Update app.py

app.py

@@ -155,7 +155,6 @@ model, model_cols, df_training = train_model(df)
 st.sidebar.image("https://upload.wikimedia.org/wikipedia/commons/6/69/Airbnb_Logo_Bélo.svg", width=140)
 st.sidebar.header("Navegação")
 
-# Label visibility adicionado para evitar warning
 page = st.sidebar.radio(
     "Menu Principal", 
     ["📊 Dashboard de Mercado", "📈 Análise Exploratória", "🤖 Simulador IA"],
@@ -187,6 +186,11 @@ if page == "📊 Dashboard de Mercado":
     st.markdown("---")
 
     st.subheader("Mapa de Oportunidades")
+    st.caption("Clique nos círculos coloridos para ver a Ficha Técnica completa abaixo.")
+    
+    map_data = None
+    selected_listing = None
+
     if not df_filtered.empty:
         center_lat = df_filtered['latitude'].mean()
         center_lon = df_filtered['longitude'].mean()
@@ -206,14 +210,52 @@ if page == "📊 Dashboard de Mercado":
         map_data = st_folium(m, height=450, width="100%")
     else:
         st.warning("Sem dados.")
-        map_data = None
 
+    # --- RESTAURAÇÃO DA FICHA TÉCNICA DETALHADA ---
     if map_data and map_data.get('last_object_clicked_popup'):
-        name = map_data['last_object_clicked_popup']
-        match = df_filtered[df_filtered['listing_name'] == name]
+        name_clicked = map_data['last_object_clicked_popup']
+        match = df_filtered[df_filtered['listing_name'] == name_clicked]
         if not match.empty:
-            sel = match.iloc[0]
-            st.info(f"🏡 **{sel['listing_name']}** | Faturamento: R$ {sel['ttm_revenue_native']:,.0f} | Nota: {sel['rating_overall']}")
+            selected_listing = match.iloc[0]
+
+    if selected_listing is not None:
+        st.markdown("### 📋 Ficha Técnica do Imóvel")
+        with st.container():
+            # Cabeçalho estilizado
+            st.markdown(f"""
+            <div style="background-color: #f0f2f6; padding: 20px; border-radius: 10px; border: 1px solid #ccc; margin-bottom: 20px;">
+                <h3 style="margin:0; color:#31333F;">🏡 {selected_listing['listing_name']}</h3>
+            </div>
+            """, unsafe_allow_html=True)
+            
+            c_img, c_info, c_kpi = st.columns([1, 1, 1])
+            
+            with c_img:
+                if pd.notna(selected_listing['cover_photo_url']):
+                    st.image(selected_listing['cover_photo_url'], use_container_width=True)
+                else:
+                    st.info("Sem foto disponível")
+            
+            with c_info:
+                st.markdown(f"**📍 Cidade:** {selected_listing['city']}")
+                st.markdown(f"**🏠 Tipo:** {selected_listing['room_type']}")
+                st.markdown(f"**👥 Acomoda:** {int(selected_listing['guests'])} pessoas")
+                st.markdown(f"**🛏️ Quartos:** {int(selected_listing['bedrooms'])}")
+                st.metric("Nota Geral", f"⭐ {selected_listing['rating_overall']}")
+
+            with c_kpi:
+                st.metric("Faturamento Anual", f"R$ {selected_listing['ttm_revenue_native']:,.2f}")
+                st.metric("ROI Estimado", f"{selected_listing['ROI_anual']:.2f}%")
+                
+                status = selected_listing['Recomendacao']
+                if "COMPRA" in status:
+                    st.success(f"## {status}")
+                elif "NÃO" in status:
+                    st.error(f"## {status}")
+                else:
+                    st.warning(f"## {status}")
+    else:
+        st.info("👆 Clique em uma bolinha colorida no mapa acima para ver a análise completa do imóvel aqui.")
 
     st.markdown("---")
     
@@ -237,7 +279,6 @@ if page == "📊 Dashboard de Mercado":
             st.subheader("💰 Preço Médio por Mês (R$)")
             price_table = past_filt.groupby(['month_str', 'city'])['native_rate_avg'].mean().unstack().fillna(0)
             
-            # --- CORREÇÃO: use_container_width é válido no streamlit recente, mas se der aviso, é visual ---
             st.dataframe(price_table.style.format("R$ {:.2f}"), use_container_width=True)
         else:
             st.warning("Sem dados históricos.")
@@ -260,7 +301,7 @@ if page == "📊 Dashboard de Mercado":
             ax.imshow(wc, interpolation='bilinear')
             ax.axis("off")
             st.pyplot(fig)
-            plt.close(fig) # Limpeza de memória
+            plt.close(fig)
 
 # --- PÁGINA 2: EXPLORATÓRIA ---
 elif page == "📈 Análise Exploratória":
@@ -296,8 +337,6 @@ elif page == "📈 Análise Exploratória":
     with col4:
         st.subheader("Tipos de Imóveis")
         
-        # --- CORREÇÃO DEFINITIVA DO ERRO 'VALUE OF X' ---
-        # Reseta o index e renomeia EXPLICITAMENTE para garantir que o Plotly ache as colunas
         df_counts = df_filtered['room_type'].value_counts().reset_index()
         df_counts.columns = ['Tipo_Imovel', 'Contagem'] 
         
@@ -308,10 +347,18 @@ elif page == "📈 Análise Exploratória":
                          template="plotly_white")
         st.plotly_chart(fig_bar, use_container_width=True)
 
-# --- PÁGINA 3: SIMULADOR ---
+# --- PÁGINA 3: SIMULADOR (COM SESSION STATE PARA NÃO SUMIR) ---
 elif page == "🤖 Simulador IA":
     st.title("🤖 Simulador Inteligente")
 
+    # Inicializa variáveis de estado se não existirem
+    if 'sim_result' not in st.session_state:
+        st.session_state['sim_result'] = None
+    if 'sim_coords' not in st.session_state:
+        st.session_state['sim_coords'] = None
+    if 'sim_params' not in st.session_state:
+        st.session_state['sim_params'] = None
+
     c1, c2 = st.columns([1, 1.5])
 
     with c1:
@@ -334,10 +381,8 @@ elif page == "🤖 Simulador IA":
         sim_pool = st.checkbox("Tem Piscina?", value=False)
         sim_super = st.checkbox("Será Superhost?", value=True)
         
-        btn_calc = st.button("🔮 Calcular Previsão")
-
-    with c2:
-        if btn_calc:
+        if st.button("🔮 Calcular Previsão"):
+            # Salva parâmetros na sessão
             input_df = pd.DataFrame({
                 'bedrooms': [sim_bed], 'guests': [sim_guest], 
                 'num_reviews': [30], 'latitude': [sim_lat], 'longitude': [sim_lon],
@@ -354,26 +399,37 @@ elif page == "🤖 Simulador IA":
             input_df = input_df[model_cols]
             pred = model.predict(input_df)[0]
             
+            # ATUALIZA O ESTADO
+            st.session_state['sim_result'] = pred
+            st.session_state['sim_coords'] = [sim_lat, sim_lon]
+            st.session_state['sim_params'] = {'city': sim_city}
+
+    with c2:
+        # VERIFICA SE HÁ RESULTADO GRAVADO NA SESSÃO
+        if st.session_state['sim_result'] is not None:
+            pred = st.session_state['sim_result']
+            lat, lon = st.session_state['sim_coords']
+            city = st.session_state['sim_params']['city']
+
             st.success(f"### 💰 Faturamento Estimado: R$ {pred:,.2f} / ano")
             
             st.markdown("#### 📍 Localização Simulada")
-            m_sim = folium.Map(location=[sim_lat, sim_lon], zoom_start=14, tiles='CartoDB positron')
+            m_sim = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
             folium.Marker(
-                [sim_lat, sim_lon], 
+                [lat, lon], 
                 popup="Seu Imóvel Simulado", 
                 icon=folium.Icon(color="red", icon="home")
             ).add_to(m_sim)
             st_folium(m_sim, height=300, width="100%")
 
             st.markdown("#### 🏠 Imóveis Reais Semelhantes (Vizinhança)")
-            df_city_neighbors = df_training[df_training['city'] == sim_city].copy()
+            df_city_neighbors = df_training[df_training['city'] == city].copy()
             
             if not df_city_neighbors.empty:
                 nn = NearestNeighbors(n_neighbors=5, algorithm='ball_tree')
                 nn.fit(df_city_neighbors[['latitude', 'longitude']])
                 
-                # CORREÇÃO: Passando DataFrame com colunas nomeadas para evitar Warning
-                X_query = pd.DataFrame([[sim_lat, sim_lon]], columns=['latitude', 'longitude'])
+                X_query = pd.DataFrame([[lat, lon]], columns=['latitude', 'longitude'])
                 distances, indices = nn.kneighbors(X_query)
                 
                 neighbors = df_city_neighbors.iloc[indices[0]]