Create app.py

app.py

@@ -0,0 +1,89 @@
+import pandas as pd
+import numpy as np
+import gradio as gr
+
+def processar_diagnostico_gradio(arquivo):
+    if arquivo is None:
+        return "Por favor, faça o upload de um arquivo Excel.", None
+    
+    try:
+        # Carregar o dataframe
+        df = pd.read_excel(arquivo.name)
+        
+        # Validação básica de colunas
+        colunas_obrigatorias = ['data_encaminhamento', 'siat_inscricao', 'siat_logradouro', 
+                                'siat_numero', 'siat_complemento', 'valor_oferta']
+        
+        for col in colunas_obrigatorias:
+            if col not in df.columns:
+                return f"Erro: A coluna '{col}' não foi encontrada no arquivo.", None
+
+        # Processamento de datas
+        df['data_encaminhamento'] = pd.to_datetime(df['data_encaminhamento'])
+        df = df.sort_values(['siat_inscricao', 'data_encaminhamento'])
+
+        chaves = ['siat_inscricao', 'siat_logradouro', 'siat_numero', 'siat_complemento']
+
+        # Agrupamento
+        metricas = df.groupby(chaves).agg(
+            primeira_data=('data_encaminhamento', 'min'),
+            ultima_data=('data_encaminhamento', 'max'),
+            preco_inicial=('valor_oferta', 'first'),
+            preco_final=('valor_oferta', 'last'),
+            preco_minimo=('valor_oferta', 'min'),
+            contagem_repeticoes=('data_encaminhamento', 'count')
+        ).reset_index()
+
+        # Cálculos
+        metricas['variacao_total_rs'] = metricas['preco_final'] - metricas['preco_inicial']
+        metricas['percentual_reducao'] = (metricas['variacao_total_rs'] / metricas['preco_inicial']) * 100
+        metricas['dias_exposicao'] = (metricas['ultima_data'] - metricas['primeira_data']).dt.days
+
+        # Saneamento de Outliers (IQR)
+        q1 = metricas['dias_exposicao'].quantile(0.25)
+        q3 = metricas['dias_exposicao'].quantile(0.75)
+        iqr = q3 - q1
+        limite_superior = q3 + 1.5 * iqr
+        metricas_saneadas = metricas[metricas['dias_exposicao'] <= limite_superior].copy()
+
+        # Diagnóstico para o resumo (markdown)
+        imoveis_com_desconto = (metricas_saneadas['variacao_total_rs'] < 0).sum()
+        reducao_media = metricas_saneadas[metricas_saneadas['variacao_total_rs'] < 0]['percentual_reducao'].mean()
+        tempo_medio = metricas_saneadas['dias_exposicao'].mean()
+
+        resumo = f"""
+        ### 📊 Diagnóstico de Performance de Preço
+        - **Imóveis com redução de preço:** {imoveis_com_desconto}
+        - **Redução média (nos com desconto):** {reducao_media:.2f}%
+        - **Tempo Médio de Exposição:** {tempo_medio:.1f} dias
+        """
+        
+        return resumo, metricas_saneadas
+
+    except Exception as e:
+        return f"Ocorreu um erro ao processar o arquivo: {str(e)}", None
+
+# Interface Gradio
+with gr.Blocks(title="Análise de Diagnóstico Imobiliário") as demo:
+    gr.Markdown("# 🏢 Processador de Diagnóstico de Preços")
+    gr.Markdown("Faça upload do seu arquivo Excel para calcular variações de preço e tempo de exposição.")
+    
+    with gr.Row():
+        upload_file = gr.File(label="Upload Arquivo Excel (.xlsx)", file_types=[".xlsx"])
+    
+    with gr.Row():
+        btn_processar = gr.Button("Processar Diagnóstico", variant="primary")
+    
+    with gr.Column():
+        output_resumo = gr.Markdown()
+        output_table = gr.DataFrame(label="Métricas Processadas")
+
+    btn_processar.click(
+        fn=processar_diagnostico_gradio,
+        inputs=[upload_file],
+        outputs=[output_resumo, output_table]
+    )
+
+# Para rodar no Hugging Face, demo.launch() é suficiente
+if __name__ == "__main__":
+    demo.launch()