Initial clean deploy (no binary files)

.gitattributes

@@ -0,0 +1,35 @@
+*.7z filter=lfs diff=lfs merge=lfs -text
+*.arrow filter=lfs diff=lfs merge=lfs -text
+*.bin filter=lfs diff=lfs merge=lfs -text
+*.bz2 filter=lfs diff=lfs merge=lfs -text
+*.ckpt filter=lfs diff=lfs merge=lfs -text
+*.ftz filter=lfs diff=lfs merge=lfs -text
+*.gz filter=lfs diff=lfs merge=lfs -text
+*.h5 filter=lfs diff=lfs merge=lfs -text
+*.joblib filter=lfs diff=lfs merge=lfs -text
+*.lfs.* filter=lfs diff=lfs merge=lfs -text
+*.mlmodel filter=lfs diff=lfs merge=lfs -text
+*.model filter=lfs diff=lfs merge=lfs -text
+*.msgpack filter=lfs diff=lfs merge=lfs -text
+*.npy filter=lfs diff=lfs merge=lfs -text
+*.npz filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.ot filter=lfs diff=lfs merge=lfs -text
+*.parquet filter=lfs diff=lfs merge=lfs -text
+*.pb filter=lfs diff=lfs merge=lfs -text
+*.pickle filter=lfs diff=lfs merge=lfs -text
+*.pkl filter=lfs diff=lfs merge=lfs -text
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text
+*.rar filter=lfs diff=lfs merge=lfs -text
+*.safetensors filter=lfs diff=lfs merge=lfs -text
+saved_model/**/* filter=lfs diff=lfs merge=lfs -text
+*.tar.* filter=lfs diff=lfs merge=lfs -text
+*.tar filter=lfs diff=lfs merge=lfs -text
+*.tflite filter=lfs diff=lfs merge=lfs -text
+*.tgz filter=lfs diff=lfs merge=lfs -text
+*.wasm filter=lfs diff=lfs merge=lfs -text
+*.xz filter=lfs diff=lfs merge=lfs -text
+*.zip filter=lfs diff=lfs merge=lfs -text
+*.zst filter=lfs diff=lfs merge=lfs -text
+*tfevents* filter=lfs diff=lfs merge=lfs -text

.gitignore

@@ -0,0 +1,10 @@
+# Dados grandes / binários
+*.gpkg
+*.shp
+*.dbf
+*.shx
+*.geojson
+data/process/*.gpkg
+*.gpkg
+data/
+maps/

Dockerfile

@@ -0,0 +1,30 @@
+FROM python:3.10-slim
+
+# Evita prompts
+ENV DEBIAN_FRONTEND=noninteractive
+
+# Dependências do sistema (GEOPANDAS + FOLIUM)
+RUN apt-get update && apt-get install -y \
+    gdal-bin \
+    libgdal-dev \
+    libproj-dev \
+    proj-data \
+    proj-bin \
+    build-essential \
+    && rm -rf /var/lib/apt/lists/*
+
+# Diretório de trabalho
+WORKDIR /app
+
+# Copiar arquivos
+COPY . /app
+
+# Instalar dependências Python
+RUN pip install --upgrade pip
+RUN pip install -r requirements.txt
+
+# Porta padrão do Spaces
+EXPOSE 7860
+
+# Comando de inicialização
+CMD ["gunicorn", "app_04:server", "--bind", "0.0.0.0:7860", "--workers", "1"]

README.md

@@ -0,0 +1,10 @@
+---
+title: Dash Apps Docker Vs
+emoji: 👁
+colorFrom: pink
+colorTo: blue
+sdk: docker
+pinned: false
+---
+
+Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app_04.py

@@ -0,0 +1,46 @@
+
+# app_04.py
+import os
+import dash
+from load_process import load_files
+from layout_01 import criar_layout
+from callbacks import registrar_callbacks
+from flask_caching import Cache
+
+
+
+# Leitura dos dados
+#gdf_m,df_plot,list_feature,feat_options=load_files() #original
+gdf_m,df_plot,list_feature,feat_options,gdf_p =load_files(ponto_descarte=True)
+
+descriptions_map = {
+    opt['value']: opt['description']
+    for opt in feat_options
+    if opt.get('description') is not None
+}
+
+# APP
+app = dash.Dash(__name__)
+server = app.server  #to render deploy
+
+# Inicialização do CACHE
+cache = Cache(server, config={
+    'CACHE_TYPE': 'SimpleCache',
+    'CACHE_DEFAULT_TIMEOUT': 300  # segundos
+})
+
+# Configurar layout
+app.layout = criar_layout(feat_options)
+
+# Registrar callbacks
+registrar_callbacks(app, df_plot, gdf_m,descriptions_map,gdf_p,cache)
+
+# if __name__ == '__main__':
+#     app.run(debug=True, host='0.0.0.0', port=8050)
+
+
+
+# Execução local (ignorado por Gunicorn)
+if __name__ == '__main__':
+    port = int(os.environ.get("PORT", 8050))
+    app.run(debug=False, host='0.0.0.0', port=port)

assets/style.css

@@ -0,0 +1,38 @@
+/* style.css */
+.dropdown-alto .Select-control {
+    height: 52px;
+    display: flex;
+    align-items: center;
+    font-size: 24px;
+}
+
+.dropdown-alto .Select-value {
+    position: absolute;
+    left: 0;
+    right: 0;
+    top: 50%;
+    transform: translateY(+20%);
+    text-align: center;
+    pointer-events: none;
+}
+
+.dropdown-alto .Select-value-label {
+    width: 100%;
+    text-align: center;
+}
+
+.dropdown-alto .Select-placeholder {
+    position: absolute;
+    left: 0;
+    right: 0;
+    top: 50%;
+    transform: translateY(+20%);
+    text-align: center;
+}
+
+.dropdown-alto .Select-arrow-zone {
+    margin-left: auto;
+    padding-right: 10px;
+    display: flex;
+    align-items: center;
+}

callbacks.py

@@ -0,0 +1,74 @@
+
+# callbacks.py
+from dash import  Input, Output
+from fig_plots import *
+
+def registrar_callbacks(app, df_plot, gdf_m,descriptions_map,gdf_p=None,cache=None ):
+    """
+        df_plot : DataFrame analítico sem geometria
+                  Usado para gráficos estatísticos
+        gdf_m   : GeoDataFrame com geometria
+                  Usado exclusivamente para mapas
+        gdp_p   : GeoDataFrama com pontos de descartes(opcional)
+        cache   : Flask-Caching (opcional)
+        """
+
+
+    if cache is not None:
+        decorator = cache.memoize()
+        #print("Cache ATIVADO nos callbacks")
+    else:
+        decorator = lambda f: f
+        #print("Cache DESATIVADO nos callbacks")
+
+    if gdf_p is not None:
+        pass
+
+    @app.callback(
+        [Output('kpis', 'children'),
+         Output('descricao-variavel', 'children'),  # <<< 2º OUTPUT ADICIONADO
+         Output('mapa', 'srcDoc'),
+         Output('fig_rank', 'figure'),
+         Output('fig_hist', 'figure'),
+         Output('fig_box', 'figure'),
+         Output('fig_scatter', 'figure')],
+        Input('variavel', 'value')
+    )
+    @decorator
+    def atualizar(var):
+
+        # métrica KPIS
+        kpis =kpis_out(df=df_plot,x=var)
+
+        # Descrição da variavel Dropdown
+        description_text = descriptions_map.get(var,"Descrição não disponível para a variável: " + str(var))
+        descricao_componente = html.P([description_text], style={'margin': '0'})
+
+        # Mapa
+        #mapa=mapa_folium(gdf=gdf_m, x=var)
+        mapa=mapa_folium(gdf=gdf_m, x=var,gdf_d=gdf_p)
+
+
+        #Rank
+        fig_rank=toptop_bairro(df=df_plot,x=var)
+
+        #Histograma
+        fig_hist=histplot_bairro_px(df=df_plot,x=var)
+
+        #Boxplot
+        fig_box=boxplot_bairro_px(df=df_plot,x=var)
+
+        #dispersão
+        fig_scatter = scatterplot_bairro_px(df=df_plot, x=var,hue_var='Risco')
+
+        # FUNDO TRANSPARENTE PARA TODOS
+        for fig in [fig_hist, fig_box, fig_rank, fig_scatter]:
+            fig.update_layout(
+                paper_bgcolor='rgba(0.0,0,0,0)',
+                plot_bgcolor='rgba(0.0,0,0,0)',
+                font=dict(size=12)
+            )
+
+        return kpis,descricao_componente,mapa._repr_html_(), fig_rank,fig_hist, fig_box, fig_scatter
+
+    return atualizar

download_data.py

@@ -0,0 +1,25 @@
+import os
+from huggingface_hub import hf_hub_download
+
+REPO_ID = "albertoakel/dados_belem"
+SUBDIR = "data/process"
+
+FILES = [
+    "shape_bairros.gpkg",
+    "shape_coleta.gpkg",
+    "Pontos_descartes_ML.gpkg",
+    "tabela_total_com_DIEs.csv",
+    "Bairros_Ncoleta.csv",
+]
+
+def ensure_data():
+    paths = {}
+    for f in FILES:
+        path = hf_hub_download(
+            repo_id=REPO_ID,
+            filename=f"{SUBDIR}/{f}",
+            repo_type="dataset"
+        )
+        paths[f] = path
+    return paths
+

fig_plots.py

@@ -0,0 +1,485 @@
+
+# fig_plots
+import folium
+import numpy as np
+import pandas as pd
+import plotly.colors
+import plotly.graph_objects as go
+from dash import html
+from scipy.stats import pearsonr
+from scipy.stats import t
+
+
+def get_paleta(x,cor_unica=None):
+    paletas = {
+        'area_km2': 'Blues',
+        'Hab': 'YlOrRd',
+        'Mor': 'YlOrRd',
+        'Mor/Hab': 'YlOrRd',
+        'N_ren': 'Reds',
+        'NS': 'Reds',
+        'ren_avg': 'RdYlGn',
+        'ren_mdn': 'RdYlGn',
+        'T.A.': 'RdBu',
+        'IDH-R': 'RdBu',
+        'IDH-L': 'RdBu',
+        'IDH-E': 'RdBu',
+        'IDH': 'RdBu',
+        'QTI': 'RdYlGn',
+        'CRA': 'Blues',
+        'PPR': 'Reds',
+        'nd_med': 'RdYlGn',
+        'DIEs': 'RdYlGn_r',
+        'N_setores': 'Blues'}
+
+    # Obtém a paleta ou usa padrão
+    paleta_name = paletas.get(x, 'Greys')
+    if cor_unica is not None:
+        scale_cor={'area_km2':0.50,
+                   'Hab':0.4,
+                   'ren_avg':0.2,
+                   'ren_mdn':0.15,
+                   'Mor/Hab':0.75,
+                   'T.A.':0.80,
+                    'IDH-R': 0.75,
+                    'IDH-L':0.75,
+                    'IDH':0.75,
+                    'CRA': 0.50,
+                    'IDH-E':0.75,
+                    'nd_med':0.80,
+                    'N_setores':0.5}
+        idx=scale_cor.get(x,0.25)
+        paleta_name = plotly.colors.sample_colorscale(paleta_name, [idx])[0]
+    return paleta_name
+
+def kpis_out(df,x):
+    serie = df[x].dropna()
+
+    # Estilo compacto
+    card_style = {
+        'background': 'white',
+        'padding': '8px 5px',  # Menor padding
+        'borderRadius': '6px',
+        'textAlign': 'center',
+        'minHeight': '80px',  # Altura controlada
+    }
+
+    kpis = [
+        html.Div([
+            html.H4(f'{serie.mean():.2f}', style={'margin': '5px 0', 'fontSize': '26px'}),
+            html.P('Média', style={'margin': '0', 'fontSize': '18px'})
+        ], style=card_style),
+
+        html.Div([
+            html.H4(f'{serie.median():.2f}', style={'margin': '5px 0', 'fontSize': '26px'}),
+            html.P('Mediana', style={'margin': '0', 'fontSize': '18px'})
+        ], style=card_style),
+
+        html.Div([
+            html.H4(f'{serie.max():.2f}', style={'margin': '5px 0', 'fontSize': '26px'}),
+            html.P('Máximo', style={'margin': '0', 'fontSize': '18px'})
+        ], style=card_style),
+
+        html.Div([
+            html.H4(f'{serie.min():.2f}', style={'margin': '5px 0', 'fontSize': '26px'}),
+            html.P('Mínimo', style={'margin': '0', 'fontSize': '18px'})
+        ], style=card_style)
+    ]
+    return kpis
+
+def add_pontos_descartes(map,gdf_d):
+
+    ponto_colors = {
+        "Estimados": "gray",
+        "Dados": "back"}
+
+    layer_pontos = folium.FeatureGroup(name="Pontos (⚪Estimados/⚫ coletados)", show=False)
+
+    if gdf_d is not None and gdf_d.empty:
+        print("AVISO: GeoDataFrame de pontos está vazio!")
+
+    for _, row in gdf_d.iterrows():
+        try:
+            bairro = row["Bairro"]
+            lat = row["lat"]
+            lon = row["lon"]
+            cor = row["Cor"]
+
+            # Verificar coordenadas válidas
+            if pd.isna(lat) or pd.isna(lon):
+                print(f"AVISO: Coordenadas inválidas para bairro {bairro}")
+                continue
+
+            marker_color = ponto_colors.get(cor, "black")
+            popup_html = f"""
+            <b>Bairro:</b> {bairro}<br>
+            <b>Tipo:</b> {cor}<br>
+            <b>Lat:</b> {lat:.5f}<br>
+            <b>Lon:</b> {lon:.5f}
+            """
+
+            # Adicionar ao layer_pontos
+            folium.CircleMarker(
+                location=[lat, lon],
+                radius=3,
+                color=marker_color,
+                fill=True,
+                fill_color=marker_color,
+                fill_opacity=1,
+                popup=popup_html,
+                tooltip=f"{bairro} — {cor}"
+            ).add_to(layer_pontos)
+
+        except Exception as e:
+            print(f"Erro ao processar ponto: {e}")
+            continue
+
+    layer_pontos.add_to(map)              # Adicionar layer_pontos ao mapa
+    folium.LayerControl().add_to(map)     # Adicionar controle de camadas
+
+    return map
+
+MAP_CACHE = {}  # cache LOCAL do módulo
+def mapa_folium(gdf, x,gdf_d=None):
+    if x in MAP_CACHE:
+
+        return MAP_CACHE[x]
+
+    paleta_name = get_paleta(x)
+
+    # Criar mapa
+    map = folium.Map(location=[-1.43, -48.42], zoom_start=12, tiles='CartoDB Positron')
+
+    # Choropleth
+    choropleth = folium.Choropleth(
+        geo_data=gdf,
+        data=gdf,
+        columns=['Bairro', x],
+        key_on='feature.properties.Bairro',
+        fill_color=paleta_name,
+        fill_opacity=0.7,
+        line_opacity=0.2,
+        legend_name=x
+    ).add_to(map)
+
+    # Tooltip
+    tooltip = folium.features.GeoJsonTooltip(
+        fields=['Bairro', x],
+        aliases=['Bairro', x],
+        style="font-size: 12px;"
+    )
+    choropleth.geojson.add_child(tooltip)
+
+    if gdf_d is not None:
+        map=add_pontos_descartes(map,gdf_d)
+        MAP_CACHE[x] = map
+
+        return map
+    else:
+        MAP_CACHE[x] = map
+
+        return map
+
+def toptop_bairro(df,x):
+    paleta_name=get_paleta(x)
+
+    rank=15
+    top = df.nlargest(rank, x).sort_values(x, ascending=True)
+
+    # Define limites da escala de cores
+    cmin_val = df[x].min()  # ou df[x].min() para escala global
+    cmax_val = df[x].max()  # ou df[x].max() para escala global
+
+    fig = go.Figure()
+    fig.add_trace(
+        go.Bar(
+            y=top['Bairro'],
+            x=top[x],
+            orientation='h',
+            texttemplate='%{x:.2f}',
+            marker=dict(
+                color=top[x],  # Valores para o gradiente
+                colorscale=paleta_name,
+                cmin=cmin_val,
+                cmax=cmax_val,
+                opacity=0.7,
+                line=dict(width=1, color='white')),
+            hovertemplate=f'<b>%{{y}}</b><br>{x}: %{{x}}<extra></extra>',
+            name=x
+        )
+    )
+    fig.update_layout(title='Bairros com maiores valores')
+    return fig
+
+
+def histplot_bairro_px(df,x):
+
+    cor_hist=get_paleta(x,cor_unica=1)
+
+    nb=10
+    fig = go.Figure()
+    fig.add_trace(
+        go.Histogram(
+            x=df[x],
+            nbinsx=nb,
+            histnorm='percent',
+            texttemplate='%{y:.1f}%',
+            textposition='inside',
+            marker=dict(color=cor_hist,
+                        line=dict(width=1, color='white')) ),
+    )
+    fig.update_layout(xaxis_title=x,yaxis_title='percentual(%)')
+
+    return fig
+
+def boxplot_bairro_px(df,x):
+    cor_box=get_paleta(x,cor_unica=1)
+
+    fig = go.Figure()
+
+    fig.add_trace(
+        go.Box(
+            y=df[x],
+            boxpoints='all',
+            name=x,
+            opacity=1,
+            marker=dict(color=cor_box,
+                        line=dict(width=1, color='white'),
+                        opacity=0.99)) )
+
+    return fig
+
+
+def scatterplot_bairro_px(df, x, hue_var=None, teste=None):
+    palette = {
+        "Ideal": "#02a84f",
+        "Baixo": "#f7e305",
+        "Alto": "#f7870f",
+        "Critico": "#f01707"}
+    cor_fill = get_paleta(x, cor_unica=1)
+
+    # =========================
+    # Colunas necessárias
+    # =========================
+    y = 'QTI'
+    cols = [x, y]
+
+    if hue_var:
+        cols.append(hue_var)
+
+    if "Bairro" in df.columns:
+        cols.append("Bairro")
+
+    dados = df[cols].dropna()
+
+    if x == hue_var:
+        dados.columns.values[0] = 'Risco'
+        x = 'Risco'
+    dados = dados.loc[:, ~dados.columns.duplicated()]  # remover colunas duplicadas
+
+    if 'Risco' in dados.columns:
+        mapeamento = {
+            1: 'Ideal',
+            2: 'Baixo',
+            3: 'Alto',
+            4: 'Critico'}
+        dados['Risco'] = dados['Risco'].map(mapeamento)
+
+    if len(dados) < 2:
+        print('dados insuficientes')
+        return None
+    else:
+        x_vals = dados[x].values
+        y_vals = dados[y].values
+        correlacao, p_valor = pearsonr(x_vals, y_vals)
+
+        coef_angular, intercepto = np.polyfit(x_vals, y_vals, 1)
+
+        stats = {
+            "variavel_x": x,
+            "variavel_y": y,
+            "correlacao": correlacao,
+            "p_valor": p_valor,
+            "r_quadrado": correlacao ** 2,
+            "coef_angular": coef_angular,
+            "intercepto": intercepto,
+            "equacao": f"y = {coef_angular:.4f}x + {intercepto:.4f}",
+            "n": len(dados)}
+
+        # 1. Primeiro: CRIAR FIGURA VAZIA
+        fig = go.Figure()
+
+        # 2. SEGUNDO: Banda de confiança (camada mais baixa)
+        # Preparar dados da banda
+        x_range = np.linspace(x_vals.min(), x_vals.max(), 100)
+        y_pred = coef_angular * x_range + intercepto
+
+        n = len(x_vals)
+        x_mean = np.mean(x_vals)
+
+        # Resíduos e erro padrão
+        y_hat = coef_angular * x_vals + intercepto
+        residuos = y_vals - y_hat
+        s_err = np.sqrt(np.sum(residuos ** 2) / (n - 2))
+
+        # Inicializar variáveis
+        y_upper = None
+        y_lower = None
+        p_perm = None
+
+        if teste is None:
+            # Intervalo de confiança clássico
+            t_val = t.ppf(0.975, df=n - 2)
+            Sxx = np.sum((x_vals - x_mean) ** 2)
+            conf = t_val * s_err * np.sqrt(1 / n + (x_range - x_mean) ** 2 / Sxx)
+            y_upper = y_pred + conf
+            y_lower = y_pred - conf
+
+        elif teste == "bootstrap":
+            # Intervalo de confiança via bootstrap
+            B = 5000
+            y_boot = np.zeros((B, len(x_range)))
+            r_perm = np.zeros(B)
+
+            r_obs, _ = pearsonr(x_vals, y_vals)
+
+            for b in range(B):
+                idx = np.random.randint(0, n, n)
+                xb = x_vals[idx]
+                yb = y_vals[idx]
+                m_b, c_b = np.polyfit(xb, yb, 1)
+                y_boot[b, :] = m_b * x_range + c_b
+
+                y_perm = np.random.permutation(y_vals)
+                r_perm[b], _ = pearsonr(x_vals, y_perm)
+
+            p_perm = np.mean(np.abs(r_perm) >= abs(r_obs))
+            y_lower = np.percentile(y_boot, 2.5, axis=0)
+            y_upper = np.percentile(y_boot, 97.5, axis=0)
+
+        # Adicionar banda de confiança (PRIMEIRA camada)
+        if y_upper is not None and y_lower is not None:
+            fig.add_trace(
+                go.Scatter(
+                    x=np.concatenate([x_range, x_range[::-1]]),
+                    y=np.concatenate([y_upper, y_lower[::-1]]),
+                    fill='toself',
+                    fillcolor=cor_fill,
+                    opacity=0.5,
+                    line=dict(color='rgba(255,255,255,0)'),
+                    hoverinfo="skip",
+                    showlegend=False,
+                    name='IC 95%'))
+
+        # 3. TERCEIRO: Linha de regressão (camada intermediária)
+        fig.add_trace(
+            go.Scatter(
+                x=x_range,
+                y=y_pred,
+                mode='lines',
+                line=dict(color='black', width=2, dash='solid'),
+                name='Linha de regressão',
+                showlegend=True,
+                legendgroup="regressao"
+            )
+        )
+
+        # 4. QUARTA: Pontos do scatterplot (camada mais ALTA/sobreposta)
+        if hue_var and hue_var in dados.columns:
+            categorias = dados[hue_var].unique()
+            for categoria in categorias:
+                dados_cat = dados[dados[hue_var] == categoria]
+
+                fig.add_trace(
+                    go.Scatter(
+                        x=dados_cat[x],
+                        y=dados_cat[y],
+                        mode='markers',
+                        marker=dict(
+                            size=12,
+                            color=palette.get(categoria, '#888888'),
+                            opacity=1
+                        ),
+                        name=str(categoria),
+                        text=dados_cat['Bairro'] if 'Bairro' in dados_cat.columns else None,
+                        hoverinfo='text+x+y',
+                        showlegend=True
+                    )
+                )
+        else:
+            # Sem categoria
+            fig.add_trace(
+                go.Scatter(
+                    x=dados[x],
+                    y=dados[y],
+                    mode='markers',
+                    marker=dict(
+                        size=12,
+                        color='blue',
+                        opacity=0.9,
+                        line=dict(width=1, color='black')
+                    ),
+                    name='Dados',
+                    text=dados['Bairro'] if 'Bairro' in dados.columns else None,
+                    hoverinfo='text+x+y',
+                    showlegend=True
+                )
+            )
+
+    # =========================
+    # Layout e formatação
+    # =========================
+    texto_stats = (
+        f"<b>Estatísticas</b><br>"
+        f"r = {stats['correlacao']:.4f}<br>"
+        f"r² = {stats['r_quadrado']:.4f}<br>"
+        f"n = {stats['n']}<br>"
+        f"{stats['equacao']}")
+
+    if p_perm is not None:
+        texto_stats += f"<br>p-perm = {p_perm:.4f}"
+
+    fig.add_annotation(
+        x=0.01,
+        y=0.99,
+        xref="paper",
+        yref="paper",
+        showarrow=False,
+        align="left",
+        text=texto_stats,
+        bgcolor="#eef2f7",
+        opacity=0.85
+    )
+
+    fig.update_layout(
+        title_x=0.5,
+        xaxis_title=x,
+        yaxis_title=y,
+        legend_title=hue_var)
+
+    fig.update_traces(marker_size=12, marker_opacity=0.8)
+
+    # Interpretação da correlação
+    r_abs = abs(correlacao)
+    if r_abs >= 0.8:
+        força = "MUITO FORTE"
+    elif r_abs >= 0.6:
+        força = "FORTE"
+    elif r_abs >= 0.4:
+        força = "MODERADA"
+    elif r_abs >= 0.2:
+        força = "FRACA"
+    else:
+        força = "MUITO FRACA"
+
+    direcao = "POSITIVA" if correlacao > 0 else "NEGATIVA"
+    alpha = 0.05
+
+    if p_perm is not None:
+        significancia = f"ESTATISTICAMENTE SIGNIFICATIVA Valor-perm: {p_perm:.4f}" if p_perm < alpha else f"NÃO SIGNIFICATIVA Valor-perm: {p_perm:.4f}"
+    else:
+        significancia = f"ESTATISTICAMENTE SIGNIFICATIVA Valor-p: {p_valor:.4f}" if (isinstance(p_valor, (int,
+                                                                                                          float)) and p_valor < 0.05) else f"NÃO SIGNIFICATIVA Valor-p: {p_valor:.4f}"
+    #print(f"Interpretação: {força} correlação {direcao} ({significancia})")
+
+    return fig

layout_01.py

@@ -0,0 +1,183 @@
+
+# layout_01.py
+from dash import dcc, html
+def criar_layout(feat_options):
+    """
+    Cria o layout do aplicativo Dash
+    """
+    return  html.Div(
+
+    # ===== CONTAINER GERAL =====
+    style={
+        'background': '#eef2f7',
+        'padding': '20px 30px',
+        'fontFamily': 'Roboto'
+    },
+
+    children=[
+
+        # ======================================================
+        # HEADER (TÍTULO + DROPDOWN)
+        # ======================================================
+        html.Div(
+            style={
+                'display': 'grid',
+                'gridTemplateColumns': '1fr 300px',
+                'alignItems': 'center',
+                'marginBottom': '20px'            },
+            children=[
+
+                # TÍTULO
+                html.Div(
+                    style={
+                        'background': '#1f2933',
+                        'padding': '25px 20px',
+                        'borderRadius': '6px'
+                    },
+                    children=[
+                        html.H2(
+                            'Painel de Diagnóstico Ambiental Urbano',
+                            style={'margin': '0', 'color': 'white'}
+                        ),
+                        html.P(
+                            'Distribuição, ranking, dispersão e análise espacial por bairro',
+                            style={'margin': '0', 'color': '#9ca3af', 'fontSize': '13px'}
+                        )
+                    ]
+                ),
+                html.Div(
+                    style={
+                        'justifySelf': 'end',
+                        'paddingRight': '20px',
+                        'width': '260px',                    },
+                    children=[
+                        dcc.Dropdown(
+                            id='variavel',
+                            options=[{'label': opt['label'], 'value': opt['value']} for opt in feat_options],
+                            value=feat_options[0]['value'],
+                            clearable=False,
+                            className='dropdown-alto'
+                        ),
+                        html.Div(
+                            id='descricao-variavel',
+                            style={
+                                'marginTop': '10px',
+                                'padding': '10px',
+                                'borderLeft': '3px solid #007bff',
+                                'backgroundColor': '#f8f9fa',
+                                'fontSize': '10px'  # Opcional: ajustar tamanho da fonte
+                            }
+                        )
+                    ]
+                )
+
+            ]
+        ),
+
+        html.Div(
+            id='kpis',
+            style={
+                'display': 'grid',
+                'gridTemplateColumns': 'repeat(4, 1fr)',
+                'gap': '15px',  # Mínimo
+                'marginBottom': '10px',
+                'padding': '0px',  # Remove padding interno
+            }
+        ),
+
+        # ======================================================
+        # MAPA + RANKING
+        # ======================================================
+        html.Div(
+            style={
+                'display': 'grid',
+                'gridTemplateColumns': '3fr 1.2fr',
+                'gap': '20px',
+                'marginBottom': '25px'
+            },
+            children=[
+
+                # MAPA
+                html.Div(
+                    style={
+                        'background': 'white',
+                        'padding': '10px',
+                        'borderRadius': '8px'
+                    },
+                    children=[
+                        html.Iframe(
+                            id='mapa',
+                            style={
+                                'width': '100%',
+                                'height': '520px',
+                                'border': 'none'
+                            }
+                        )
+                    ]
+                ),
+
+                # RANKING TOP 10
+                html.Div(
+                    style={
+                        'background': 'None',
+                        'padding': '10px',
+                        'borderRadius': '8px'
+                    },
+                    children=[
+                        dcc.Graph(
+                            id='fig_rank',
+                            style={'height': '520px'}
+                        )
+                    ]
+                )
+            ]
+        ),
+
+        # ======================================================
+        # GRÁFICOS ANALÍTICOS (3 COLUNAS)
+        # ======================================================
+        html.Div(
+            style={
+                'display': 'grid',
+                'gridTemplateColumns': 'repeat(3, 1fr)',
+                'gap': '20px',
+                'marginBottom': '25px'
+            },
+            children=[
+
+                html.Div(
+                    style={'background': 'None', 'padding': '10px', 'borderRadius': '8px'},
+                    children=[dcc.Graph(id='fig_hist')]
+                ),
+
+                html.Div(
+                    style={'background': 'None', 'padding': '10px', 'borderRadius': '8px'},
+                    children=[dcc.Graph(id='fig_box')]
+                ),
+
+                html.Div(
+                    style={'background': 'None', 'padding': '10px', 'borderRadius': '8px'},
+                    children=[dcc.Graph(id='fig_scatter')]
+                )
+            ]
+        ),
+
+        # ======================================================
+        # RODAPÉ ANALÍTICO
+        # ======================================================
+        html.Div(
+            style={
+                'background': 'white',
+                'padding': '15px',
+                'borderRadius': '8px'
+            },
+            children=[
+                html.P(
+                    'Estatísticas complementares, observações analíticas e notas metodológicas.',
+                    style={'margin': '0', 'fontSize': '13px', 'color': '#374151'}
+                )
+            ]
+        )
+
+    ]
+)

load_process.py

@@ -0,0 +1,90 @@
+
+# load_process.py
+import pandas as pd
+import geopandas as gpd
+import os
+
+from download_data import ensure_data
+
+
+def load_files(ponto_descarte=None):
+    # Leitura dos DADOS & organização
+    
+    paths = ensure_data()
+
+    gdf = gpd.read_file(paths["shape_bairros.gpkg"]).rename(columns={'NM_BAIRRO': 'Bairro'})
+    df1 = pd.read_csv(paths["tabela_total_com_DIEs.csv"])
+    df2 = pd.read_csv(paths["Bairros_Ncoleta.csv"])
+
+#    BASE_DIR = os.path.dirname(os.path.abspath(__file__))
+#    DATA_DIR = os.path.join(BASE_DIR, "data", "process")
+
+#    gdf = gpd.read_file(os.path.join(DATA_DIR, "shape_bairros.gpkg")).rename(columns={'NM_BAIRRO': 'Bairro'})
+#    df1 = pd.read_csv(os.path.join(DATA_DIR, "tabela_total_com_DIEs.csv"))
+#    df2 = pd.read_csv(os.path.join(DATA_DIR, "Bairros_Ncoleta.csv"))
+
+
+    #gdf = gpd.read_file(path + 'shape_bairros.gpkg').rename(columns={'NM_BAIRRO': 'Bairro'})
+    #df1 = pd.read_csv(path + 'tabela_total_com_DIEs.csv')
+    #df2 = pd.read_csv(path + 'Bairros_Ncoleta.csv')
+
+    df = df1.merge(df2, on='Bairro', how='left')
+    gdf_m = gdf.merge(df, on='Bairro', how='left')
+
+    #add % de Moradores sem renda
+    gdf_m['NS']=(gdf_m['Mor']-gdf_m['N_ren'])/gdf_m['Mor']
+    colunas = list(gdf_m.columns)
+    colunas.remove('NS')
+    colunas.insert(7, 'NS')
+    gdf_m = gdf_m[colunas]
+    # Função de categorização
+
+    def categorizar_dies(dies):
+        if dies == 0:
+            return 1
+        elif 1 <= dies <= 3:
+            return 2
+        elif 4 <= dies <= 6:
+            return 3
+        else:
+            return 4
+
+    gdf_m['Risco'] = gdf_m['DIEs'].apply(categorizar_dies)
+
+    df_plot = gdf_m.drop(columns=['geometry','V_setores_val'])
+
+    list_feature = df_plot.drop(columns='Risco').select_dtypes(include=['number']).columns
+
+    feat_options = []
+    for feature in list_feature:
+        feat_options.append({'label': feature, 'value': feature, 'description': None})
+
+    feat_options[0]['description'] = 'Área do Bairro (km²)'
+    feat_options[1]['description'] = 'Número Total de Habitações'
+    feat_options[2]['description'] = 'Número Total de Moradores'
+    feat_options[3]['description'] = 'relação Moradores/Habitação'
+    feat_options[4]['description'] = 'Números totais de Moradores com Renda'
+    feat_options[5]['description'] = '% de moradores sem renda'
+    feat_options[6]['description'] = 'Renda média do Morador'
+    feat_options[7]['description'] = 'Mediana da renda do Morador'
+    feat_options[8]['description'] = 'Taxa de alfabetização'
+    feat_options[9]['description'] = 'IDH Renda'
+    feat_options[10]['description'] = 'IDH Longevidade'
+    feat_options[11]['description'] = 'IDH Educação'
+    feat_options[12]['description'] = 'Indice de desenvolvimento Humano'
+    feat_options[13]['description'] = 'Quantidade de Deposito Irregulares '
+    feat_options[14]['description'] = 'Concentração Riqueza por area( Ren_avg x (Mor/Hab)/Area_km)'
+    feat_options[15]['description'] = 'Percentual da populção com rendimento'
+    feat_options[16]['description'] = 'Quantidade de Depósitos Irregulares estimado'
+    feat_options[17]['description'] = 'Média de dias de coleta de lixo'
+    feat_options[18]['description'] = 'Quantidade de setores/rotas de coleta'
+
+    if ponto_descarte is not None:
+        #gdf_p = gpd.read_file(os.path.join(DATA_DIR, "Pontos_descartes_ML.gpkg"))
+        gdf_p = gpd.read_file(paths["Pontos_descartes_ML.gpkg"])
+
+        #gdf_p = gpd.read_file(path + 'Pontos_descartes_ML.gpkg')
+        return gdf_m,df_plot,list_feature, feat_options, gdf_p
+    else:
+        print('debub: sem arquivo descartes')
+        return gdf_m,df_plot,list_feature, feat_options

requirements.txt

@@ -0,0 +1,14 @@
+dash
+flask
+flask-caching
+pandas
+geopandas
+numpy
+plotly
+folium
+scipy
+shapely
+pyproj
+gunicorn
+huggingface-hub
+