Update src/streamlit_app.py

src/streamlit_app.py

@@ -2,7 +2,7 @@
 # coding: utf-8
 
 # =====================================================
-# Dashboard - AmesHousing (Tarefa 4)
+# Dashboard - AmesHousing (Tarefa 4) - versão otimizada
 # =====================================================
 
 import streamlit as st
@@ -28,6 +28,7 @@ st.set_page_config(
     layout="wide",
     initial_sidebar_state="expanded"
 )
+st.experimental_set_query_params()  # mantém posição estável na página
 
 st.markdown("<h1 style='text-align:center;color:#003366;'>Análise do Dataset AmesHousing</h1>", unsafe_allow_html=True)
 st.markdown("---")
@@ -106,7 +107,7 @@ 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)
+    st.pyplot(fig, clear_figure=True, use_container_width=False)
 else:
     st.warning("Nenhum dado disponível com os filtros aplicados.")
 
@@ -123,18 +124,21 @@ if not dados_filtrados.empty:
         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)
+        st.pyplot(fig2, clear_figure=True, use_container_width=False)
     else:
         st.warning(f"Não é possível gerar boxplot: apenas uma categoria em {variavel} após os filtros.")
 
 # Scatter interativo
 st.subheader("Preço Médio de Venda por Bairro")
-if not dados_filtrados.empty:
-    bairro_grouped = dados_filtrados.groupby('Neighborhood').agg(
+@st.cache_data
+def agrupar_bairros(df):
+    return df.groupby('Neighborhood').agg(
         count=('SalePrice','size'),
         mean_price=('SalePrice','mean')
     ).reset_index()
 
+if not dados_filtrados.empty:
+    bairro_grouped = agrupar_bairros(dados_filtrados)
     bairro_filtered = bairro_grouped[bairro_grouped['count'] >= 5]
     if not bairro_filtered.empty:
         fig3 = px.scatter(
@@ -147,7 +151,7 @@ if not dados_filtrados.empty:
             labels={'mean_price': 'Preço Médio de Venda', 'Neighborhood':'Bairro'},
             opacity=0.8
         )
-        st.plotly_chart(fig3, use_container_width=True)
+        st.plotly_chart(fig3, use_container_width=False)
     else:
         st.warning("Não há bairros suficientes após filtros para gerar o gráfico.")
 
@@ -163,18 +167,13 @@ 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:
@@ -182,26 +181,7 @@ if not dados_filtrados.empty:
         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:
-            continue
-        stat, p = levene(*grupos)
-        st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}  "
-                 + ("variâncias iguais" if p >= alpha else "variâncias diferentes"))
-
-    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:
-            continue
-        stat, p = kruskal(*grupos)
-        st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}  "
-                 + ("diferenças significativas" if p < alpha else "sem diferença significativa"))
+        st.write(f"{nome}: estatística={stat:.3f}, p={p:.3f}")
 
 # =================================================
 # Regressão Linear — Tarefa 4
@@ -232,107 +212,38 @@ if st.button("Ajustar modelo"):
             y_col = '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.markdown("#### Especificação do Modelo")
         st.code(formula)
-
         st.markdown("#### Coeficientes e Inferência")
         st.dataframe(model.summary2().tables[1])
 
-        sig = model.pvalues < alpha_reg
-        interpretacoes = []
-        for nome, beta in model.params.items():
-            if nome == 'Intercept':
-                continue
-            tag = "significativo" if sig.get(nome, False) else "não significativo"
-            direcao = "aumenta" if beta > 0 else "reduz"
-            interpretacoes.append(f"• {nome}: {tag}; coef. {beta:.3f} ⇒ {direcao} o preço esperado, ceteris paribus.")
-        if interpretacoes:
-            st.markdown("**Leitura rápida dos coeficientes:**\n" + "\n".join(interpretacoes))
-
+        # Métricas
         y_true = df_teste['SalePrice']
         y_pred = model.predict(df_teste)
         if usar_logy:
-            y_true_exp = np.exp(y_true)
-            y_pred_exp = np.exp(y_pred)
-            R2 = r2_score(y_true_exp, y_pred_exp)
-            RMSE = mean_squared_error(y_true_exp, y_pred_exp, squared=False)
-            MAE = mean_absolute_error(y_true_exp, y_pred_exp)
-        else:
-            R2 = r2_score(y_true, y_pred)
-            RMSE = mean_squared_error(y_true, y_pred, squared=False)
-            MAE = mean_absolute_error(y_true, y_pred)
-
-        met_df = pd.DataFrame({
-            'Métrica': ['R²', 'RMSE', 'MAE'],
-            'Valor': [R2, RMSE, MAE]
-        })
-        st.markdown("#### Avaliação do Modelo (holdout)")
-        st.dataframe(met_df)
-
+            y_true = np.exp(y_true)
+            y_pred = np.exp(y_pred)
+        R2 = r2_score(y_true, y_pred)
+        RMSE = mean_squared_error(y_true, y_pred, squared=False)
+        MAE = mean_absolute_error(y_true, y_pred)
+        st.dataframe(pd.DataFrame({'Métrica':['R²','RMSE','MAE'],'Valor':[R2,RMSE,MAE]}))
+
+        # Gráficos diagnósticos fixos
         residuos = model.resid
         fitted = model.fittedvalues
-
         cols = st.columns(3)
         with cols[0]:
-            st.markdown("**Resíduos vs Ajustados** (homocedasticidade)")
             fig_r, ax_r = plt.subplots(figsize=(4,3))
             ax_r.scatter(fitted, residuos, alpha=0.5)
             ax_r.axhline(0, color='red', linestyle='--')
-            ax_r.set_xlabel('Ajustados')
-            ax_r.set_ylabel('Resíduos')
-            st.pyplot(fig_r)
+            st.pyplot(fig_r, clear_figure=True, use_container_width=False)
         with cols[1]:
-            st.markdown("**QQ-Plot** (normalidade)")
             fig_q = sm.qqplot(residuos, line='45', fit=True)
-            st.pyplot(fig_q)
+            st.pyplot(fig_q, clear_figure=True, use_container_width=False)
         with cols[2]:
-            st.markdown("**Histograma dos Resíduos**")
             fig_h, ax_h = plt.subplots(figsize=(4,3))
             sns.histplot(residuos, kde=True, ax=ax_h)
-            st.pyplot(fig_h)
-
-        sh_stat, sh_p = shapiro(residuos)
-        bp_stat, bp_p, _, _ = het_breuschpagan(residuos, model.model.exog)
-        st.markdown("#### Testes de Pressupostos (Regressão)")
-        st.write(f"Shapiro-Wilk: estatística={sh_stat:.3f}, p={sh_p:.3f} → " + ("normalidade OK" if sh_p>=alpha_reg else "violação de normalidade"))
-        st.write(f"Breusch-Pagan: estatística={bp_stat:.3f}, p={bp_p:.3f} → " + ("homocedasticidade OK" if bp_p>=alpha_reg else "heterocedasticidade detectada"))
-
-        try:
-            design = model.model.exog
-            nomes = model.model.exog_names
-            vif_vals = []
-            for i in range(design.shape[1]):
-                try:
-                    vif_vals.append(variance_inflation_factor(design, i))
-                except Exception:
-                    vif_vals.append(np.nan)
-            vif_df = pd.DataFrame({'Variável': nomes, 'VIF': vif_vals})
-            st.markdown("#### VIF (Multicolinearidade)")
-            st.dataframe(vif_df)
-        except Exception as e:
-            st.info(f"Não foi possível calcular VIF: {e}")
-
-        avisos = []
-        if sh_p < alpha_reg:
-            avisos.append("Normalidade violada — considere log-transformar o alvo ou técnicas robustas.")
-        if bp_p < alpha_reg:
-            avisos.append("Heterocedasticidade — avalie transformação ou erros-padrão robustos (HC).")
-        if (pd.Series(vif_vals).dropna() > 10).any():
-            avisos.append("VIF > 10 em alguma variável — possível multicolinearidade.")
-        if avisos:
-            st.warning("\n".join(avisos))
-
-        if interagir and inter_1 and inter_2:
-            termo = f"C({inter_1}):C({inter_2})" if (inter_1 in feats_cat and inter_2 in feats_cat) else (
-                    f"C({inter_1}):{inter_2}" if inter_1 in feats_cat else (
-                    f"{inter_1}:C({inter_2})" if inter_2 in feats_cat else f"{inter_1}:{inter_2}"))
-            if termo in model.pvalues:
-                p_int = model.pvalues[termo]
-                st.info(f"Interação {termo} — p={p_int:.4f} → " + ("**significativa**" if p_int < alpha_reg else "não significativa"))
-
-        st.success("Modelagem concluída.")
-       
+            st.pyplot(fig_h, clear_figure=True, use_container_width=False)