some errors

oulad.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4601482a182ed9a7adaf0e93e3b2d4732e4efbb4d081000003cc0d090990ab0b
+size 143341

webapp/home.py

@@ -1,70 +1,134 @@
 import streamlit as st
-
-
-st.sidebar.markdown(
-    '''
-    Mestrado Profissional
-    PPGTE
-    IUVI
-
-    Orientador: 
-    Prof. Leonardo Oliveira Moreira
-
-    Aluno:
-    [Emanoel Lopes](http://emanoel.pro.br)
-    '''
-    )
-
-st.markdown('# Sistema de Identificação de Dificuldades de Aprendizagem ')
-st.divider()
-
-# Display the dataframe from session state
-if "df_uci" in st.session_state:
-    st.dataframe(st.session_state["df_uci"])
-else:
-    st.write("Nenhum dado disponível. Por favor, navegue para a página UCI primeiro.")
-
-st.markdown(
-    '''
-
-    # Purpureo bracchia cognitus dedit
-
-    ## Pedum ubi puer hunc
-
-    Lorem markdownum oppositas. Pes est, ne `matrix_leaf`, tene sacris oraque.
-
-    ## Pulsoque gravitate humum flumina
-
-    Petit ademit hunc hosti cum dictis Piscique moenibus capitis, plena, et. Minores
-    virgo. Ille iaculo ait Myrrha; artus altae nobis me ardua speque nostro.
-
-    - Illo cum fuit quoque concumbere quem perdidit
-    - Motura Semeleia conlegit
-    - Cornua funera irae nulla
-
-    ## Amor est nunc lancea
-
-    Adit funera excute tempore caelum, ducit per; trementem superesse: nata. Decor
-    **alumno**, ulla imperat, regis, erat mihi *viso grege* accepto tua quicquam
-    levior. Sit age nam, tum mersit summa, iras corona. Fregit agros tendentemque
-    umbras.
-
-    Altissima noctis; et meritum e animo hiatu Agenorides ad statuit minimos stabat
-    unam hanc aris temeraria una turba. Mea invidiosa fugitque, et traxere et
-    numinis optima ego tria mea `word_menu` sanguine audent, iam dolens tamen. Ne
-    emittere **tenera**, clademque perstant Hodites, retexitur haut, opus paratas
-    meritorum, nisi est tertia. [Victoria stipite
-    nascentur](#pulsoque-gravitate-humum-flumina) versata.
-
-    ## Clarum genero in utilius
-
-    Detrusit est *clade bos exiguo* pendeat habent sed. Vinci tua persequar, sunt
-    manu quoque quaque adventu. Patiemur vivusque sopor **quies** quo inarata
-    *locuta senex* nomen ignotae quis inmensi, languore quaeras, secum thalami
-    lacertis, triplices!
-
-    Ego **carpit annos** Ixion tamen *oculos*, natum etiam **non**, quod abit
-    `tigerAssociation` ad: linguae gelidas mediis. Multa non foret, **Phoebeius**
-    vites: agris nec cantare, Ide. Vicit fatis.
-    '''
-)
+import pandas as pd
+import seaborn as sns
+import matplotlib.pyplot as plt
+
+st.set_page_config(page_title="Dashboard Educacional", layout="wide")
+
+def leitura_oulad_data():
+    datasets_path = Path(__file__).parent.parents / 'datasets' / 'oulad_data'
+    st.write(f"Path dos datasets: {datasets_path}")
+
+# --------------------------------------------------------------------------- #
+# 1. Função que carrega os dados do banco UCI
+# --------------------------------------------------------------------------- #
+@st.cache_data(show_spinner=False)
+def carregar_dados_uci(pickle_path: str = "uci.pkl") -> pd.DataFrame:
+    """
+    Lê o arquivo pickle com os dados do banco UCI e devolve um DataFrame.
+
+    Parameters
+    ----------
+    pickle_path : str | Path, opcional
+        Caminho relativo (ou absoluto) para o arquivo 'uci.pkl'.
+        O padrão aponta para o arquivo que costuma ser salvo na raiz
+        do projeto (conforme o trecho que salva o pickle – [2]).
+
+    Returns
+    -------
+    pd.DataFrame
+        O conjunto de dados da UCI.
+
+    Raises
+    ------
+    FileNotFoundError
+        Se o arquivo não existir.
+    ValueError
+        Se o conteúdo não puder ser des‑serializado como pickle.
+    """
+    p = Path(pickle_path)
+    if not p.is_file():
+        st.warning(f"Arquivo {p} não encontrado.")
+        return pd.DataFrame()   # Retorna DataFrame vazio
+
+    try:
+        with p.open("rb") as f:
+            df = pickle.load(f)
+    except Exception as e:
+        st.error(f"Falha ao ler {p}: {e}")
+        return pd.DataFrame()
+
+    if not isinstance(df, pd.DataFrame):
+        st.error(f"O conteúdo de {p} não é um DataFrame.")
+        return pd.DataFrame()
+
+    return df
+
+# --------------------------------------------------------------------------- #
+# 2. Função que carrega os dados do banco OULAD
+# --------------------------------------------------------------------------- #
+@st.cache_data(show_spinner=False)
+def carregar_dados_oulad(pickle_path: str = "oulad.pkl") -> pd.DataFrame:
+    """
+    Lê o arquivo pickle contendo os dados do banco OULAD e devolve um DataFrame.
+
+    O padrão de caminho segue o mesmo princípio da função anterior.
+    """
+    p = Path(pickle_path)
+    if not p.is_file():
+        st.warning(f"Arquivo {p} não encontrado.")
+        return pd.DataFrame()
+
+    try:
+        with p.open("rb") as f:
+            df = pickle.load(f)
+    except Exception as e:
+        st.error(f"Falha ao ler {p}: {e}")
+        return pd.DataFrame()
+
+    if not isinstance(df, pd.DataFrame):
+        st.error(f"O conteúdo de {p} não é um DataFrame.")
+        return pd.DataFrame()
+
+    return df
+
+if "df_uci" not in st.session_state:
+    st.session_state.df_uci = carregar_dados_uci("uci.pkl") 
+
+if "df_oulad" not in st.session_state:
+    st.session_state.df_oulad = carregar_dados_oulad("caminho/para/oulad.pkl")
+
+st.write("Dados da UCI:")
+st.dataframe(st.session_state.df_uci)
+
+st.write("Dados do OULAD:")
+st.dataframe(st.session_state.df_oulad)
+
+# 1. Cabeçalho
+st.title("Dashboard de Desempenho Educacional")
+# st.image("logo.png", width=150)
+
+# 2. Visão geral
+col1, col2, col3, col4 = st.columns(4)
+col1.metric("Alunos ativos", "1,200")
+col2.metric("Média de notas", "78,5")
+col3.metric("Taxa de abandono", "3,2 %")
+col4.metric("Engajamento médio", "2,3 cliques/dia")
+
+# 3. Contexto
+st.markdown("""
+Esta página mostra uma visão consolidada dos dados de duas bases públicas:
+- **UCI**: informações de escolas públicas.
+- **OULAD**: plataforma de aprendizado online.
+Essas análises ajudam gestores e professores a identificar áreas de melhoria e a planejar intervenções.
+""")
+
+# 4. Distribuição de notas (UCI)
+fig, ax = plt.subplots(figsize=(6,4))
+sns.histplot(st.session_state.df_uci['G3'], bins=20, kde=True, ax=ax)
+ax.set_title("Distribuição de Notas (UCI)")
+st.pyplot(fig)
+
+# 5. Engajamento (OULAD)
+fig, ax = plt.subplots(figsize=(6,4))
+sns.histplot(st.session_state.df_oulad['clicks'], bins=20, kde=True, ax=ax)
+ax.set_title("Distribuição de Cliques (OULAD)")
+st.pyplot(fig)
+
+# 6. Filtros
+periodo = st.selectbox("Período", ["2021", "2022", "2023"])
+gênero = st.multiselect("Gênero", ["Masculino", "Feminino", "Outro"])
+
+# 7. Tabela de correlação
+corr = st.session_state.df_uci.corr()
+st.dataframe(corr.style.background_gradient(cmap="coolwarm"))

webapp/home_old.py

@@ -0,0 +1,70 @@
+import streamlit as st
+
+
+st.sidebar.markdown(
+    '''
+    Mestrado Profissional
+    PPGTE
+    IUVI
+
+    Orientador: 
+    Prof. Leonardo Oliveira Moreira
+
+    Aluno:
+    [Emanoel Lopes](http://emanoel.pro.br)
+    '''
+    )
+
+st.markdown('# Sistema de Identificação de Dificuldades de Aprendizagem ')
+st.divider()
+
+# Display the dataframe from session state
+if "df_uci" in st.session_state:
+    st.dataframe(st.session_state["df_uci"])
+else:
+    st.write("Nenhum dado disponível. Por favor, navegue para a página UCI primeiro.")
+
+st.markdown(
+    '''
+
+    # Purpureo bracchia cognitus dedit
+
+    ## Pedum ubi puer hunc
+
+    Lorem markdownum oppositas. Pes est, ne `matrix_leaf`, tene sacris oraque.
+
+    ## Pulsoque gravitate humum flumina
+
+    Petit ademit hunc hosti cum dictis Piscique moenibus capitis, plena, et. Minores
+    virgo. Ille iaculo ait Myrrha; artus altae nobis me ardua speque nostro.
+
+    - Illo cum fuit quoque concumbere quem perdidit
+    - Motura Semeleia conlegit
+    - Cornua funera irae nulla
+
+    ## Amor est nunc lancea
+
+    Adit funera excute tempore caelum, ducit per; trementem superesse: nata. Decor
+    **alumno**, ulla imperat, regis, erat mihi *viso grege* accepto tua quicquam
+    levior. Sit age nam, tum mersit summa, iras corona. Fregit agros tendentemque
+    umbras.
+
+    Altissima noctis; et meritum e animo hiatu Agenorides ad statuit minimos stabat
+    unam hanc aris temeraria una turba. Mea invidiosa fugitque, et traxere et
+    numinis optima ego tria mea `word_menu` sanguine audent, iam dolens tamen. Ne
+    emittere **tenera**, clademque perstant Hodites, retexitur haut, opus paratas
+    meritorum, nisi est tertia. [Victoria stipite
+    nascentur](#pulsoque-gravitate-humum-flumina) versata.
+
+    ## Clarum genero in utilius
+
+    Detrusit est *clade bos exiguo* pendeat habent sed. Vinci tua persequar, sunt
+    manu quoque quaque adventu. Patiemur vivusque sopor **quies** quo inarata
+    *locuta senex* nomen ignotae quis inmensi, languore quaeras, secum thalami
+    lacertis, triplices!
+
+    Ego **carpit annos** Ixion tamen *oculos*, natum etiam **non**, quod abit
+    `tigerAssociation` ad: linguae gelidas mediis. Multa non foret, **Phoebeius**
+    vites: agris nec cantare, Ide. Vicit fatis.
+    '''
+)

webapp/pages/1_uci.py

@@ -5,9 +5,10 @@ import os
 import matplotlib.pyplot as plt
 import seaborn as sns
 import numpy as np
+import pickle
 
 st.set_page_config(
-    page_title="Informações Básicas do Conjunto de Dados UCI",
+    page_title="Análise Exploratória dos Dados - UCI",
     page_icon="📊",
     layout="wide",
     initial_sidebar_state="expanded",
@@ -391,10 +392,6 @@ A análise dos dados mostra que a maioria dos estudantes tem entre 15 e 19 anos,
 '''
 
 # Salvando os resultados no formato pickle
-
-import pickle
-from pathlib import Path
-
 with open('uci.pkl', 'wb') as f:
     pickle.dump(model, f)
     f.close()

webapp/pages/2_oulad.py

@@ -6,9 +6,11 @@ import seaborn as sns
 import matplotlib.pyplot as plt
 import missingno as msno
 import numpy as np
+import pickle
+
 
 st.set_page_config(
-    page_title="Informações Básicas dos Dados do OULAD",
+    page_title="Análise Exploratória dos Dados - OULAD",
     page_icon="📊",
     layout="wide",
     initial_sidebar_state="expanded",
@@ -221,25 +223,17 @@ st.pyplot(plt)
 plt.clf()
 
 '''
-A atividade mais realizada é a 'outcontent' com quase o dobro de execuções em relação à segunda posição que é 'forumng'. 
+A atividade mais realizada é a 'outcontent' com quase o dobro de execuções em relação à segunda posição que é 'forumng'. A distribuição é acentuadamente desigual, com poucas atividades (como "forumng" e "subpage") tendo uso moderado.
 '''
 
 
-st.markdown('Explorando valores categóricos')
+st.markdown('## Explorando valores categóricos')
 ## Explorando valores categóricos
 st.dataframe(merged_df.select_dtypes('object').describe().T)
 
-st.warning('Por meio da análise dos dados categóricos, os estudantes são, na sua maioria, do gênero masculino, até 35 anos, que realizaram a atividade do tipo fórum na plataforma e foram aprovados.')
-
-st.write('## Contagem de Estudantes por Região')
-plt.figure(figsize=(10, 6))
-sns.countplot(data=merged_df, x='region', order=merged_df['region'].value_counts().index)
-plt.title('Contagem de Estudantes por Região')
-plt.xlabel('Região')
-plt.ylabel('Contagem')
-plt.xticks(rotation=45)
-st.pyplot(plt)
-plt.clf()
+"""
+Por meio da análise dos dados categóricos, os estudantes são, na sua maioria, do gênero masculino, até 35 anos, que realizaram a atividade do tipo fórum na plataforma e foram aprovados.
+"""
 
 st.write('## Distribuição de Estudantes por Idade')
 plt.figure(figsize=(10, 6))
@@ -250,6 +244,11 @@ plt.ylabel('Frequência')
 st.pyplot(plt)
 plt.clf()
 
+'''
+Este histograma revela que a maioria dos estudantes se encontra na faixa etária de 35 a 55 anos e a faixa etária dentro do grupo 0-35 é o segundo maior contingente, enquanto estudantes com mais de 55 anos são a minoria.
+'''
+
+
 st.write('## Distribuição de Estudantes por Gênero')
 plt.figure(figsize=(6, 6))
 sns.countplot(data=merged_df['gender'])
@@ -259,6 +258,10 @@ plt.ylabel('Contagem')
 st.pyplot(plt)
 plt.clf()
 
+'''
+A diferença na quantidade entre os gêneros masculino e feminino é algo em torno de 60% 
+'''
+
 st.write('## Distribuição de Estudantes por Região')
 plt.figure(figsize=(10, 6))
 sns.countplot(data=merged_df, x='region', order=merged_df['region'].value_counts().index)
@@ -269,6 +272,10 @@ plt.xticks(rotation=45)
 st.pyplot(plt)
 plt.clf()
 
+"""
+As regiões "South West Region" e "South Region" detêm a maior concentração de estudantes, resultando em uma leve predominância do sul da Inglaterra. A distribuição é relativamente decrescente e sem discrepâncias abruptas.
+"""
+
 st.write('## Distribuição dos Estudantes por Resultado Final')
 plt.figure(figsize=(6, 6))
 sns.countplot(data=merged_df['final_result'], order=merged_df['final_result'].value_counts().index)
@@ -278,6 +285,9 @@ plt.ylabel('Contagem')
 st.pyplot(plt)
 plt.clf()
 
+'''
+a grande maioria dos estudantes obteve o resultado "Pass" (Aprovado), superando vastamente as outras categorias. Os resultados de "Distinction" (Aprovação com mérito), "Withdrawn" (Desistente) e "Fail" (Reprovado) representam uma proporção muito menor do total de alunos, indicando uma alta taxa de sucesso geral.
+'''
 
 st.markdown("## Entendendo as relações das classes utilizando Aprendizado de Máquina")
 
@@ -361,4 +371,8 @@ fig.tight_layout()
 st.pyplot(fig)
 
 st.markdown("## Conclusão")
-st.markdown("Nesta análise exploratória dos dados do OULAD, conseguimos entender melhor o perfil dos estudantes, suas atividades na plataforma e os fatores que influenciam seu desempenho acadêmico. Através da visualização dos dados, identificamos padrões interessantes, como a predominância de estudantes do gênero masculino e a distribuição etária dos participantes. Além disso, o treinamento do modelo de aprendizado de máquina nos permitiu avaliar a importância das diferentes características dos dados, destacando quais fatores têm maior impacto no resultado final dos estudantes. Essas informações são valiosas para instituições educacionais que buscam melhorar a experiência de aprendizagem e o suporte oferecido aos alunos. Futuras análises podem aprofundar ainda mais esses insights, explorando outras variáveis e utilizando técnicas avançadas de modelagem preditiva.")
+st.markdown("Nesta análise exploratória dos dados do OULAD, conseguimos entender melhor o perfil dos estudantes, suas atividades na plataforma e os fatores que influenciam seu desempenho acadêmico. Através da visualização dos dados, identificamos padrões interessantes, como a predominância de estudantes do gênero masculino e a distribuição etária dos participantes. Além disso, o treinamento do modelo de aprendizado de máquina nos permitiu avaliar a importância das diferentes características dos dados, destacando quais fatores têm maior impacto no resultado final dos estudantes. Essas informações são valiosas para instituições educacionais que buscam melhorar a experiência de aprendizagem e o suporte oferecido aos alunos. Futuras análises podem aprofundar ainda mais esses insights, explorando outras variáveis e utilizando técnicas avançadas de modelagem preditiva.")
+
+with open('oulad.pkl', 'wb') as f:
+    pickle.dump(ml_model, f)
+    f.close()

webapp/pages/4_pygwalker.py

@@ -3,6 +3,8 @@ import pygwalker as pyg
 from pygwalker.api.streamlit import StreamlitRenderer
 import streamlit as st
 
-df = st.session_state['df_uci']
-walker = pyg.walk(df)
- 
+if "df_uci" in st.session_state:
+    df = st.session_state['df_uci']
+    walker = pyg.walk(df)
+else:
+    st.write("Nenhum dado disponível. Por favor, navegue para a página UCI primeiro.")

webapp/utilidades.py

@@ -2,6 +2,7 @@ from pathlib import Path
 import streamlit as st
 import pandas as pd
 import os
+import pickle
 
 def leitura_oulad_data():
     datasets_path = Path(__file__).parent.parents / 'datasets' / 'oulad_data'