src/streamlit_app.py

#!/usr/bin/env python
# coding: utf-8

# =====================================================
# Dashboard - AmesHousing (Tarefa 4) - versão compacta
# =====================================================

import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import numpy as np

from scipy.stats import shapiro, levene, kruskal
from statsmodels.formula.api import ols
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
from statsmodels.stats.outliers_influence import variance_inflation_factor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# -----------------------------------------------------
# Configuração da Página
# -----------------------------------------------------
st.set_page_config(
    page_title="Dashboard - AmesHousing (Tarefa 4)",
    layout="wide",
    initial_sidebar_state="expanded"
)
st.query_params.clear()

st.markdown("<h1 style='text-align:center;color:#003366;'>Análise do Dataset AmesHousing</h1>", unsafe_allow_html=True)
st.markdown("---")

# -----------------------------------------------------
# Leitura do CSV
# -----------------------------------------------------
@st.cache_data
def carregar_dados():
    paths_tentativa = [
        "AmesHousing.csv",
        "/mnt/data/AmesHousing.csv",
        "../Dados/AmesHousing.csv",
    ]
    for p in paths_tentativa:
        try:
            df = pd.read_csv(p)
            return df
        except:
            continue
    return pd.DataFrame()

casa_data = carregar_dados()
casa_data.columns = casa_data.columns.str.strip().str.replace(" ", "_")

# -----------------------------
# Sidebar — Filtros + Seleção de Variáveis (Regressão)
# -----------------------------
st.sidebar.markdown("### Filtros AmesHousing")

bairros = st.sidebar.multiselect(
    "Selecione bairros",
    options=sorted(casa_data["Neighborhood"].dropna().unique()),
    default=None
)

dados_filtrados = casa_data.copy()
if bairros:
    dados_filtrados = dados_filtrados[dados_filtrados["Neighborhood"].isin(bairros)]

st.sidebar.markdown("---")
st.sidebar.subheader("Regressão Linear — Tarefa 4 (PPCA/UnB)")
st.sidebar.markdown("Selecione variáveis para modelagem do **SalePrice** (alvo).")

candidatos_numericas = [
    c for c in [
        'Bedroom_AbvGr','Full_Bath','Half_Bath','TotRms_AbvGrd','Gr_Liv_Area',
        'Garage_Cars','Garage_Area','Overall_Qual','Overall_Cond','Year_Built','Lot_Area',
        'Fireplaces'
    ] if c in dados_filtrados.columns
]
candidatos_categoricas = [c for c in ['Neighborhood','House_Style','Bldg_Type','Garage_Type','Kitchen_Qual'] if c in dados_filtrados.columns]

feats_num = st.sidebar.multiselect("Numéricas", options=candidatos_numericas, default=['Bedroom_AbvGr','Garage_Cars','Gr_Liv_Area'] if 'Garage_Cars' in candidatos_numericas else candidatos_numericas[:2])
feats_cat = st.sidebar.multiselect("Categóricas", options=candidatos_categoricas, default=['Neighborhood'] if 'Neighborhood' in candidatos_categoricas else [])

interagir = st.sidebar.checkbox("Adicionar interação entre duas variáveis", value=False)
inter_1 = inter_2 = None
if interagir:
    inter_1 = st.sidebar.selectbox("Variável 1 (para interação)", options=feats_num + feats_cat, index=0 if feats_num else 0)
    inter_2 = st.sidebar.selectbox("Variável 2 (para interação)", options=[v for v in feats_num + feats_cat if v != inter_1], index=0)

usar_logy = st.sidebar.checkbox("Aplicar transformação log(SalePrice) caso pressupostos sejam violados", value=False)
teste_size = st.sidebar.slider("Proporção de teste (holdout)", 0.1, 0.5, 0.2, 0.05)
alpha_reg = st.sidebar.slider("Nível de significância (α) — Regressão", 0.01, 0.10, 0.05, 0.01)

# >>> botão agora na sidebar <<<
ajustar = st.sidebar.button("Ajustar modelo")

# -------------------------------------------------
# Conteúdo principal — Análises
# -------------------------------------------------

# Distribuição de Preço de Venda
st.subheader("Distribuição do Preço de Venda")
if not dados_filtrados.empty:
    fig, ax = plt.subplots(figsize=(5,3.5))
    sns.histplot(dados_filtrados['SalePrice'], kde=True, ax=ax)
    st.pyplot(fig, clear_figure=True, use_container_width=False)

# Boxplots
st.subheader("Boxplots das Variáveis Selecionadas")
variavel = st.selectbox(
    "Escolha a variável categórica para comparar preços:",
    ["Neighborhood","Garage_Type","Fireplaces"]
)
if not dados_filtrados.empty and len(dados_filtrados[variavel].dropna().unique()) > 1:
    fig2, ax2 = plt.subplots(figsize=(5,3.5))
    sns.boxplot(x=variavel, y="SalePrice", data=dados_filtrados, ax=ax2)
    plt.xticks(rotation=60)
    st.pyplot(fig2, clear_figure=True, use_container_width=False)

# Scatter interativo
st.subheader("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',
            labels={'mean_price': 'Preço Médio de Venda', 'Neighborhood':'Bairro'}
        )
        fig3.update_layout(width=550, height=320)
        st.plotly_chart(fig3, use_container_width=False)

# =================================================
# Regressão Linear — Tarefa 4
# =================================================
def construir_formula(y, feats_num, feats_cat, inter_1=None, inter_2=None):
    termos = feats_num + [f"C({c})" for c in feats_cat]
    if inter_1 and inter_2:
        a = f"C({inter_1})" if inter_1 in feats_cat else inter_1
        b = f"C({inter_2})" if inter_2 in feats_cat else inter_2
        termos.append(f"{a}:{b}")
    rhs = " + ".join(termos) if termos else "1"
    return f"{y} ~ {rhs}"

if ajustar:   # botão na sidebar
    cols_necessarias = ['SalePrice'] + feats_num + feats_cat
    if interagir and inter_1 and inter_2:
        cols_necessarias += [inter_1, inter_2]
    df_modelo = dados_filtrados[cols_necessarias].dropna().copy()
    if not df_modelo.empty:
        y_col = 'SalePrice'
        if usar_logy:
            df_modelo['SalePrice'] = np.log(df_modelo['SalePrice'])
        formula = construir_formula(y_col, feats_num, feats_cat, inter_1 if interagir else None, inter_2 if interagir else None)
        df_treino, df_teste = train_test_split(df_modelo, test_size=teste_size, random_state=42)
        model = ols(formula, data=df_treino).fit()

        st.code(formula)
        st.dataframe(model.summary2().tables[1], use_container_width=False, height=200)

        y_true, y_pred = df_teste['SalePrice'], model.predict(df_teste)
        if usar_logy:
            y_true, y_pred = np.exp(y_true), np.exp(y_pred)
        metrics = pd.DataFrame({
            'Métrica': ['R²','RMSE','MAE'],
            'Valor': [r2_score(y_true, y_pred),
                      mean_squared_error(y_true, y_pred, squared=False),
                      mean_absolute_error(y_true, y_pred)]
        })
        st.dataframe(metrics, use_container_width=False, height=120)

        # Gráficos diagnósticos compactos
        residuos, fitted = model.resid, model.fittedvalues
        cols = st.columns(3)
        with cols[0]:
            fig_r, ax_r = plt.subplots(figsize=(3,3))
            ax_r.scatter(fitted, residuos, alpha=0.5)
            ax_r.axhline(0, color='red', linestyle='--')
            st.pyplot(fig_r, clear_figure=True, use_container_width=False)
        with cols[1]:
            fig_q, ax_q = plt.subplots(figsize=(3,3))
            sm.qqplot(residuos, line='45', fit=True, ax=ax_q)
            st.pyplot(fig_q, clear_figure=True, use_container_width=False)
        with cols[2]:
            fig_h, ax_h = plt.subplots(figsize=(3,3))
            sns.histplot(residuos, kde=True, ax=ax_h)
            st.pyplot(fig_h, clear_figure=True, use_container_width=False)