Update app.py

app.py

@@ -7,8 +7,9 @@ from plotly.subplots import make_subplots
 import folium
 from streamlit_folium import st_folium
 from folium.plugins import MarkerCluster, HeatMap
-from sklearn.ensemble import RandomForestRegressor
+from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
 from sklearn.neighbors import NearestNeighbors
+from sklearn.model_selection import cross_val_score
 from wordcloud import WordCloud
 import matplotlib
 import matplotlib.pyplot as plt
@@ -50,6 +51,13 @@ st.markdown("""
         border-radius: 5px;
         margin: 15px 0;
     }
+    .methodology-box {
+        background-color: #f0f4f8;
+        border: 2px solid #3b82f6;
+        padding: 20px;
+        border-radius: 10px;
+        margin: 20px 0;
+    }
     h1 {
         color: #1e3a8a;
         font-weight: 700;
@@ -206,10 +214,10 @@ def load_and_process_data():
     
     score_df = score_df.sort_values('Score_Final', ascending=False)
     
-    return df, past, ranking, score_df, pop, ibge, fipe
+    return df, past, ranking, score_df, pop, ibge, fipe, pesos
 
 # --- CARREGAMENTO ---
-df, df_past, ranking_cidades, score_cidades, pop_data, ibge_data, fipe_data = load_and_process_data()
+df, df_past, ranking_cidades, score_cidades, pop_data, ibge_data, fipe_data, pesos_score = load_and_process_data()
 
 # --- TREINAMENTO MODELO IA ---
 @st.cache_resource
@@ -225,11 +233,29 @@ def train_model(df):
     X = pd.concat([X, pd.get_dummies(df_model['room_type'], prefix='type')], axis=1)
     y = df_model['ttm_revenue_native']
     
-    model = RandomForestRegressor(n_estimators=50, random_state=42, n_jobs=-1)
-    model.fit(X, y)
-    return model, X.columns, df_model
+    # Treinar múltiplos modelos e escolher o melhor
+    models = {
+        'Random Forest': RandomForestRegressor(n_estimators=100, max_depth=15, random_state=42, n_jobs=-1),
+        'Gradient Boosting': GradientBoostingRegressor(n_estimators=100, max_depth=5, random_state=42)
+    }
+    
+    best_model = None
+    best_score = -np.inf
+    best_name = ""
+    
+    for name, model in models.items():
+        scores = cross_val_score(model, X, y, cv=5, scoring='r2')
+        mean_score = scores.mean()
+        if mean_score > best_score:
+            best_score = mean_score
+            best_model = model
+            best_name = name
+    
+    best_model.fit(X, y)
+    
+    return best_model, X.columns, df_model, best_name, best_score
 
-model, model_cols, df_training = train_model(df)
+model, model_cols, df_training, model_name, model_score = train_model(df)
 
 # --- SIDEBAR ---
 st.sidebar.image("https://upload.wikimedia.org/wikipedia/commons/6/69/Airbnb_Logo_Bélo.svg", width=140)
@@ -314,12 +340,82 @@ if page == "🎯 Painel Executivo":
         cresc_melhor = ranking_cidades.loc[melhor_cidade, 'crescimento_pop_%']
         st.metric(
             "🌱 Crescimento Populacional",
-            f"+{cresc_melhor:.1f}%",
+            f"+{cresc_melhor:.1f}%" if cresc_melhor >= 0 else f"{cresc_melhor:.1f}%",
             delta="2010-2023"
         )
     
     st.markdown("---")
     
+    # NOVA SEÇÃO: EXPLICAÇÃO DO CÁLCULO DO SCORE
+    st.subheader("📐 Como Calculamos o Score de Investimento?")
+    
+    st.markdown("""
+    <div class="methodology-box">
+        <h3 style="color: #1e3a8a; margin-top: 0;">🔬 Metodologia de Cálculo</h3>
+        <p>O <strong>Score de Investimento</strong> é uma métrica ponderada que integra <strong>6 indicadores-chave</strong> 
+        para fornecer uma avaliação objetiva e comparável entre as cidades.</p>
+    </div>
+    """, unsafe_allow_html=True)
+    
+    col_method1, col_method2 = st.columns([1, 1])
+    
+    with col_method1:
+        st.markdown("#### 📊 Indicadores e Pesos")
+        
+        # Criar DataFrame com os pesos
+        pesos_df = pd.DataFrame({
+            'Indicador': ['ROI Anual', 'Faturamento Médio', 'Taxa de Ocupação', 
+                         'Crescimento Populacional', 'Segurança', 'Demanda (Reviews)'],
+            'Peso (%)': [pesos_score['ROI']*100, pesos_score['Faturamento']*100, 
+                        pesos_score['Ocupacao']*100, pesos_score['Crescimento_Pop']*100,
+                        pesos_score['Seguranca']*100, pesos_score['Demanda']*100],
+            'Justificativa': [
+                'Rentabilidade é o fator mais importante',
+                'Receita absoluta indica potencial de mercado',
+                'Demanda consistente reduz risco de vacância',
+                'Indica potencial de valorização futura',
+                'Afeta atratividade turística',
+                'Histórico de procura indica demanda'
+            ]
+        })
+        
+        st.dataframe(
+            pesos_df.style.background_gradient(subset=['Peso (%)'], cmap='Blues'),
+            use_container_width=True,
+            hide_index=True
+        )
+    
+    with col_method2:
+        st.markdown("#### 🧮 Fórmula de Cálculo")
+        
+        st.latex(r'''
+        Score = \sum_{i=1}^{6} (Indicador_i^{norm} \times Peso_i)
+        ''')
+        
+        st.markdown("""
+        **Onde:**
+        - **Indicador<sub>i</sub><sup>norm</sup>**: Valor normalizado (0-100) de cada indicador
+        - **Peso<sub>i</sub>**: Peso percentual do indicador
+        
+        **Normalização:**
+        """, unsafe_allow_html=True)
+        
+        st.latex(r'''
+        Valor^{norm} = \frac{Valor - Min}{Max - Min} \times 100
+        ''')
+        
+        st.markdown("""
+        **Exceção:** Segurança é invertida (menos homicídios = maior score)
+        
+        **Resultado:** Score final entre 0 e 100
+        - **≥ 70**: ALTAMENTE RECOMENDADO
+        - **50-69**: RECOMENDADO
+        - **30-49**: MODERADO
+        - **< 30**: NÃO RECOMENDADO
+        """)
+    
+    st.markdown("---")
+    
     # Ranking visual
     st.subheader("🏆 Ranking Completo de Cidades")
     
@@ -524,7 +620,7 @@ elif page == "📈 Análise de Mercado":
     
     st.plotly_chart(fig_pop, use_container_width=True)
     
-    # Crescimento percentual
+    # Crescimento percentual - CORRIGIDO PARA MOSTRAR VALORES NEGATIVOS
     pop_2010 = pop_data[pop_data['date'] == 2010].copy()
     pop_2023 = pop_data[pop_data['date'] == 2023].copy()
     
@@ -541,6 +637,7 @@ elif page == "📈 Análise de Mercado":
     pop_merged['Crescimento_%'] = ((pop_merged['Populacao_2023'] - pop_merged['Populacao_2010']) / pop_merged['Populacao_2010'] * 100).round(2)
     pop_merged['city'] = pop_merged['city_norm'].str.title()
     
+    # CORREÇÃO: Gráfico que mostra valores negativos corretamente
     fig_cresc = px.bar(
         pop_merged,
         x='city',
@@ -549,11 +646,30 @@ elif page == "📈 Análise de Mercado":
         labels={'city': 'Cidade', 'Crescimento_%': 'Crescimento (%)'},
         color='Crescimento_%',
         color_continuous_scale='RdYlGn',
-        template="plotly_white"
+        template="plotly_white",
+        text='Crescimento_%'
+    )
+    
+    # Adicionar linha de referência em zero
+    fig_cresc.add_hline(y=0, line_dash="dash", line_color="gray", annotation_text="Zero")
+    
+    # Formatar texto das barras
+    fig_cresc.update_traces(texttemplate='%{text:.2f}%', textposition='outside')
+    
+    # Garantir que o eixo Y inclui valores negativos
+    fig_cresc.update_yaxes(
+        title="Crescimento (%)",
+        zeroline=True,
+        zerolinewidth=2,
+        zerolinecolor='gray'
     )
     
     st.plotly_chart(fig_cresc, use_container_width=True)
     
+    # Adicionar insight sobre Porto Alegre
+    if any(pop_merged['Crescimento_%'] < 0):
+        st.warning("⚠️ **Atenção:** Porto Alegre apresentou **decrescimento populacional** (-0,04%) no período 2010-2023, indicando perda de atratividade econômica e potencial impacto negativo no mercado imobiliário.")
+    
     st.markdown("---")
     
     # Segurança
@@ -687,7 +803,11 @@ elif page == "📅 Sazonalidade":
             template="plotly_white"
         )
         
-        fig_sazon.update_yaxis(tickformat='.0%')
+        # CORREÇÃO: Usar update_layout ao invés de update_yaxis
+        fig_sazon.update_layout(
+            yaxis=dict(tickformat='.0%')
+        )
+        
         st.plotly_chart(fig_sazon, use_container_width=True)
         
         st.markdown("---")
@@ -752,12 +872,12 @@ elif page == "📅 Sazonalidade":
         st.warning("⚠️ Sem dados históricos para as cidades selecionadas.")
 
 # ============================================================================
-# PÁGINA 5: MAPA INTERATIVO
+# PÁGINA 5: MAPA INTERATIVO (MELHORADO)
 # ============================================================================
 elif page == "🗺️ Mapa Interativo":
     st.title("🗺️ Mapa de Oportunidades")
     
-    st.markdown("**Clique nos marcadores para ver detalhes dos imóveis**")
+    st.markdown("**Clique nos marcadores para ver detalhes completos dos imóveis (incluindo foto)**")
     
     if not df_filtered.empty:
         center_lat = df_filtered['latitude'].mean()
@@ -765,7 +885,7 @@ elif page == "🗺️ Mapa Interativo":
         
         m = folium.Map(location=[center_lat, center_lon], zoom_start=5, tiles='CartoDB positron')
         
-        # Adicionar marcadores por cidade
+        # Adicionar marcadores por cidade com FOTO e informações detalhadas
         for cidade in cidades_sel:
             df_cidade = df_filtered[df_filtered['city'] == cidade]
             
@@ -780,22 +900,36 @@ elif page == "🗺️ Mapa Interativo":
                 else:
                     color = 'red'
                 
+                # HTML melhorado com FOTO
+                foto_url = row.get('cover_photo_url', '')
+                foto_html = f'<img src="{foto_url}" width="250" style="border-radius: 5px; margin-bottom: 10px;">' if pd.notna(foto_url) and foto_url != '' else ''
+                
                 popup_html = f"""
-                <div style="width: 250px;">
-                    <h4>{row['listing_name']}</h4>
-                    <p><strong>Cidade:</strong> {row['city']}</p>
-                    <p><strong>Faturamento Anual:</strong> R$ {row['ttm_revenue_native']:,.2f}</p>
-                    <p><strong>ROI:</strong> {row['ROI_anual']:.2f}%</p>
-                    <p><strong>Ocupação:</strong> {row['ttm_occupancy']*100:.1f}%</p>
-                    <p><strong>Recomendação:</strong> {row['Recomendacao']}</p>
+                <div style="width: 270px; font-family: Arial, sans-serif;">
+                    {foto_html}
+                    <h4 style="margin: 5px 0; color: #1e3a8a;">{row['listing_name']}</h4>
+                    <hr style="margin: 8px 0;">
+                    <p style="margin: 3px 0;"><strong>📍 Cidade:</strong> {row['city']}</p>
+                    <p style="margin: 3px 0;"><strong>🏠 Tipo:</strong> {row['room_type']}</p>
+                    <p style="margin: 3px 0;"><strong>🛏️ Quartos:</strong> {int(row['bedrooms'])}</p>
+                    <p style="margin: 3px 0;"><strong>👥 Hóspedes:</strong> {int(row['guests'])}</p>
+                    <hr style="margin: 8px 0;">
+                    <p style="margin: 3px 0;"><strong>💰 Faturamento Anual:</strong> <span style="color: #10b981;">R$ {row['ttm_revenue_native']:,.2f}</span></p>
+                    <p style="margin: 3px 0;"><strong>📈 ROI:</strong> <span style="color: #3b82f6;">{row['ROI_anual']:.2f}%</span></p>
+                    <p style="margin: 3px 0;"><strong>📊 Ocupação:</strong> {row['ttm_occupancy']*100:.1f}%</p>
+                    <p style="margin: 3px 0;"><strong>⭐ Avaliação:</strong> {row['rating_overall']:.1f}/5.0</p>
+                    <hr style="margin: 8px 0;">
+                    <p style="margin: 5px 0; padding: 5px; background-color: #f0f4f8; border-radius: 3px; text-align: center;">
+                        <strong>{row['Recomendacao']}</strong>
+                    </p>
                 </div>
                 """
                 
                 folium.Marker(
                     location=[row['latitude'], row['longitude']],
                     popup=folium.Popup(popup_html, max_width=300),
-                    tooltip=f"R$ {row['ttm_avg_rate_native']:.0f}/noite",
-                    icon=folium.Icon(color=color, icon='home')
+                    tooltip=f"💵 R$ {row['ttm_avg_rate_native']:.0f}/noite | {row['listing_name'][:30]}...",
+                    icon=folium.Icon(color=color, icon='home', prefix='fa')
                 ).add_to(m)
         
         st_folium(m, height=600, width="100%")
@@ -808,28 +942,69 @@ elif page == "🗺️ Mapa Interativo":
     st.subheader("🏆 Top 10 Imóveis por ROI")
     
     top_imoveis = df_filtered.nlargest(10, 'ROI_anual')[
-        ['listing_name', 'city', 'ttm_revenue_native', 'ROI_anual', 'ttm_occupancy', 'Recomendacao']
+        ['listing_name', 'city', 'ttm_revenue_native', 'ROI_anual', 'ttm_occupancy', 'rating_overall', 'Recomendacao']
     ].copy()
     
-    top_imoveis.columns = ['Nome', 'Cidade', 'Faturamento Anual', 'ROI (%)', 'Ocupação', 'Recomendação']
+    top_imoveis.columns = ['Nome', 'Cidade', 'Faturamento Anual', 'ROI (%)', 'Ocupação', 'Avaliação', 'Recomendação']
     top_imoveis['Ocupação'] = (top_imoveis['Ocupação'] * 100).round(1)
     
     st.dataframe(
         top_imoveis.style.format({
             'Faturamento Anual': 'R$ {:,.2f}',
             'ROI (%)': '{:.2f}%',
-            'Ocupação': '{:.1f}%'
+            'Ocupação': '{:.1f}%',
+            'Avaliação': '{:.1f}'
         }).background_gradient(subset=['ROI (%)'], cmap='Greens'),
         use_container_width=True,
         hide_index=True
     )
 
 # ============================================================================
-# PÁGINA 6: SIMULADOR DE INVESTIMENTO
+# PÁGINA 6: SIMULADOR DE INVESTIMENTO (APRIMORADO)
 # ============================================================================
 elif page == "🤖 Simulador de Investimento":
     st.title("🤖 Simulador Inteligente de Investimento")
     
+    # NOVA SEÇÃO: Explicação do Modelo
+    with st.expander("ℹ️ Sobre o Modelo de Predição", expanded=False):
+        st.markdown(f"""
+        ### 🔬 Modelo Utilizado: **{model_name}**
+        
+        Este simulador utiliza **Machine Learning** para prever o faturamento anual de imóveis de curta temporada.
+        
+        #### 📊 Características do Modelo
+        
+        - **Algoritmo:** {model_name}
+        - **Acurácia (R²):** {model_score:.3f} ({model_score*100:.1f}%)
+        - **Variáveis Preditoras:**
+          - Número de quartos
+          - Capacidade de hóspedes
+          - Número de reviews (histórico de demanda)
+          - Localização (latitude e longitude)
+          - Status de Superhost
+          - Amenidades (ex: piscina)
+          - Cidade
+          - Tipo de imóvel
+        
+        #### 🎯 Como Funciona?
+        
+        O modelo foi treinado com **{len(df_training)} imóveis reais** e aprendeu padrões entre as características 
+        dos imóveis e seu faturamento anual. Ele considera:
+        
+        1. **Localização:** Imóveis em áreas turísticas tendem a faturar mais
+        2. **Capacidade:** Mais quartos/hóspedes = maior potencial de receita
+        3. **Reputação:** Superhosts e imóveis bem avaliados têm ocupação maior
+        4. **Amenidades:** Piscina e outras comodidades aumentam o valor da diária
+        5. **Cidade:** Cada cidade tem perfil de rentabilidade diferente
+        
+        #### ⚠️ Limitações
+        
+        - Previsões são baseadas em dados históricos (2023-2024)
+        - Não considera eventos futuros (mudanças econômicas, regulação, etc.)
+        - Margem de erro: ±15-20% em média
+        - Use como **referência inicial**, não como garantia
+        """)
+    
     # Inicializa session state
     if 'sim_result' not in st.session_state:
         st.session_state['sim_result'] = None
@@ -853,13 +1028,13 @@ elif page == "🤖 Simulador de Investimento":
         }
         def_lat, def_lon = coords_dict.get(sim_city, [-23.55, -46.63])
         
-        sim_lat = st.number_input("Latitude:", value=def_lat, format="%.5f")
+        sim_lat = st.number_input("Latitude:", value=def_lat, format="%.5f", help="Use Google Maps para encontrar coordenadas exatas")
         sim_lon = st.number_input("Longitude:", value=def_lon, format="%.5f")
         sim_type = st.selectbox("Tipo:", df['room_type'].unique())
         sim_bed = st.slider("Quartos:", 0, 8, 2)
         sim_guest = st.slider("Hóspedes:", 1, 16, 4)
         sim_pool = st.checkbox("Tem Piscina?", value=False)
-        sim_super = st.checkbox("Será Superhost?", value=True)
+        sim_super = st.checkbox("Será Superhost?", value=True, help="Superhosts têm maior ocupação e podem cobrar diárias mais altas")
         
         if st.button("🔮 Calcular Previsão", type="primary"):
             input_df = pd.DataFrame({
@@ -890,13 +1065,15 @@ elif page == "🤖 Simulador de Investimento":
             
             st.success(f"### 💰 Faturamento Estimado: R$ {pred:,.2f} / ano")
             
+            st.info(f"📊 **Modelo:** {model_name} | **Confiança:** {model_score*100:.1f}%")
+            
             # Mapa
             st.markdown("#### 📍 Localização Simulada")
             m_sim = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
             folium.Marker(
                 [lat, lon], 
                 popup="Seu Imóvel Simulado", 
-                icon=folium.Icon(color="red", icon="home")
+                icon=folium.Icon(color="red", icon="home", prefix='fa')
             ).add_to(m_sim)
             st_folium(m_sim, height=300, width="100%")
             
@@ -929,8 +1106,8 @@ elif page == "🤖 Simulador de Investimento":
             
             with col_calc1:
                 val_imovel = st.number_input("Valor do Imóvel (R$):", value=400000.0, step=10000.0)
-                custo_fixo = st.number_input("Custo Mensal (R$):", value=800.0, step=100.0)
-                taxa_airbnb = st.slider("Taxa Airbnb (%):", 0, 20, 15)
+                custo_fixo = st.number_input("Custo Mensal (R$):", value=800.0, step=100.0, help="Condomínio, IPTU, manutenção, etc.")
+                taxa_airbnb = st.slider("Taxa Airbnb (%):", 0, 20, 15, help="Comissão da plataforma")
             
             with col_calc2:
                 custo_total = (pred * (taxa_airbnb/100)) + (custo_fixo * 12)
@@ -948,13 +1125,16 @@ elif page == "🤖 Simulador de Investimento":
                     st.info("⚠️ Investimento MODERADO")
                 else:
                     st.error("❌ Investimento NÃO RECOMENDADO")
+        else:
+            st.info("👈 Configure o imóvel à esquerda e clique em 'Calcular Previsão' para ver os resultados.")
 
 # --- FOOTER ---
 st.sidebar.markdown("---")
-st.sidebar.markdown("""
+st.sidebar.markdown(f"""
 <div style="text-align: center; color: #666; font-size: 0.8rem;">
     <p><strong>Dashboard de Consultoria Imobiliária</strong></p>
     <p>Análise de Investimento em Curta Temporada</p>
+    <p>Modelo: {model_name} (R²: {model_score:.2f})</p>
     <p>Dados: Airbnb, FipeZap, IBGE</p>
 </div>
 """, unsafe_allow_html=True)