Upload 2 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* 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
+airbnb_data[[:space:]](2).db filter=lfs diff=lfs merge=lfs -text

airbnb_data (2).db

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9721d3a1c165e332bb8220fdd7d0f72fde3e9fb8d208e6eca17328d2f6e2a2b8
+size 2510848

app.py

@@ -0,0 +1,84 @@
+import streamlit as st
+import pandas as pd
+import sqlite3
+import numpy as np
+
+# Configuração da página
+st.set_page_config(layout="wide", page_title="Dashboard Airbnb")
+
+st.title("📍 Mapa de Imóveis Airbnb")
+st.write("Visualização interativa da localização dos imóveis listados.")
+
+# Função para carregar os dados
+@st.cache_data
+def load_data():
+    # Conecta ao banco de dados (certifique-se de que o nome do arquivo está correto)
+    db_path = 'airbnb_data (2).db' 
+    conn = sqlite3.connect(db_path)
+    
+    # Pega o nome da coluna "estranha" que contém todos os cabeçalhos juntos
+    try:
+        # Descobre o nome da coluna única
+        cursor = conn.cursor()
+        cursor.execute("PRAGMA table_info(listings)")
+        col_info = cursor.fetchall()
+        raw_header = col_info[0][1] # O nome da coluna é o cabeçalho CSV
+        
+        # Lê os dados brutos
+        df_raw = pd.read_sql(f'SELECT "{raw_header}" FROM listings', conn)
+        conn.close()
+        
+        # Tenta processar os dados (separar o texto por ponto e vírgula)
+        # Nota: O arquivo atual parece ter um desalinhamento (85 cabeçalhos vs 30 valores)
+        # O código abaixo tenta extrair, mas se falhar, usaremos dados de exemplo.
+        
+        # Lista de colunas baseada no cabeçalho
+        columns = raw_header.split(';')
+        
+        # Separa a coluna única em várias
+        df_split = df_raw.iloc[:, 0].str.split(';', expand=True)
+        
+        # Se o número de colunas extraídas for igual ao cabeçalho, ajustamos os nomes
+        if df_split.shape[1] == len(columns):
+            df_split.columns = columns
+            
+            # Converte latitude e longitude para números
+            df_split['latitude'] = pd.to_numeric(df_split['latitude'], errors='coerce')
+            df_split['longitude'] = pd.to_numeric(df_split['longitude'], errors='coerce')
+            
+            # Filtra apenas linhas com coordenadas válidas
+            df_final = df_split.dropna(subset=['latitude', 'longitude'])
+            return df_final
+        else:
+            st.warning(f"⚠️ Aviso: O banco de dados possui um desalinhamento. Cabeçalhos: {len(columns)}, Dados: {df_split.shape[1]}. Gerando dados de exemplo para visualização.")
+            return None
+
+    except Exception as e:
+        st.error(f"Erro ao ler o banco de dados: {e}")
+        return None
+
+# Carrega os dados
+df = load_data()
+
+# Lógica de Exibição do Mapa
+if df is not None and not df.empty:
+    st.success(f"Carregados {len(df)} imóveis reais.")
+    st.map(df[['latitude', 'longitude']])
+else:
+    # GERAÇÃO DE DADOS FICTÍCIOS (FALLBACK)
+    # Isso serve para você ver o mapa funcionando mesmo com o banco de dados corrompido
+    st.info("🔍 Usando dados gerados aleatoriamente (Rio de Janeiro/SP) para demonstração.")
+    
+    # Gera 100 pontos aleatórios próximos ao Rio de Janeiro e São Paulo
+    lat_rj = -22.9068 + np.random.randn(50) * 0.05
+    lon_rj = -43.1729 + np.random.randn(50) * 0.05
+    
+    lat_sp = -23.5505 + np.random.randn(50) * 0.05
+    lon_sp = -46.6333 + np.random.randn(50) * 0.05
+    
+    df_mock = pd.DataFrame({
+        'latitude': np.concatenate([lat_rj, lat_sp]),
+        'longitude': np.concatenate([lon_rj, lon_sp])
+    })
+    
+    st.map(df_mock)