salvando

carregar.py

@@ -76,7 +76,7 @@ def carregar_arquivoxls_mais_proxima():
         processar_arquivos_xls(diretorio, output_csv)
         print(output_csv)
         sleep(3)   
-        processar_arquivos_xls2(output_csv)
+        processar_arquivos_xls10(output_csv)
 
 # Função para calcular a distância euclidiana
 def calcular_distancia(lat1, lon1, lat2, lon2):
@@ -104,33 +104,22 @@ def processar_arquivos_xls(arquivo, output_csv):
     df.to_csv(output_csv, sep=";", encoding='utf-8', decimal='.', index=False)        
 
 
-def processar_arquivos_xls2(output_csv):
+def processar_arquivos_xls10(output_csv):
     df = pd.read_csv(output_csv, encoding='utf-8', sep=';', decimal='.')
-    df['1p'] = ''
+    # Criar dinamicamente as colunas de nomes e códigos
-    df['2p'] = ''
+    # Verificar quantas estações únicas existem
-    df['3p'] = ''
+    codigos_unicos = df['CODIGO'].dropna().unique()
-    df['4p'] = ''
+    qtd_estacoes = len(codigos_unicos)
-    df['5p'] = ''
-    df['6p'] = ''
-    df['7p'] = ''
-  #  df['8p'] = ''
-    #df['9p'] = ''
-    #df['10p'] = ''
-
-    df['1c'] = ''
-    df['2c'] = ''
-    df['3c'] = ''
-    df['4c'] = ''
-    df['5c'] = ''
-    df['6c'] = ''
-    df['7c'] = ''
- #   df['8c'] = ''
-    #df['9c'] = ''
-    #df['10c'] = ''
-
 
+    # Se tiver mais de 10 estações únicas, limitar a 10
+    QTD = min(qtd_estacoes, 10)
 
+    print(f"Estações únicas encontradas: {qtd_estacoes}")
+    print(f"QTD definido para análise de vizinhança: {QTD}")
 
+    for i in range(1, QTD ):
+        df[f'{i}p'] = ''
+        df[f'{i}c'] = ''
 
     df['LATITUDE'] = pd.to_numeric(df['LATITUDE'], errors='coerce')
     df['LONGITUDE'] = pd.to_numeric(df['LONGITUDE'], errors='coerce')
@@ -140,29 +129,11 @@ def processar_arquivos_xls2(output_csv):
         lat1, lon1 = row['LATITUDE'], row['LONGITUDE']
         distancias = df.apply(lambda x: calcular_distancia(lat1, lon1, x['LATITUDE'], x['LONGITUDE']), axis=1)
         distancias[i] = np.inf  # Excluir a própria estação
-        proximas = distancias.nsmallest(7).index  # Pegar os índices das três menores distâncias************
+        proximas = distancias.nsmallest(QTD).index  # Pegar os índices das três menores distâncias************
 
-        df.at[i, '1p'] = df.at[proximas[0], 'NOME']
+        for j in range(QTD):
-        df.at[i, '2p'] = df.at[proximas[1], 'NOME']
+            df.at[i, f'{j+1}p'] = str(df.at[proximas[j], 'NOME'])
-        df.at[i, '3p'] = df.at[proximas[2], 'NOME']
+            df.at[i, f'{j+1}c'] = str(int(df.at[proximas[j], 'CODIGO']))
-        df.at[i, '4p'] = df.at[proximas[3], 'NOME']
-        df.at[i, '5p'] = df.at[proximas[4], 'NOME']       
-        df.at[i, '6p'] = df.at[proximas[5], 'NOME']
-        df.at[i, '7p'] = df.at[proximas[6], 'NOME']
-       # df.at[i, '8p'] = df.at[proximas[7], 'NOME']
-        #df.at[i, '9p'] = df.at[proximas[8], 'NOME']
-        #df.at[i, '10p'] = df.at[proximas[9], 'NOME']
-
-        df.at[i, '1c'] = df.at[proximas[0], 'CODIGO']
-        df.at[i, '2c'] = df.at[proximas[1], 'CODIGO']
-        df.at[i, '3c'] = df.at[proximas[2], 'CODIGO']
-        df.at[i, '4c'] = df.at[proximas[3], 'CODIGO']
-        df.at[i, '5c'] = df.at[proximas[4], 'CODIGO']
-        df.at[i, '6c'] = df.at[proximas[5], 'CODIGO']
-        df.at[i, '7c'] = df.at[proximas[6], 'CODIGO']
-      #  df.at[i, '8c'] = df.at[proximas[7], 'CODIGO']
-#        df.at[i, '9c'] = df.at[proximas[8], 'CODIGO']
- #       df.at[i, '10c'] = df.at[proximas[9], 'CODIGO']
 
     df.to_csv(output_csv, sep=";", encoding='utf-8', decimal=',', index=False)        
 

classificacao_veranicos.py

@@ -25,7 +25,8 @@ def processar_Classificao_Veranicos():
     for file in files:
         print(f"Encontrada pasta: {file}")
         qtd_veranicos,estacao = carregar_estacao_com_veranico(file)
-      #  print(estacao)
+        print(estacao)
+
         rodar_decendio(decendio,qtd_veranicos, estacao, file)
 
 

iniciochuvosa.py

@@ -22,6 +22,8 @@ def filtro_setembro_abril_estacao(dados,  output_csv):
     # Ler os dados do CSV
     dados_df = pd.read_csv(dados, sep=';', decimal=',', parse_dates=['DATA'], dayfirst=True)
 
+    #dados_df['CODIGO'] = dados_df['CODIGO'].astype(int)
+
 
 
     
@@ -37,6 +39,8 @@ def filtro_setembro_abril_estacao(dados,  output_csv):
         dados_selecionados = pd.concat([dados_selecionados, dados_df[selecao]])
     
     # Salvar os dados selecionados em um novo arquivo CSV
+
+    dados_selecionados['CODIGO'] = dados_selecionados['CODIGO'].astype(int)
     dados_selecionados.to_csv(output_csv, sep=';', encoding='utf-8', index=False, decimal=',')
     
 
@@ -72,6 +76,7 @@ def estacaochuvosa(dados, output_csv):
 
         # Tratar valores NaN substituindo por 0
         dados_df['VALOR'] = dados_df['VALOR'].fillna(0)
+        dados_df['CODIGO'] = dados_df['CODIGO'].astype(int)
 
     except Exception as e:
         print(f"Erro geral ao converter a coluna 'VALOR': {e}")

original/BaciaGrandeComp/BaciaGrandeComp.txt

@@ -0,0 +1,12 @@
+2044037
+2143055
+2144032
+2144036
+2145034
+2145039
+2145044
+2244095
+2245107
+2245112
+2245118
+2246056

original/BaciaRioBahia/BaciaRioBahia.txt

@@ -0,0 +1,8 @@
+1541010
+1541013
+1541025
+1542014
+1542015
+1542026
+1542027
+1542028