adeus vf

Author: matheusrueda

.gitignore

@@ -8,6 +8,7 @@ ENV/
 env/
 
 # Estudos e Testes Locais (Matheus)
+# Painel rodando em https://matheusrueda.github.io/projeto-cd-ed/
 .understand-anything/
 .understandignore
 

README.md

@@ -1,132 +1,73 @@
-# 📊 Painel Histórico de Inflação Brasileira (IPCA)
-### Dashboard Interativo · Ciência de Dados · Python · Streamlit · API IBGE
+# 📊 Painel Histórico de Inflação (IPCA)
 
-> **Status do Projeto:** Concluído ✅  |  **Linguagem:** Python 3  |  **Interface:** Streamlit  |  **Dados:** IBGE/SIDRA API
+Um dashboard interativo e dinâmico que analisa a inflação oficial do Brasil (IPCA) de **2016 a 2025**. O objetivo é traduzir índices econômicos complexos em um impacto compreensível no dia a dia, demonstrando a corrosão do poder de compra no bolso do brasileiro ao longo dos últimos 10 anos.
 
 ---
 
-## 📌 Sobre o Projeto
-
-Dashboard interativo desenvolvido como **projeto acadêmico de Ciência de Dados** que analisa a trajetória da inflação brasileira (IPCA) entre **2016 e 2025**, calculando tanto as variações anuais quanto o **fator de inflação composta acumulada** ao longo da última década.
-
-O projeto implementa um pipeline **ETL completo** com consumo da **API SIDRA do IBGE**, transformação dos dados com **Pandas** e visualização interativa com **Plotly** e **Streamlit**. Um mecanismo de fallback offline garante resiliência mesmo sem acesso à rede.
-
----
-
-## 🎯 Objetivos e Perguntas-Chave
-
-1. **Choque Inflacionário Anual** — Quais anos registraram os maiores desvios da meta e quais fatores (cadeias de suprimentos, reajustes tarifários) explicaram esses picos?
-2. **Perda Acumulada de Poder de Compra** — Qual foi a desvalorização real do Real brasileiro ao longo dos 10 anos analisados?
-3. **Padrão Mensal de Crise** — Qual a média inflacionária em anos de inflação controlada versus anos de dois dígitos?
-
----
-
-## 💾 Fonte de Dados
-
-| Campo | Detalhe |
-|---|---|
-| **API** | [SIDRA/IBGE](https://apisidra.ibge.gov.br/) — Sistema IBGE de Recuperação Automática |
-| **Tabela** | 1737 — IPCA Série Histórica de Variação Mensal |
-| **Variável** | 63 — Variação Mensal (%) |
-| **Cobertura** | Últimos 144 meses · Brasil · Mensal |
-| **Biblioteca** | `sidrapy` |
-
----
-
-## 🏗️ Arquitetura do Pipeline (ETL)
-
-```
-┌─────────────────────────────────────────────────────┐
-│                  Pipeline de Dados                   │
-├──────────────┬──────────────────┬───────────────────┤
-│  Extração    │  Transformação   │  Visualização     │
-│  (IBGE API)  │  (Pandas/Cálculo)│  (Streamlit/Plot.)│
-│              │                  │                   │
-│ sidrapy  ──► │ ipca_bruto.csv   │ ipca_limpo.csv ──►│
-│ fallback CSV │ fator composto   │ Dashboard UI      │
-└──────────────┴──────────────────┴───────────────────┘
-```
-
-1. **`src/extracao_ibge.py`** — Conecta à API SIDRA, baixa os dados brutos; aciona fallback CSV se a API estiver indisponível → `data/ipca_bruto.csv`
-2. **`src/transformacao.py`** — Filtra, converte tipos, ordena cronologicamente e calcula o fator de inflação composta anual → `data/ipca_limpo.csv`
-3. **`app.py`** — Interface Streamlit que consome somente os dados tratados, com plotagem interativa e filtragem instantânea
-
----
-
-## 💻 Stack Tecnológico
-
-| Tecnologia | Uso |
-|---|---|
-| **Python 3** | Linguagem principal (PEP 484 type hints · PEP 257 docstrings) |
-| **Streamlit** | Dashboard interativo e interface SaaS |
-| **Pandas** | Manipulação e vetorização matemática dos dados |
-| **Plotly** | Gráficos interativos e responsivos |
-| **sidrapy** | Consumo da API SIDRA/IBGE |
+## 💡 O que o painel responde?
+* **O custo de vida aumentou quanto?** Veja o cálculo do fator de inflação acumulada e composta no período que você escolher.
+* **Qual foi o pico da inflação?** Identifique os anos mais críticos (como os impactos globais de 2021 e 2022).
+* **Como isso afeta meu bolso?** Utilize o **Simulador de Poder de Compra** para ver quanto custa hoje um item básico do passado (como um cafezinho ou uma cesta básica).
 
 ---
 
-## 📂 Estrutura do Repositório
+## 🏗️ Como o projeto foi construído
+Para garantir performance e manter a interface rápida, separamos o processamento dos dados da visualização final (arquitetura desacoplada):
 
-```
-projeto-cd-ed/
-├── data/
-│   ├── ipca_bruto.csv           # Backup da API / Fallback offline
-│   └── ipca_limpo.csv           # Dados transformados prontos para o dashboard
-├── src/
-│   ├── extracao_ibge.py         # ETL — Extração via API SIDRA
-│   └── transformacao.py         # ETL — Limpeza e cálculo do fator composto
-├── .streamlit/
-│   └── config.toml              # Configurações do Streamlit
-├── app.py                       # Dashboard Streamlit principal
-├── requirements.txt             # Dependências Python
-└── README.md                    # Documentação do projeto
-```
+* **Extração (`src/extracao_ibge.py`):** Conecta à API SIDRA do IBGE para buscar os dados mensais brutos (Tabela 1737). Possui um teste de conectividade rápido (3s) com fallback local automático se a API estiver fora do ar.
+* **Transformação (`src/transformacao.py`):** Processa os dados brutos usando Pandas, calculando os acumulados anuais e os fatores de multiplicação.
+* **Interface (`app.py`):** Dashboard construído com Streamlit, utilizando Plotly para gráficos fluidos e interativos.
 
 ---
 
 ## 🚀 Como Executar Localmente
 
-**Pré-requisitos:** Python 3.8+
+### Pré-requisito
+Ter o Python 3.8+ instalado em sua máquina.
+
+### Passo a Passo
 
 ```bash
-# 1. Clone o repositório
+# 1. Obter o repositório
 git clone https://github.com/matheusrueda/projeto-cd-ed.git
 cd projeto-cd-ed
 
-# 2. Crie e ative um ambiente virtual
+# 2. Criar e ativar o ambiente virtual (Recomendado)
 python -m venv venv
-source venv/bin/activate          # Linux/Mac
-# .\venv\Scripts\Activate.ps1    # Windows (PowerShell)
+# No Windows:
+.\venv\Scripts\activate
+# No Linux/Mac:
+source venv/bin/activate
 
-# 3. Instale as dependências
+# 3. Instalar as dependências
 pip install -r requirements.txt
 
-# 4. Execute o pipeline ETL
+# 4. Rodar o pipeline ETL (baixa e trata os dados)
 python src/extracao_ibge.py
 python src/transformacao.py
 
-# 5. Inicie o dashboard
+# 5. Iniciar o dashboard no navegador
 streamlit run app.py
-# Acesse: http://localhost:8501
 ```
 
 ---
 
-## 👥 Equipe
-
-| Nome | Papel |
-|---|---|
-| **Matheus** | Arquitetura do pipeline, ETL, Dashboard UI |
-| **Luis** | Análise de dados e transformações |
-| **Henrique** | Extração da API e fallback |
-| **Guilherme** | Visualização e Plotly |
-| **João** | Documentação e testes |
+## 🛠️ Tecnologias Utilizadas
+* **Python 3:** Linguagem base com tipagem estática nos scripts.
+* **Streamlit:** Interface web rápida e intuitiva.
+* **Pandas:** Manipulação matemática e agrupamento de dados.
+* **Plotly:** Gráficos interativos responsivos.
+* **sidrapy:** Cliente Python oficial para a API do IBGE.
+* **orjson:** Serialização JSON acelerada para renderização instantânea dos gráficos.
 
 ---
 
-## 📄 Licença
-
-Projeto acadêmico — uso educacional. Consulte os membros da equipe para outros usos.
+## 👥 Equipe
+* **Matheus** 
+* **Luis** 
+* **Henrique** 
+* **Guilherme** 
+* **João**
 
 ---
 

app.py

@@ -7,17 +7,14 @@
 # 1. CONFIGURAÇÃO DA PÁGINA E ESTILOS
 st.set_page_config(
     page_title="Análise de Inflação - IPCA",
-    page_icon="📈",
+    page_icon="📊",
     layout="wide",
     initial_sidebar_state="expanded"
 )
 
 # Estilização CSS para visual limpo e legível (Dark Mode adaptado com Fira Code nos números)
 st.markdown("""
     <style>
-        /* Importação das fontes do Google Fonts */
-        @import url('https://fonts.googleapis.com/css2?family=Plus+Jakarta+Sans:wght@300;400;500;600;700;800&family=Fira+Code:wght@400;500;600;700&display=swap');
-        
         /* Ajuste de fontes globais no app */
         html, body, [class*="css"], .stMarkdown {
             font-family: 'Plus Jakarta Sans', sans-serif;
@@ -97,7 +94,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
 
 # 3. INTERFACE DE USUÁRIO (STREAMLIT)
 if df_ipca.empty:
-    st.error("❌ Base de dados local não encontrada!")
+    st.error("Base de dados local não encontrada!")
     st.info("Por favor, execute o pipeline de dados no terminal: `python src/extracao_ibge.py` seguido por `python src/transformacao.py`.")
 else:
     # Sidebar Acadêmica
@@ -112,7 +109,6 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
     st.sidebar.markdown(
         "<p style='color: #94a3b8; font-size: 0.85rem; line-height: 1.5;'>"
         "Este painel analisa a trajetória histórica da inflação oficial do país de forma interativa. "
-        "Desenvolvido de forma modular com pipeline ETL separado da camada de apresentação."
         "</p>",
         unsafe_allow_html=True
     )
@@ -143,7 +139,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
     )
 
     if not anos_selecionados:
-        st.warning("⚠️ Selecione pelo menos um ano na barra lateral para carregar as análises.")
+        st.warning("Selecione pelo menos um ano na barra lateral para carregar as análises.")
     else:
         # Filtra os dados com base na seleção
         df_filtrado = df_ipca[df_ipca["Ano"].isin(anos_selecionados)].copy()
@@ -192,30 +188,51 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
 
         st.markdown("<br>", unsafe_allow_html=True)
 
-        # SEÇÃO NOVA: SIMULADOR DE PODER DE COMPRA (Humanização e Storytelling interativo)
-        st.markdown("### 🛒 O Impacto da Inflação no seu Bolso")
+        # SEÇÃO NOVA: SIMULADOR DE PODER DE COMPRA
+        st.markdown("### O Impacto da Inflação no seu Bolso")
 
         st.markdown(
             "<div class='simulador-card'>"
             "<p style='margin-top:0; color:#f3f4f6; font-size:1rem; font-weight:600;'>"
             "Simulador Prático de Perda de Poder de Compra"
             "</p>"
             "<p style='color:#94a3b8; font-size:0.9rem; margin-bottom:15px; line-height:1.5;'>"
-            "Insira um valor em dinheiro que você possuía no início do período filtrado. O simulador calculará "
-            "o quanto de dinheiro você precisaria hoje para comprar a mesma cesta de produtos ou serviços, "
+            "Insira um valor em dinheiro no início do período filtrado. O simulador calculará "
+            "o quanto seria equivalente hoje, "
             "demonstrando visualmente o efeito da corrosão inflacionária."
             "</p>"
             "</div>",
             unsafe_allow_html=True
         )
 
         # Caixas do simulador lado a lado
-        s_col1, s_col2 = st.columns([1, 2])
+        s_col1, s_col2 = st.columns([1.2, 1.8])
         with s_col1:
+            exemplo_selecionado = st.selectbox(
+                "Escolha um exemplo real:",
+                options=[
+                    "Customizado (R$ 100)",
+                    "Cafezinho Simples (R$ 3,50)",
+                    "Almoço Comercial (R$ 25,00)",
+                    "Cesta Básica Familiar (R$ 400,00)",
+                    "Salário Mínimo de 2016 (R$ 880,00)"
+                ]
+            )
+            
+            valores_exemplo = {
+                "Customizado (R$ 100)": 100.0,
+                "Cafezinho Simples (R$ 3,50)": 3.50,
+                "Almoço Comercial (R$ 25,00)": 25.0,
+                "Cesta Básica Familiar (R$ 400,00)": 400.0,
+                "Salário Mínimo de 2016 (R$ 880,00)": 880.0
+            }
+            
+            valor_base = valores_exemplo[exemplo_selecionado]
+            
             valor_original = st.number_input(
-                "Valor de Referência (R$):",
-                min_value=1.0,
-                value=100.0,
+                "Ou digite outro valor (R$):",
+                min_value=0.1,
+                value=float(valor_base),
                 step=10.0,
                 help="Digite o valor que servirá de base histórica no início do período."
             )
@@ -225,32 +242,41 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
         ano_inicial = df_filtrado["Ano"].min()
         ano_final = df_filtrado["Ano"].max()
 
+        descricoes = {
+            "Customizado (R$ 100)": "Uma compra genérica",
+            "Cafezinho Simples (R$ 3,50)": "Aquele cafezinho rápido na padaria",
+            "Almoço Comercial (R$ 25,00)": "Um almoço comercial básico",
+            "Cesta Básica Familiar (R$ 400,00)": "A cesta de mantimentos e alimentos da família",
+            "Salário Mínimo de 2016 (R$ 880,00)": "A renda mensal equivalente a um salário mínimo da época"
+        }
+        item_nome = descricoes[exemplo_selecionado]
+        
         with s_col2:
             st.markdown(
                 f"<div style='margin-top: 10px;'>"
                 f"<p style='font-size: 1.05rem; line-height: 1.6; color: #f3f4f6;'>"
-                f"Uma compra que custava <strong>R$ {valor_original:.2f}</strong> em {ano_inicial}, custaria hoje em dia "
+                f"{item_nome} que custava <strong>R$ {valor_original:.2f}</strong> em {ano_inicial}, custaria aproximadamente "
                 f"<span style='color: #db2777; font-weight: 700; font-family: Fira Code;'>R$ {valor_necessario:.2f}</span> em {ano_final} "
-                f"para manter exatamente o mesmo padrão de consumo."
+                f"para manter exatamente o mesmo padrão de consumo de itens equivalentes."
                 f"</p>"
                 f"<p style='font-size: 0.9rem; color: #94a3b8; margin: 0;'>"
-                f"O seu dinheiro sofreu uma <strong>perda real de poder de compra de {perda_poder_compra:.1f}%</strong> durante este intervalo temporal."
+                f"Isso representa uma <strong>corrosão real de {perda_poder_compra:.1f}% no poder de compra</strong> do Real brasileiro durante este período."
                 f"</p>"
                 f"</div>",
                 unsafe_allow_html=True
             )
 
         st.markdown("<hr style='border: 0; height: 1px; background: rgba(255,255,255,0.05); margin-top: 25px; margin-bottom: 25px;'>", unsafe_allow_html=True)
 
-        # Abas Acadêmicas
+        # Abas
         tab_graficos, tab_tabela, tab_analise = st.tabs([
             "Visualização Gráfica", 
             "Tabela de Dados Consolidados", 
             "Análise Histórica & Crises"
         ])
 
         with tab_graficos:
-            # Gráficos em duas colunas (Layout SaaS Clean)
+            # Gráficos em duas colunas
             g_col1, g_col2 = st.columns(2)
 
             with g_col1:
@@ -266,7 +292,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
                     template="plotly_dark"
                 )
 
-                # Customização visual do gráfico de barras para estilo SaaS premium dark
+                # Customização visual do gráfico de barras
                 fig_bar.update_traces(
                     marker_color="#2563eb",
                     texttemplate="%{text:.2f}%",
@@ -290,7 +316,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
                     height=380,
                     hovermode="x"
                 )
-                st.plotly_chart(fig_bar, use_container_width=True)
+                st.plotly_chart(fig_bar, use_container_width=True, config={'displayModeBar': False})
 
             with g_col2:
                 st.markdown("<p style='font-weight: 700; font-size: 1.15rem; color: #f3f4f6; margin-bottom: 15px;'>Trajetória da Inflação Composta no Período</p>", unsafe_allow_html=True)
@@ -305,7 +331,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
                     labels={"Trajetoria_Composta": "Inflação Acumulada Composta (%)", "Ano": "Ano"},
                     template="plotly_dark"
                 )
-                # Customização visual da linha e área para estilo SaaS premium dark
+                # Customização visual da linha e área
                 fig_line.update_traces(
                     line_color="#db2777",
                     line_width=3,
@@ -342,7 +368,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
                     ),
                     height=380
                 )
-                st.plotly_chart(fig_line, use_container_width=True)
+                st.plotly_chart(fig_line, use_container_width=True, config={'displayModeBar': False})
 
         with tab_tabela:
             st.markdown("<p style='font-weight: 700; font-size: 1.15rem; color: #f3f4f6; margin-bottom: 15px;'>Tabela de Dados Consolidados</p>", unsafe_allow_html=True)
@@ -353,10 +379,10 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
             df_tabela["Acumulado_Ano"] = df_tabela["Acumulado_Ano"].map("{:.2f}%".format)
             df_tabela["Inflacao_Composta_Acumulada_Perc"] = df_tabela["Inflacao_Composta_Acumulada_Perc"].map("{:.2f}%".format)
 
-            # Remove colunas auxiliares temporárias antes de exibir
+            # Remove colunas auxiliares
             df_tabela = df_tabela.drop(columns=["Fator_Interno", "Trajetoria_Composta"])
 
-            # Renomeia colunas para a exibição ficar mais profissional e legível
+            # Renomeia colunas para a exibição
             df_tabela.columns = [
                 "Ano", 
                 "Média Inflação Mensal", 
@@ -372,7 +398,7 @@ def carregar_dados(caminho: str) -> pd.DataFrame:
             )
 
         with tab_analise:
-            # Análise Histórica Contextual formatada elegantemente
+            # Análise Histórica Contextual formatada
             st.markdown("""
             <div style="background-color: rgba(30, 41, 59, 0.4); border: 1px solid rgba(255, 255, 255, 0.08); padding: 25px; border-radius: 14px; margin-top: 10px;">
                 <h4 style="margin-top:0; color:#2563eb; font-weight:800; font-size:1.25rem;">Entendendo o Comportamento Inflacionário Recente</h4>