app.py

import gradio as gr
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
from scipy.stats import kruskal, shapiro
import io
import base64

# Configuracoes
plt.style.use('default')
sns.set_style("whitegrid")

def criar_dashboard():
    with gr.Blocks(theme=gr.themes.Soft()) as dashboard:
        
        # HEADER
        gr.Markdown(
            """
            <div style="text-align: center; background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); padding: 30px; border-radius: 15px; color: white;">
                <h1 style="margin: 0;">🏠 ANALYTICS IMOBILIÁRIO</h1>
                <p style="margin: 0; opacity: 0.9;">Dashboard de Modelagem Estatística - UnB</p>
            </div>
            """
        )
        
        # MENU
        with gr.Row():
            aba = gr.Radio(
                choices=["📊 Análise Exploratória", "📈 ANOVA", "🤖 Regressão Linear"],
                value="📊 Análise Exploratória",
                label="Navegação"
            )
        
        gr.Markdown("---")
        
        # CONTROLES
        with gr.Row():
            with gr.Column(scale=1):
                arquivo = gr.File(
                    label="📁 Upload do Dataset (CSV)",
                    file_types=[".csv"]
                )
                
                gr.Markdown("**⚙️ Configurações de Análise**")
                
                with gr.Row():
                    var_cat1 = gr.Dropdown(
                        label="Variável Categórica 1",
                        choices=[],
                        interactive=True
                    )
                    var_cat2 = gr.Dropdown(
                        label="Variável Categórica 2", 
                        choices=[],
                        interactive=True
                    )
                
                with gr.Row():
                    var_cont1 = gr.Dropdown(
                        label="Variável Contínua 1",
                        choices=[],
                        interactive=True
                    )
                    var_cont2 = gr.Dropdown(
                        label="Variável Contínua 2",
                        choices=[],
                        interactive=True
                    )
                
                btn_analisar = gr.Button(
                    "🚀 Executar Análise",
                    variant="primary",
                    size="lg"
                )
            
            # RESULTADOS
            with gr.Column(scale=2):
                resultados = gr.HTML(
                    value="""
                    <div style="text-align: center; padding: 50px; background: #f8f9fa; border-radius: 10px;">
                        <h3 style="color: #6c757d;">📊 Área de Resultados</h3>
                        <p style="color: #6c757d;">Configure os parâmetros e execute a análise</p>
                    </div>
                    """
                )
        
        # FUNÇÕES
        def atualizar_variaveis(arquivo):
            if arquivo is None:
                vars_padrao = ['OverallQual', 'FullBath', 'Neighborhood', 'GrLivArea', 'GarageCars', 'BedroomAbvGr']
                return [gr.Dropdown(choices=vars_padrao)] * 4
            else:
                try:
                    df = pd.read_csv(arquivo.name)
                    variaveis = df.columns.tolist()
                    return [gr.Dropdown(choices=variaveis)] * 4
                except:
                    return [gr.Dropdown(choices=[])] * 4
        
        def executar_analise(arquivo, var_cat1, var_cat2, var_cont1, var_cont2, aba):
            try:
                if arquivo is None:
                    df = gerar_dados_exemplo()
                else:
                    df = pd.read_csv(arquivo.name)
                
                if aba == "📊 Análise Exploratória":
                    return analise_exploratoria(df)
                elif aba == "📈 ANOVA":
                    return analise_anova(df, var_cat1, var_cat2)
                else:
                    return analise_regressao(df, var_cont1, var_cont2, var_cat1)
                    
            except Exception as e:
                return f"""
                <div style="background: #f8d7da; color: #721c24; padding: 20px; border-radius: 10px;">
                    <h3>❌ Erro</h3>
                    <p>{str(e)}</p>
                </div>
                """
        
        # CONEXÕES
        arquivo.change(atualizar_variaveis, [arquivo], [var_cat1, var_cat2, var_cont1, var_cont2])
        btn_analisar.click(executar_analise, [arquivo, var_cat1, var_cat2, var_cont1, var_cont2, aba], [resultados])
        
        # FOOTER
        gr.Markdown("---")
        gr.Markdown(
            """
            <div style="text-align: center; color: #6c757d;">
                <p><strong>Desenvolvido por:</strong> Emily Valkiria | <strong>Disciplina:</strong> SIEP - UnB</p>
            </div>
            """
        )
    
    return dashboard

def gerar_dados_exemplo():
    np.random.seed(42)
    n_imoveis = 500
    
    dados = pd.DataFrame({
        'SalePrice': np.random.normal(300000, 80000, n_imoveis),
        'GrLivArea': np.random.normal(1500, 400, n_imoveis),
        'OverallQual': np.random.randint(1, 11, n_imoveis),
        'Neighborhood': np.random.choice(['Centro', 'Norte', 'Sul', 'Leste'], n_imoveis),
        'FullBath': np.random.randint(1, 4, n_imoveis),
        'GarageCars': np.random.randint(0, 4, n_imoveis),
        'BedroomAbvGr': np.random.randint(1, 6, n_imoveis)
    })
    
    dados['SalePrice'] = (dados['SalePrice'] + 
                         dados['GrLivArea'] * 100 + 
                         dados['OverallQual'] * 15000)
    dados['SalePrice'] = dados['SalePrice'].astype(int)
    
    return dados

def analise_exploratoria(df):
    # Criar gráficos com matplotlib
    fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(15, 12))
    
    # Gráfico 1: Distribuição de preços
    ax1.hist(df['SalePrice'], bins=20, color='skyblue', edgecolor='black', alpha=0.7)
    ax1.set_title('Distribuição de Preços', fontsize=14, fontweight='bold')
    ax1.set_xlabel('Preço (R$)')
    ax1.set_ylabel('Frequência')
    ax1.grid(True, alpha=0.3)
    
    # Gráfico 2: Área vs Preço
    ax2.scatter(df['GrLivArea'], df['SalePrice'], alpha=0.6, color='coral')
    ax2.set_title('Relação: Área vs Preço', fontsize=14, fontweight='bold')
    ax2.set_xlabel('Área (m²)')
    ax2.set_ylabel('Preço (R$)')
    ax2.grid(True, alpha=0.3)
    
    # Gráfico 3: Qualidade vs Preço
    qualidade_preco = df.groupby('OverallQual')['SalePrice'].mean()
    ax3.bar(qualidade_preco.index, qualidade_preco.values, color='lightgreen', alpha=0.7)
    ax3.set_title('Preço Médio por Qualidade', fontsize=14, fontweight='bold')
    ax3.set_xlabel('Qualidade')
    ax3.set_ylabel('Preço Médio (R$)')
    ax3.grid(True, alpha=0.3)
    
    # Gráfico 4: Boxplot por bairro
    if 'Neighborhood' in df.columns:
        df.boxplot(column='SalePrice', by='Neighborhood', ax=ax4)
        ax4.set_title('Variação de Preços por Bairro', fontsize=14, fontweight='bold')
        ax4.tick_params(axis='x', rotation=45)
    
    plt.tight_layout()
    
    # Converter para base64
    buf = io.BytesIO()
    plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
    buf.seek(0)
    img_str = base64.b64encode(buf.read()).decode()
    plt.close()
    
    # Estatísticas
    stats = df['SalePrice'].describe()
    
    return f"""
    <div style="font-family: Arial, sans-serif;">
        <h2 style="color: #2E86AB;">📊 ANÁLISE EXPLORATÓRIA</h2>
        
        <div style="background: #e7f3ff; padding: 20px; border-radius: 10px; margin-bottom: 20px;">
            <h3>📈 Estatísticas Descritivas</h3>
            <div style="display: grid; grid-template-columns: repeat(4, 1fr); gap: 10px;">
                <div style="background: white; padding: 10px; border-radius: 5px; text-align: center;">
                    <strong>Média</strong><br>R$ {stats['mean']:,.0f}
                </div>
                <div style="background: white; padding: 10px; border-radius: 5px; text-align: center;">
                    <strong>Mediana</strong><br>R$ {stats['50%']:,.0f}
                </div>
                <div style="background: white; padding: 10px; border-radius: 5px; text-align: center;">
                    <strong>Desvio Padrão</strong><br>R$ {stats['std']:,.0f}
                </div>
                <div style="background: white; padding: 10px; border-radius: 5px; text-align: center;">
                    <strong>Total</strong><br>{len(df)} imóveis
                </div>
            </div>
        </div>
        
        <div style="text-align: center;">
            <img src="data:image/png;base64,{img_str}" style="max-width: 100%; border-radius: 10px; box-shadow: 0 4px 8px rgba(0,0,0,0.1);">
        </div>
    </div>
    """

def analise_anova(df, var_cat1, var_cat2):
    resultados = []
    
    for var in [var_cat1, var_cat2]:
        if var and var in df.columns:
            grupos = [grupo['SalePrice'].values for nome, grupo in df.groupby(var)]
            stat, p_valor = kruskal(*grupos)
            
            significativo = p_valor < 0.05
            cor_fundo = '#d4edda' if significativo else '#f8d7da'
            cor_borda = '#28a745' if significativo else '#dc3545'
            icone = '✅' if significativo else '❌'
            
            resultados.append(f"""
            <div style="background: {cor_fundo}; padding: 15px; border-radius: 10px; margin-bottom: 15px; border-left: 5px solid {cor_borda};">
                <h4 style="margin: 0;">{icone} {var}</h4>
                <p><strong>Estatística Kruskal-Wallis:</strong> {stat:.4f}</p>
                <p><strong>Valor-p:</strong> {p_valor:.6f}</p>
                <p><strong>Conclusão:</strong> {'IMPACTA SIGNIFICATIVAMENTE' if significativo else 'NÃO IMPACTA SIGNIFICATIVAMENTE'} o preço</p>
            </div>
            """)
    
    if resultados:
        resultados_html = "\n".join(resultados)
    else:
        resultados_html = "<p>Selecione variáveis categóricas para análise</p>"
    
    return f"""
    <div style="font-family: Arial, sans-serif;">
        <h2 style="color: #A23B72;">📈 ANÁLISE ANOVA</h2>
        <div style="background: #f8f9fa; padding: 20px; border-radius: 10px;">
            <h3>Teste Kruskal-Wallis</h3>
            {resultados_html}
        </div>
    </div>
    """

def analise_regressao(df, var_cont1, var_cont2, var_cat):
    return """
    <div style="font-family: Arial, sans-serif;">
        <h2 style="color: #18A558;">🤖 REGRESSÃO LINEAR</h2>
        <div style="background: #d1ecf1; padding: 20px; border-radius: 10px;">
            <h3>Modelo de Regressão Linear Múltipla</h3>
            <p>Selecione variáveis contínuas e categóricas para construir o modelo preditivo.</p>
            <p><strong>Funcionalidades:</strong></p>
            <ul>
                <li>📊 Métricas de desempenho (R², RMSE, MAE)</li>
                <li>🔍 Diagnóstico de pressupostos</li>
                <li>📈 Interpretação dos coeficientes</li>
                <li>🎯 Recomendações práticas</li>
            </ul>
        </div>
    </div>
    """

# INICIAR
if __name__ == "__main__":
    dashboard = criar_dashboard()
    dashboard.launch()