novo teste para parar de vibrar

app.py

@@ -877,6 +877,21 @@ def main():
         st.markdown('<h2 class="section-header">III. Explicabilidade com SHAP</h2>', 
                     unsafe_allow_html=True)
         
+        # CSS para estabilizar o layout e evitar tremidas
+        st.markdown("""
+        <style>
+            .shap-container {
+                min-height: 600px;
+            }
+            .stSpinner {
+                min-height: 50px;
+            }
+            div[data-testid="stVerticalBlock"] > div {
+                transition: none !important;
+            }
+        </style>
+        """, unsafe_allow_html=True)
+        
         if 'trained_models' not in st.session_state:
             st.warning("⚠️ Por favor, treine os modelos primeiro na seção 'II. Modelagem Supervisionada'")
         else:
@@ -900,39 +915,45 @@ def main():
                 key='shap_model_selector'
             )
             
-            if st.button("🔬 Calcular SHAP Values", type="primary", key='calc_shap_btn'):
-                with st.spinner("Calculando SHAP values... Isso pode levar alguns minutos."):
-                    model = trained_models[model_for_shap]
+            # Usar form para evitar reruns durante o cálculo
+            calc_shap = st.button("🔬 Calcular SHAP Values", type="primary", key='calc_shap_btn')
+            
+            # Placeholder para mensagens de status
+            status_placeholder = st.empty()
+            
+            if calc_shap:
+                status_placeholder.info("⏳ Calculando SHAP values... Isso pode levar alguns minutos.")
+                model = trained_models[model_for_shap]
+                
+                # Usar TreeExplainer para modelos de árvore
+                try:
+                    explainer = shap.TreeExplainer(model)
+                    X_sample = X_test_scaled[:500]
+                    shap_values = explainer.shap_values(X_sample)
                     
-                    # Usar TreeExplainer para modelos de árvore
-                    try:
-                        explainer = shap.TreeExplainer(model)
-                        X_sample = X_test_scaled[:500]
-                        shap_values = explainer.shap_values(X_sample)
-                        
-                        # Para modelos de classificação binária
-                        if isinstance(shap_values, list):
-                            shap_values = shap_values[1]  # Classe positiva (bad)
-                        
-                        # Obter base_value corretamente
-                        expected_val = explainer.expected_value
-                        if isinstance(expected_val, (list, np.ndarray)):
-                            if len(expected_val) > 1:
-                                base_val = float(expected_val[1])
-                            else:
-                                base_val = float(expected_val[0])
+                    # Para modelos de classificação binária
+                    if isinstance(shap_values, list):
+                        shap_values = shap_values[1]  # Classe positiva (bad)
+                    
+                    # Obter base_value corretamente
+                    expected_val = explainer.expected_value
+                    if isinstance(expected_val, (list, np.ndarray)):
+                        if len(expected_val) > 1:
+                            base_val = float(expected_val[1])
                         else:
-                            base_val = float(expected_val)
-                        
-                        st.session_state['shap_explainer'] = explainer
-                        st.session_state['shap_values'] = shap_values
-                        st.session_state['X_sample_shap'] = X_sample
-                        st.session_state['shap_model'] = model_for_shap
-                        st.session_state['shap_base_val'] = base_val
-                        
-                        st.success("✅ SHAP values calculados com sucesso!")
-                    except Exception as e:
-                        st.error(f"Erro ao calcular SHAP values: {str(e)}")
+                            base_val = float(expected_val[0])
+                    else:
+                        base_val = float(expected_val)
+                    
+                    st.session_state['shap_explainer'] = explainer
+                    st.session_state['shap_values'] = shap_values
+                    st.session_state['X_sample_shap'] = X_sample
+                    st.session_state['shap_model'] = model_for_shap
+                    st.session_state['shap_base_val'] = base_val
+                    
+                    status_placeholder.success("✅ SHAP values calculados com sucesso!")
+                except Exception as e:
+                    status_placeholder.error(f"Erro ao calcular SHAP values: {str(e)}")
             
             if 'shap_values' in st.session_state:
                 shap_values = st.session_state['shap_values']
@@ -953,14 +974,13 @@ def main():
                 </div>
                 """, unsafe_allow_html=True)
                 
-                # Summary plot com matplotlib - usando container para estabilizar
-                summary_container = st.container()
-                with summary_container:
-                    fig_summary = plt.figure(figsize=(10, 8))
-                    shap.summary_plot(shap_values, X_sample, feature_names=feature_names, 
-                                     plot_type="dot", show=False)
-                    st.pyplot(fig_summary, clear_figure=True)
-                    plt.close(fig_summary)
+                # Summary plot com matplotlib - fechar figuras anteriores para evitar tremidas
+                plt.close('all')
+                fig_summary, ax_summary = plt.subplots(figsize=(10, 8))
+                shap.summary_plot(shap_values, X_sample, feature_names=feature_names, 
+                                 plot_type="dot", show=False)
+                st.pyplot(fig_summary, clear_figure=True)
+                plt.close('all')
                 
                 # Análise das principais variáveis
                 st.markdown("### 📈 Análise das Variáveis Mais Importantes")
@@ -1030,18 +1050,17 @@ def main():
                         st.markdown("#### Análise de um Cliente Classificado como GOOD")
                         idx_good = good_indices[0]
                         
-                        # Waterfall plot usando container estável
-                        wf_container1 = st.container()
-                        with wf_container1:
-                            fig_wf = plt.figure(figsize=(10, 6))
-                            shap.waterfall_plot(shap.Explanation(
-                                values=shap_values[idx_good],
-                                base_values=base_val,
-                                data=X_sample[idx_good],
-                                feature_names=feature_names
-                            ), show=False)
-                            st.pyplot(fig_wf, clear_figure=True)
-                            plt.close(fig_wf)
+                        # Waterfall plot - fechar figuras anteriores
+                        plt.close('all')
+                        fig_wf = plt.figure(figsize=(10, 6))
+                        shap.waterfall_plot(shap.Explanation(
+                            values=shap_values[idx_good],
+                            base_values=base_val,
+                            data=X_sample[idx_good],
+                            feature_names=feature_names
+                        ), show=False)
+                        st.pyplot(fig_wf, clear_figure=True)
+                        plt.close('all')
                         
                         st.markdown("""
                         **Interpretação:** Este cliente foi classificado como bom pagador porque:
@@ -1055,18 +1074,17 @@ def main():
                         st.markdown("#### Análise de um Cliente Classificado como BAD")
                         idx_bad = bad_indices[0]
                         
-                        # Waterfall plot usando container estável
-                        wf_container2 = st.container()
-                        with wf_container2:
-                            fig_wf2 = plt.figure(figsize=(10, 6))
-                            shap.waterfall_plot(shap.Explanation(
-                                values=shap_values[idx_bad],
-                                base_values=base_val,
-                                data=X_sample[idx_bad],
-                                feature_names=feature_names
-                            ), show=False)
-                            st.pyplot(fig_wf2, clear_figure=True)
-                            plt.close(fig_wf2)
+                        # Waterfall plot - fechar figuras anteriores
+                        plt.close('all')
+                        fig_wf2 = plt.figure(figsize=(10, 6))
+                        shap.waterfall_plot(shap.Explanation(
+                            values=shap_values[idx_bad],
+                            base_values=base_val,
+                            data=X_sample[idx_bad],
+                            feature_names=feature_names
+                        ), show=False)
+                        st.pyplot(fig_wf2, clear_figure=True)
+                        plt.close('all')
                         
                         st.markdown("""
                         **Interpretação:** Este cliente foi classificado como inadimplente porque: