 2025</p>
+<p style="text-align: center;">20.545  dados efetivamente utilizados, referentes aos anos 2019 a 2025.</p>
+<hr style="color: #333; background-color: #333; height: 1px; border: none;">
+"""