create Dados

Dockerfile

@@ -1,29 +1,20 @@
-# Imagem base do Python
-FROM python:3.9-slim
+FROM python:3.13.5-slim
 
-# Evita prompts interativos
-ENV DEBIAN_FRONTEND=noninteractive
+WORKDIR /app
 
-# Instalar dependências do sistema necessárias para algumas libs (ex: pandas, matplotlib)
 RUN apt-get update && apt-get install -y \
     build-essential \
-    libgeos-dev \
+    curl \
+    git \
     && rm -rf /var/lib/apt/lists/*
 
-# Criar pasta de trabalho
-WORKDIR /app
+COPY requirements.txt ./
+COPY src/ ./src/
 
-# Copiar requirements.txt e instalar dependências
-COPY requirements.txt /app/
-RUN pip install --no-cache-dir -r requirements.txt
+RUN pip3 install -r requirements.txt
 
-# Copiar o código e os dados
-COPY ./src /app/src
-COPY ./Dados /app/Dados
-COPY requirements.txt /app/
+EXPOSE 8501
 
-# Definir diretório de trabalho para rodar o app
-WORKDIR /app/src/
+HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health
 
-# Comando para iniciar o Streamlit no Hugging Face
-CMD ["streamlit", "run", "streamlit_app.py", "--server.port", "8501", "--server.address", "0.0.0.0"]
+ENTRYPOINT ["streamlit", "run", "src/streamlit_app.py", "--server.port=8501", "--server.address=0.0.0.0"]

requirements.txt

@@ -1,10 +1,3 @@
-streamlit==1.36.0
-pandas==1.5.3
-matplotlib==3.6.3
-seaborn==0.11.2
-plotly==5.3.0
-Pillow==9.2.0
-scipy==1.9.3
-statsmodels==0.13.5
-numpy==1.24.0
-scikit-learn==1.3.2
+altair
+pandas
+streamlit

src/streamlit_app.py

@@ -1,215 +1,40 @@
-#!/usr/bin/env python
-# coding: utf-8
-
-# =====================================================
-# Dashboard - Testes de Hipóteses com AmesHousing
-# =====================================================
-
-import streamlit as st
-import pandas as pd
-import matplotlib.pyplot as plt
-import seaborn as sns
-import plotly.express as px
+import altair as alt
 import numpy as np
+import pandas as pd
+import streamlit as st
 
-from scipy import stats
-from scipy.stats import shapiro, levene, kruskal
-from statsmodels.formula.api import ols
-import statsmodels.api as sm
-
-# -----------------------------------------------------
-# Configuração da Página
-# -----------------------------------------------------
-st.set_page_config(
-    page_title="Dashboard - Testes de Hipóteses com AmesHousing",
-    layout="wide",
-    initial_sidebar_state="expanded"
-)
-
-st.markdown("<h1 style='text-align:center;color:#003366;'>Simulador de Testes de Hipótese</h1>", unsafe_allow_html=True)
-st.markdown("<h3 style='text-align:center;color:#003366;'>Análise do Dataset AmesHousing</h3>", unsafe_allow_html=True)
-st.markdown("---")
-
-# -----------------------------------------------------
-# Abas do Dashboard
-# -----------------------------------------------------
-tabs = st.tabs(["Simulações Teóricas", "Análise AmesHousing"])
-
-# -----------------------------------------------------
-# Aba 1: Simulações Teóricas
-# -----------------------------------------------------
-with tabs[0]:
-    st.subheader("Teste de Hipótese para cálculo do valor das casas")
-
-    st.sidebar.markdown("### Parâmetros do Teste (Proporção)")
-    p_pop      = st.sidebar.slider("Proporção populacional (H0)", 0.0, 1.0, 0.1, 0.01, key="p_pop")
-    p_sample   = st.sidebar.slider("Proporção amostral", 0.0, 1.0, 0.12, 0.01, key="p_sample")
-    n          = st.sidebar.slider("Tamanho da amostra", 100, 10000, 1000, 10, key="n_sample")
-    alpha_prop = st.sidebar.slider("Nível de significância (α)", 0.01, 0.10, 0.05, 0.01, key="alpha_prop")
-
-    se      = np.sqrt(p_pop*(1-p_pop)/n)
-    z       = (p_sample - p_pop)/se
-    p_value = 2*(1 - stats.norm.cdf(abs(z)))
-
-    st.write(f"**Z** = {z:.4f}")
-    st.write(f"**p-valor** = {p_value:.4f}")
-    if p_value < alpha_prop:
-        st.write("**Rejeitamos H0**: diferença significativa.")
-    else:
-        st.write("**Não rejeitamos H0**: sem diferença significativa.")
-
-# -----------------------------------------------------
-# Aba 2: Análise AmesHousing
-# -----------------------------------------------------
-with tabs[1]:
-    st.subheader("Análise de Variância - AmesHousing Dataset")
-    st.markdown("---")
-
-    # Leitura do CSV
-    casa_data = pd.read_csv("../Dados/AmesHousing.csv")
-    casa_data.columns = casa_data.columns.str.strip().str.replace(" ", "_")
-
-    # -----------------------------
-    # Amostragem
-    # -----------------------------
-    n_amostra = st.session_state.get("n_sample", len(casa_data))
-    if n_amostra < len(casa_data):
-        dados = casa_data.sample(n=n_amostra, random_state=42)
-    else:
-        dados = casa_data.copy()
-
-    # -----------------------------
-    # Filtro interativo no sidebar
-    # -----------------------------
-    st.sidebar.markdown("### Filtros AmesHousing")
-
-    bairros = st.sidebar.multiselect(
-        "Selecione bairros",
-        options=sorted(dados["Neighborhood"].dropna().unique()),
-        default=None
-    )
-
-    # Aplicar filtro
-    dados_filtrados = dados.copy()
-    if bairros:
-        dados_filtrados = dados_filtrados[dados_filtrados["Neighborhood"].isin(bairros)]
-
-    # -------------------------------------------------
-    # Análise Exploratória
-    # -------------------------------------------------
-    st.markdown("### Distribuição do Preço de Venda")
-    if not dados_filtrados.empty:
-        fig, ax = plt.subplots(figsize=(8,5))
-        sns.histplot(dados_filtrados['SalePrice'], kde=True, ax=ax)
-        ax.set_title("Distribuição do Preço de Venda")
-        st.pyplot(fig)
-    else:
-        st.warning("Nenhum dado disponível com os filtros aplicados.")
-
-    # Boxplots
-    st.markdown("### Boxplots das Variáveis Selecionadas")
-    variavel = st.selectbox(
-        "Escolha a variável categórica para comparar preços:",
-        ["Neighborhood","Garage_Type","Fireplaces"]
-    )
-
-    if not dados_filtrados.empty:
-        if len(dados_filtrados[variavel].dropna().unique()) > 1:
-            fig2, ax2 = plt.subplots(figsize=(12,6))
-            sns.boxplot(x=variavel, y="SalePrice", data=dados_filtrados, ax=ax2)
-            plt.xticks(rotation=90)
-            ax2.set_title(f"Preço de Venda por {variavel}")
-            st.pyplot(fig2)
-        else:
-            st.warning(f"Não é possível gerar boxplot: apenas uma categoria em {variavel} após os filtros.")
-
-    # Scatter interativo (média de preço por bairro)
-    st.markdown("### Preço Médio de Venda por Bairro")
-    if not dados_filtrados.empty:
-        bairro_grouped = dados_filtrados.groupby('Neighborhood').agg(
-            count=('SalePrice','size'),
-            mean_price=('SalePrice','mean')
-        ).reset_index()
-
-        bairro_filtered = bairro_grouped[bairro_grouped['count'] >= 5]
-        if not bairro_filtered.empty:
-            fig3 = px.scatter(
-                bairro_filtered,
-                x='mean_price',
-                y='Neighborhood',
-                size='count',
-                color='Neighborhood',
-                title='Preço Médio de Venda vs Bairro (Ames, Iowa)',
-                labels={'mean_price': 'Preço Médio de Venda', 'Neighborhood':'Bairro'},
-                opacity=0.8
-            )
-            st.plotly_chart(fig3, use_container_width=True)
-        else:
-            st.warning("Não há bairros suficientes após filtros para gerar o gráfico.")
-
-    # -------------------------------------------------
-    # ANOVA
-    # -------------------------------------------------
-    st.markdown("### ANOVA para Neighborhood, Garage_Type e Fireplaces")
-    alpha = st.sidebar.slider(
-        "Nível de significância (α) - ANOVA AmesHousing",
-        0.01,0.10,0.05,0.01,
-        key="alpha_ames"
-    )
-
-    if not dados_filtrados.empty:
-        for nome in ["Neighborhood", "Garage_Type", "Fireplaces"]:
-            categorias = dados_filtrados[nome].dropna().unique()
-            if len(categorias) < 2:
-                st.warning(f"ANOVA não pôde ser realizada para **{nome}** (menos de 2 grupos após os filtros).")
-                continue
-
-            modelo = ols(f'SalePrice ~ C({nome})', data=dados_filtrados).fit()
-            st.markdown(f"#### ANOVA - {nome}")
-            anova = sm.stats.anova_lm(modelo, typ=2)
-            st.dataframe(anova)
-
-        # -------------------------------------------------
-        # Validação dos Pressupostos
-        # -------------------------------------------------
-        st.markdown("### Validação dos Pressupostos da ANOVA")
-
-        st.markdown("#### Teste de Normalidade (Shapiro-Wilk)")
-        for nome in ["Neighborhood","Garage_Type","Fireplaces"]:
-            categorias = dados_filtrados[nome].dropna().unique()
-            if len(categorias) < 2:
-                st.warning(f"Shapiro-Wilk não pôde ser realizado para **{nome}** (menos de 2 grupos após os filtros).")
-                continue
-
-            modelo = ols(f'SalePrice ~ C({nome})', data=dados_filtrados).fit()
-            residuos = modelo.resid
-            stat, p = shapiro(residuos.dropna())
-            st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}  "
-                     + ("resíduos normais" if p >= alpha else "violação de normalidade"))
-
-        st.markdown("#### Teste de Homocedasticidade (Levene)")
-        for nome in ["Neighborhood","Garage_Type","Fireplaces"]:
-            grupos = [grupo["SalePrice"].dropna() for _, grupo in dados_filtrados.groupby(nome)]
-            if len(grupos) < 2:
-                st.warning(f"Levene não pôde ser realizado para **{nome}** (menos de 2 grupos após os filtros).")
-                continue
-
-            stat, p = levene(*grupos)
-            st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}  "
-                     + ("variâncias iguais" if p >= alpha else "variâncias diferentes"))
-
-        # -------------------------------------------------
-        # Kruskal-Wallis
-        # -------------------------------------------------
-        st.markdown("### Teste não-paramétrico (Kruskal-Wallis)")
-        for nome in ["Neighborhood","Garage_Type","Fireplaces"]:
-            grupos = [grupo["SalePrice"].dropna() for _, grupo in dados_filtrados.groupby(nome)]
-            if len(grupos) < 2:
-                st.warning(f"Kruskal-Wallis não pôde ser realizado para **{nome}** (menos de 2 grupos após os filtros).")
-                continue
-
-            stat, p = kruskal(*grupos)
-            st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}  "
-                     + ("diferenças significativas" if p < alpha else "sem diferença significativa"))
-
-       
+"""
+# Welcome to Streamlit!
+
+Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
+If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
+forums](https://discuss.streamlit.io).
+
+In the meantime, below is an example of what you can do with just a few lines of code:
+"""
+
+num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
+num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
+
+indices = np.linspace(0, 1, num_points)
+theta = 2 * np.pi * num_turns * indices
+radius = indices
+
+x = radius * np.cos(theta)
+y = radius * np.sin(theta)
+
+df = pd.DataFrame({
+    "x": x,
+    "y": y,
+    "idx": indices,
+    "rand": np.random.randn(num_points),
+})
+
+st.altair_chart(alt.Chart(df, height=700, width=700)
+    .mark_point(filled=True)
+    .encode(
+        x=alt.X("x", axis=None),
+        y=alt.Y("y", axis=None),
+        color=alt.Color("idx", legend=None, scale=alt.Scale()),
+        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
+    ))