import gradio as gr import pandas as pd import numpy as np import re import os import matplotlib.pyplot as plt from datetime import timedelta from fpdf import FPDF from typing import Tuple, Dict, List import logging import warnings import seaborn as sns from matplotlib.colors import LinearSegmentedColormap from matplotlib.ticker import MaxNLocator from math import ceil from adjustText import adjust_text # Configura o estilo seaborn e suprime warnings warnings.filterwarnings('ignore') sns.set_style("whitegrid") # Configuração de logging logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler("app.log"), logging.StreamHandler() ] ) class DataProcessor: @staticmethod def parse_duration(duration_str: str) -> timedelta: """Converte string de duração em objeto timedelta.""" try: if isinstance(duration_str, str) and ':' in duration_str: h, m, s = map(int, duration_str.split(':')) return timedelta(hours=h, minutes=m, seconds=s) except Exception as e: logging.warning(f"Erro ao processar duração '{duration_str}': {str(e)}") return timedelta(0) @staticmethod def format_time(seconds: float) -> str: """Formata o tempo de forma mais limpa e consistente.""" minutes = int(seconds // 60) remaining_seconds = int(seconds % 60) if minutes == 0: return f"{remaining_seconds}s" return f"{minutes}min {remaining_seconds}s" @staticmethod def normalize_html_to_csv(input_html_path: str, output_csv_path: str) -> None: """Converte arquivo HTML para CSV.""" try: html_data = pd.read_html(input_html_path) data = html_data[0] data.to_csv(output_csv_path, index=False, encoding='utf-8-sig') logging.info(f"HTML normalizado com sucesso: {output_csv_path}") except Exception as e: logging.error(f"Erro ao normalizar HTML: {str(e)}") raise @staticmethod def normalize_excel_to_csv(input_excel_path: str, output_csv_path: str) -> None: """Converte arquivo Excel para CSV.""" try: excel_data = pd.read_excel(input_excel_path) unnecessary_columns = [col for col in excel_data.columns if 'Unnamed' in str(col)] if unnecessary_columns: excel_data = excel_data.drop(columns=unnecessary_columns) excel_data.to_csv(output_csv_path, index=False, encoding='utf-8-sig') logging.info(f"Excel normalizado com sucesso: {output_csv_path}") except Exception as e: logging.error(f"Erro ao normalizar Excel: {str(e)}") raise class StudentAnalyzer: def __init__(self, tarefas_df: pd.DataFrame, alunos_df: pd.DataFrame): """Inicializa o analisador com DataFrames de tarefas e alunos.""" self.tarefas_df = tarefas_df self.alunos_df = alunos_df self.processor = DataProcessor() def prepare_data(self) -> pd.DataFrame: """Prepara os dados para análise.""" self.tarefas_df.columns = self.tarefas_df.columns.str.strip() self.alunos_df.columns = self.alunos_df.columns.str.strip() required_columns = ['Aluno', 'Nota', 'Duração'] if not all(col in self.tarefas_df.columns for col in required_columns): raise ValueError("Colunas obrigatórias não encontradas no arquivo de tarefas") self.tarefas_df['Duração'] = self.tarefas_df['Duração'].apply(self.processor.parse_duration) return self.match_students() def match_students(self) -> pd.DataFrame: """Realiza o match entre alunos e tarefas.""" def generate_aluno_pattern(ra: str, dig_ra: str) -> str: ra_str = str(ra).zfill(9) return f"{ra_str[1]}{ra_str[2:]}{dig_ra}-sp".lower() self.alunos_df['Aluno_Pattern'] = self.alunos_df.apply( lambda row: generate_aluno_pattern(row['RA'], row['Dig. RA']), axis=1 ) def extract_pattern(nome: str) -> str: if isinstance(nome, str): match = re.search(r'\d+.*', nome.lower()) return match.group(0) if match else None return None self.tarefas_df['Aluno_Pattern'] = self.tarefas_df['Aluno'].apply(extract_pattern) return self.calculate_metrics() def calculate_metrics(self) -> pd.DataFrame: """Calcula métricas de desempenho dos alunos, eliminando duplicatas e normalizando valores.""" try: metrics_df = pd.DataFrame() # Agrupar por Aluno_Pattern para eliminar duplicatas grouped_tasks = self.tarefas_df.groupby('Aluno_Pattern').agg({ 'Aluno': 'first', # Nome original do aluno na tarefa 'Duração': 'sum', # Soma total do tempo 'Nota': 'sum', # Soma total dos acertos }).reset_index() # Contar número de tarefas únicas por aluno task_counts = self.tarefas_df.groupby('Aluno_Pattern').size().reset_index(name='total_tarefas') grouped_tasks = grouped_tasks.merge(task_counts, on='Aluno_Pattern', how='left') # Processar cada aluno uma única vez usando o DataFrame de alunos para informações corretas processed_patterns = set() # Conjunto para controlar padrões já processados for _, aluno in self.alunos_df.iterrows(): aluno_pattern = aluno['Aluno_Pattern'] # Evitar duplicatas do mesmo padrão if aluno_pattern not in processed_patterns: aluno_data = grouped_tasks[grouped_tasks['Aluno_Pattern'] == aluno_pattern] if not aluno_data.empty: metrics = { 'Nome do Aluno': aluno['Nome do Aluno'], 'Tarefas Completadas': aluno_data['total_tarefas'].iloc[0], 'Acertos Absolutos': aluno_data['Nota'].iloc[0], 'Total Tempo': str(aluno_data['Duração'].iloc[0]), 'Tempo Médio por Tarefa': str(aluno_data['Duração'].iloc[0] / aluno_data['total_tarefas'].iloc[0] if aluno_data['total_tarefas'].iloc[0] > 0 else timedelta(0)) } metrics_df = pd.concat([metrics_df, pd.DataFrame([metrics])], ignore_index=True) processed_patterns.add(aluno_pattern) # Ordenar por acertos e resetar índice return metrics_df.sort_values('Acertos Absolutos', ascending=False).reset_index(drop=True) except Exception as e: logging.error(f"Erro ao calcular métricas: {str(e)}") raise class ReportGenerator: """Classe responsável pela geração de relatórios e visualizações.""" def __init__(self, data: pd.DataFrame): self.data = data self.stats = self.calculate_statistics() self.data['Nível'] = self.data['Acertos Absolutos'].apply(self.classify_performance) self.colors = { 'Avançado': '#2ecc71', 'Intermediário': '#f1c40f', 'Necessita Atenção': '#e74c3c' } self.setup_plot_style() def setup_plot_style(self): """Configura o estilo padrão dos gráficos.""" plt.rcParams['figure.figsize'] = [15, 10] plt.rcParams['font.size'] = 11 plt.rcParams['axes.titlesize'] = 14 plt.rcParams['axes.labelsize'] = 12 plt.rcParams['axes.grid'] = True plt.rcParams['grid.alpha'] = 0.3 plt.rcParams['grid.linestyle'] = '--' def classify_performance(self, acertos: float) -> str: """Classifica o desempenho do aluno baseado no número de acertos.""" if acertos >= 10: return 'Avançado' elif acertos >= 5: return 'Intermediário' else: return 'Necessita Atenção' def calculate_statistics(self) -> Dict: """Calcula estatísticas básicas do desempenho dos alunos.""" try: basic_stats = { 'media_acertos': float(self.data['Acertos Absolutos'].mean()), 'desvio_padrao': float(self.data['Acertos Absolutos'].std()), 'mediana_acertos': float(self.data['Acertos Absolutos'].median()), 'total_alunos': len(self.data), 'media_tarefas': float(self.data['Tarefas Completadas'].mean()), 'media_tempo': str(pd.to_timedelta(self.data['Total Tempo']).mean()) } top_students = self.data.nlargest(3, 'Acertos Absolutos')[ ['Nome do Aluno', 'Acertos Absolutos'] ].values.tolist() basic_stats['top_performers'] = top_students return basic_stats except Exception as e: logging.error(f"Erro ao calcular estatísticas: {str(e)}") raise def create_distribution_plot(self) -> plt.Figure: """Cria o gráfico de distribuição por nível.""" plt.figure(figsize=(15, 8)) nivel_counts = self.data['Nível'].value_counts() total_alunos = len(self.data) bars = plt.bar(nivel_counts.index, nivel_counts.values, width=0.6) for i, bar in enumerate(bars): bar.set_color(self.colors[nivel_counts.index[i]]) percentage = (nivel_counts.values[i] / total_alunos) * 100 plt.text(bar.get_x() + bar.get_width()/2, bar.get_height(), f'{nivel_counts.values[i]}\n({percentage:.1f}%)', ha='center', va='bottom', fontsize=12, fontweight='bold') plt.title('Distribuição dos Alunos por Nível de Desempenho', pad=20) plt.ylabel('Número de Alunos') plt.grid(True, axis='y', alpha=0.3) return plt.gcf() def create_ranking_plot(self) -> plt.Figure: """Cria o gráfico de ranking completo dos alunos.""" plt.figure(figsize=(15, max(10, len(self.data) * 0.4))) students_data = self.data.sort_values('Acertos Absolutos', ascending=True) colors = [self.colors[nivel] for nivel in students_data['Nível']] bars = plt.barh(range(len(students_data)), students_data['Acertos Absolutos']) for bar, color in zip(bars, colors): bar.set_color(color) bar.set_alpha(0.8) plt.yticks(range(len(students_data)), students_data['Nome do Aluno'], fontsize=10) # Adicionar texto com acertos e número total de tarefas for i, (bar, tarefas) in enumerate(zip(bars, students_data['Tarefas Completadas'])): plt.text(bar.get_width(), i, f' {bar.get_width():.0f} acertos / {tarefas:.0f} tarefas', va='center', fontsize=10, fontweight='bold') plt.title('Ranking Completo - Acertos Absolutos', pad=20) plt.xlabel('Número de Acertos') plt.grid(True, axis='x', alpha=0.3) # Ajustar margens para acomodar o texto adicional plt.margins(x=0.2) return plt.gcf() def create_time_performance_plot(self) -> plt.Figure: """Cria o gráfico de relação entre tempo e acertos com visualização otimizada.""" plt.figure(figsize=(15, 10)) ax = plt.gca() # Configuração inicial com estilo limpo plt.grid(True, alpha=0.2, linestyle='--') ax.set_facecolor('#f8f9fa') # Linha de média media_acertos = self.data['Acertos Absolutos'].mean() plt.axhline(y=media_acertos, color='gray', linestyle=':', alpha=0.5, label='Média de Acertos') # Estruturas para armazenamento all_points = [] point_groups = {} # Plotar pontos e coletar dados for nivel, color in self.colors.items(): mask = self.data['Nível'] == nivel tempo = pd.to_timedelta(self.data[mask]['Total Tempo']).dt.total_seconds() / 60 acertos = self.data[mask]['Acertos Absolutos'] scatter = plt.scatter(tempo, acertos, c=color, label=nivel, alpha=0.7, s=100) for t, a, nome in zip(tempo, acertos, self.data[mask]['Nome do Aluno']): point_key = (round(t, 1), a) if point_key not in point_groups: point_groups[point_key] = [] point_groups[point_key].append((t, a, nome, color)) all_points.append((t, a)) # Lista para controle de sobreposições annotations = [] # Função para calcular melhor posição def get_best_position(x, y, existing_annotations): angles = np.linspace(0, 2*np.pi, 16) # 16 direções possíveis base_radius = 3.0 max_radius = 6.0 best_pos = None min_overlap = float('inf') for radius in np.linspace(base_radius, max_radius, 4): for angle in angles: new_x = x + radius * np.cos(angle) new_y = y + radius * np.sin(angle) # Verificar limites do gráfico if not (ax.get_xlim()[0] <= new_x <= ax.get_xlim()[1] and ax.get_ylim()[0] <= new_y <= ax.get_ylim()[1]): continue overlaps = sum(1 for ann in existing_annotations if abs(ann[0] - new_x) < 2 and abs(ann[1] - new_y) < 2) if overlaps < min_overlap: min_overlap = overlaps best_pos = (new_x, new_y) return best_pos or (x + base_radius, y + base_radius) # Adicionar anotações for key, group in point_groups.items(): if len(group) == 1: x, y, nome, _ = group[0] new_pos = get_best_position(x, y, annotations) plt.annotate( nome.split()[0], (x, y), xytext=new_pos, textcoords='data', bbox=dict( facecolor='white', edgecolor='lightgray', alpha=0.95, pad=1.0, boxstyle='round,pad=0.8' ), fontsize=9, arrowprops=dict( arrowstyle='-|>', connectionstyle='arc3,rad=0.2', color='gray', alpha=0.6 ) ) annotations.append(new_pos) else: # Calcular centroide do grupo x_center = sum(p[0] for p in group) / len(group) y_center = sum(p[1] for p in group) / len(group) nomes = sorted(set([p[2].split()[0] for p in group])) new_pos = get_best_position(x_center, y_center, annotations) plt.annotate( f"{len(group)} alunos:\n" + "\n".join(nomes), (x_center, y_center), xytext=new_pos, textcoords='data', bbox=dict( facecolor='white', edgecolor='lightgray', alpha=0.95, pad=1.0, boxstyle='round,pad=0.8' ), fontsize=9, arrowprops=dict( arrowstyle='-|>', connectionstyle='arc3,rad=0.2', color='gray', alpha=0.6 ) ) annotations.append(new_pos) # Configurações finais plt.title('Relação entre Tempo e Acertos por Nível', pad=20, fontsize=14) plt.xlabel('Tempo Total (minutos)', fontsize=12) plt.ylabel('Número de Acertos', fontsize=12) # Legenda com todos os elementos handles, labels = plt.gca().get_legend_handles_labels() by_label = dict(zip(labels, handles)) plt.legend(by_label.values(), by_label.keys(), bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0, frameon=True, fancybox=True) plt.tight_layout() return plt.gcf() def create_tasks_performance_plot(self) -> plt.Figure: """Cria o gráfico de relação entre tarefas e acertos com visualização otimizada.""" plt.figure(figsize=(15, 10)) ax = plt.gca() # Configuração inicial plt.grid(True, alpha=0.2, linestyle='--') ax.set_facecolor('#f8f9fa') # Forçar ticks inteiros no eixo x ax.xaxis.set_major_locator(MaxNLocator(integer=True)) point_groups = {} all_points = [] # Plotar pontos e coletar dados for nivel, color in self.colors.items(): mask = self.data['Nível'] == nivel tarefas = self.data[mask]['Tarefas Completadas'] acertos = self.data[mask]['Acertos Absolutos'] scatter = plt.scatter(tarefas, acertos, c=color, label=nivel, alpha=0.7, s=100) for t, a, nome in zip(tarefas, acertos, self.data[mask]['Nome do Aluno']): point_key = (t, a) if point_key not in point_groups: point_groups[point_key] = [] point_groups[point_key].append((t, a, nome, color)) all_points.append((t, a)) # Linha de tendência z = np.polyfit(self.data['Tarefas Completadas'], self.data['Acertos Absolutos'], 1) p = np.poly1d(z) x_range = np.linspace( self.data['Tarefas Completadas'].min() - 0.5, self.data['Tarefas Completadas'].max() + 0.5, 100 ) plt.plot(x_range, p(x_range), "--", color='#d63031', alpha=0.9, label='Tendência', linewidth=2.5) # Linha de média media_acertos = self.data['Acertos Absolutos'].mean() plt.axhline(y=media_acertos, color='gray', linestyle=':', alpha=0.5, label='Média de Acertos') # Lista para controle de sobreposições annotations = [] # Função para calcular melhor posição def get_best_position(x, y, existing_annotations): angles = np.linspace(0, 2*np.pi, 16) base_radius = 2.0 # Menor para tarefas discretas max_radius = 4.0 best_pos = None min_overlap = float('inf') for radius in np.linspace(base_radius, max_radius, 4): for angle in angles: new_x = x + radius * np.cos(angle) new_y = y + radius * np.sin(angle) if not (ax.get_xlim()[0] <= new_x <= ax.get_xlim()[1] and ax.get_ylim()[0] <= new_y <= ax.get_ylim()[1]): continue overlaps = sum(1 for ann in existing_annotations if abs(ann[0] - new_x) < 1.5 and abs(ann[1] - new_y) < 1.5) if overlaps < min_overlap: min_overlap = overlaps best_pos = (new_x, new_y) return best_pos or (x + base_radius, y + base_radius) # Adicionar anotações for key, group in point_groups.items(): if len(group) == 1: x, y, nome, _ = group[0] new_pos = get_best_position(x, y, annotations) plt.annotate( nome.split()[0], (x, y), xytext=new_pos, textcoords='data', bbox=dict( facecolor='white', edgecolor='lightgray', alpha=0.95, pad=1.0, boxstyle='round,pad=0.8' ), fontsize=9, arrowprops=dict( arrowstyle='-|>', connectionstyle='arc3,rad=0.2', color='gray', alpha=0.6 ) ) annotations.append(new_pos) else: x_center = sum(p[0] for p in group) / len(group) y_center = sum(p[1] for p in group) / len(group) nomes = sorted(set([p[2].split()[0] for p in group])) new_pos = get_best_position(x_center, y_center, annotations) plt.annotate( f"{len(group)} alunos com\n{group[0][0]:.0f} tarefas:\n" + "\n".join(nomes), (x_center, y_center), xytext=new_pos, textcoords='data', bbox=dict( facecolor='white', edgecolor='lightgray', alpha=0.95, pad=1.0, boxstyle='round,pad=0.8' ), fontsize=9, arrowprops=dict( arrowstyle='-|>', connectionstyle='arc3,rad=0.2', color='gray', alpha=0.6 ) ) annotations.append(new_pos) # Configurações finais plt.title('Relação entre Tarefas Completadas e Acertos', pad=20, fontsize=14) plt.xlabel('Número de Tarefas Completadas', fontsize=12) plt.ylabel('Número de Acertos', fontsize=12) # Ajustar limites plt.xlim( self.data['Tarefas Completadas'].min() - 1, self.data['Tarefas Completadas'].max() + 1 ) plt.ylim( max(0, self.data['Acertos Absolutos'].min() - 1), self.data['Acertos Absolutos'].max() + 2 ) # Legenda com todos os elementos handles, labels = plt.gca().get_legend_handles_labels() by_label = dict(zip(labels, handles)) plt.legend(by_label.values(), by_label.keys(), bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0, frameon=True, fancybox=True) plt.tight_layout() return plt.gcf() def generate_graphs(self) -> List[plt.Figure]: """Gera todos os gráficos para o relatório.""" try: graphs = [] # 1. Distribuição por nível graphs.append(self.create_distribution_plot()) plt.close() # 2. Ranking completo graphs.append(self.create_ranking_plot()) plt.close() # 3. Relação tempo x acertos graphs.append(self.create_time_performance_plot()) plt.close() # 4. Relação tarefas x acertos graphs.append(self.create_tasks_performance_plot()) plt.close() return graphs except Exception as e: logging.error(f"Erro ao gerar gráficos: {str(e)}") raise def generate_table_section(self, pdf: FPDF, nivel: str, alunos_nivel: pd.DataFrame): """Gera uma seção de tabela com formatação melhorada e cálculos corrigidos.""" try: # Configuração inicial pdf.set_font('Arial', 'B', 14) pdf.set_fill_color(240, 240, 240) # Função auxiliar para calcular taxa de aproveitamento def calcular_taxa(acertos: float, questoes_total: float) -> float: """Calcula taxa de aproveitamento considerando total de questões real""" return (acertos / questoes_total * 100) if questoes_total > 0 else 0 # Calcular estatísticas do nível media_acertos = alunos_nivel['Acertos Absolutos'].mean() media_tarefas = alunos_nivel['Tarefas Completadas'].mean() # Para a média geral, vamos usar 4 questões por tarefa como base questoes_por_tarefa = 4 # Média de questões por tarefa total_questoes_media = media_tarefas * questoes_por_tarefa taxa_media = calcular_taxa(media_acertos, total_questoes_media) # Cabeçalho da seção pdf.cell(0, 10, f'Detalhamento - Nível {nivel}', 0, 1, 'L', True) pdf.set_font('Arial', '', 10) pdf.cell(0, 6, (f'Média de Acertos: {media_acertos:.1f} | ' f'Média de Tarefas: {media_tarefas:.1f} | ' f'Taxa Média de Aproveitamento: {min(taxa_media, 100):.1f}%'), 0, 1) pdf.ln(2) # Configuração da tabela colunas = [ ('Nome do Aluno', 70), ('Acertos', 20), ('Tarefas', 20), ('Taxa', 20), ('Tempo Total', 20) ] # Cabeçalho da tabela pdf.set_font('Arial', 'B', 10) pdf.set_fill_color(230, 230, 230) for titulo, largura in colunas: pdf.cell(largura, 8, titulo, 1, 0, 'C', True) pdf.ln() # Dados dos alunos pdf.set_font('Arial', '', 10) for i, (_, row) in enumerate(alunos_nivel.iterrows()): # Alternar cores das linhas fill_color = (248, 248, 248) if i % 2 == 0 else (255, 255, 255) pdf.set_fill_color(*fill_color) # Calcular taxa de aproveitamento individual total_questoes = row['Tarefas Completadas'] * questoes_por_tarefa taxa_aproveitamento = calcular_taxa(row['Acertos Absolutos'], total_questoes) taxa_aproveitamento = min(taxa_aproveitamento, 100) # Limitar a 100% # Formatar tempo tempo = pd.to_timedelta(row['Total Tempo']) tempo_str = f"{int(tempo.total_seconds() // 60)}min {int(tempo.total_seconds() % 60)}s" # Adicionar linha na tabela pdf.cell(70, 7, str(row['Nome do Aluno'])[:35], 1, 0, 'L', True) pdf.cell(20, 7, f"{row['Acertos Absolutos']:.0f}", 1, 0, 'R', True) pdf.cell(20, 7, f"{row['Tarefas Completadas']:.0f}", 1, 0, 'R', True) pdf.cell(20, 7, f"{taxa_aproveitamento:.1f}%", 1, 0, 'R', True) pdf.cell(35, 7, tempo_str, 1, 0, 'R', True) pdf.ln() except Exception as e: logging.error(f"Erro ao gerar seção de tabela: {str(e)}") raise def _add_insights_section(self, pdf: FPDF) -> None: """Adiciona uma nova seção de insights principais com taxa de aproveitamento corrigida.""" pdf.set_font('Arial', 'B', 14) pdf.set_fill_color(240, 240, 240) pdf.cell(0, 10, 'Insights Principais', 0, 1, 'L', True) pdf.ln(5) pdf.set_font('Arial', '', 11) # Calcular métricas avançadas questoes_por_tarefa = 4 # Média de questões por tarefa total_questoes = self.data['Tarefas Completadas'].sum() * questoes_por_tarefa total_acertos = self.data['Acertos Absolutos'].sum() # Calcular taxa de aproveitamento correta taxa_aproveitamento = (total_acertos / total_questoes * 100) if total_questoes > 0 else 0 taxa_aproveitamento = min(taxa_aproveitamento, 100) # Limitar a 100% # Identificar alunos eficientes tempo_medio = pd.to_timedelta(self.data['Total Tempo']).dt.total_seconds().mean() alunos_eficientes = self.data[ (self.data['Acertos Absolutos'] / (self.data['Tarefas Completadas'] * questoes_por_tarefa) > taxa_aproveitamento/100) & (pd.to_timedelta(self.data['Total Tempo']).dt.total_seconds() < tempo_medio) ] insights_text = f""" Análise de Eficiência: - Taxa média de aproveitamento da turma: {taxa_aproveitamento:.1f}% - {len(alunos_eficientes)} alunos demonstram alta eficiência (acertos acima da média e tempo abaixo da média) - {len(self.data[self.data['Acertos Absolutos'] == 0])} alunos não registraram acertos Padrões Identificados: - Alunos que completaram mais tarefas tendem a ter melhor desempenho - Tempo dedicado não mostra correlação forte com número de acertos - {(len(self.data[self.data['Tarefas Completadas'] < 5]) / len(self.data) * 100):.1f}% dos alunos completaram menos de 5 tarefas Recomendações Baseadas em Dados: - Focar em aumentar o número de tarefas completadas - Identificar motivos para baixa participação em alguns alunos - Avaliar qualidade do tempo dedicado vs. quantidade """ pdf.multi_cell(0, 7, insights_text) def generate_pdf(self, output_path: str, graphs: List[plt.Figure]) -> None: """Gera relatório em PDF com análise detalhada.""" try: class PDF(FPDF): def header(self): """Define o cabeçalho padrão do PDF.""" self.set_font('Arial', 'B', 15) self.set_fill_color(240, 240, 240) self.cell(0, 15, 'Relatório de Desempenho - Análise Detalhada', 0, 1, 'C', True) # Adicionar número de página self.set_font('Arial', 'I', 8) self.cell(0, 10, f'Página {self.page_no()}', 0, 0, 'R') self.ln(10) pdf = PDF('L', 'mm', 'A4') # Introdução pdf.add_page() self._add_introduction_section(pdf) # Visão Geral pdf.add_page() self._add_overview_section(pdf) # Nova seção de Insights pdf.add_page() self._add_insights_section(pdf) # Destaques self._add_highlights_section(pdf) # Gráficos e Análises self._add_graphs_section(pdf, graphs) # Detalhamento por Nível self._add_detailed_sections(pdf) # Recomendações Finais self._add_recommendations_section(pdf) pdf.output(output_path) except Exception as e: logging.error(f"Erro ao gerar PDF: {str(e)}") raise def _add_introduction_section(self, pdf: FPDF) -> None: """Adiciona a seção de introdução ao PDF.""" pdf.set_font('Arial', 'B', 14) pdf.set_fill_color(240, 240, 240) pdf.cell(0, 10, 'Introdução', 0, 1, 'L', True) pdf.ln(5) pdf.set_font('Arial', '', 11) intro_text = """ Este relatório apresenta uma análise abrangente do desempenho dos alunos nas atividades realizadas. Os dados são analisados considerando três aspectos principais: - Acertos: Total de questões respondidas corretamente - Engajamento: Número de tarefas completadas - Dedicação: Tempo investido nas atividades Os alunos são classificados em três níveis de acordo com seu desempenho: - Avançado: 10 ou mais acertos - Excelente domínio do conteúdo - Intermediário: 5 a 9 acertos - Bom entendimento, com espaço para melhorias - Necessita Atenção: Menos de 5 acertos - Requer suporte adicional """ pdf.multi_cell(0, 7, intro_text) def _add_overview_section(self, pdf: FPDF) -> None: """Adiciona a seção de visão geral ao PDF.""" pdf.set_font('Arial', 'B', 14) pdf.cell(0, 10, 'Visão Geral da Turma', 0, 1, 'L', True) pdf.ln(5) tempo_medio = pd.to_timedelta(self.stats['media_tempo']) minutos = int(tempo_medio.total_seconds() // 60) segundos = int(tempo_medio.total_seconds() % 60) pdf.set_font('Arial', '', 11) stats_text = f""" Participação e Resultados: - Total de Alunos Participantes: {self.stats['total_alunos']} - Média de Tarefas por Aluno: {self.stats['media_tarefas']:.1f} - Média de Acertos: {self.stats['media_acertos']:.1f} - Tempo Médio de Dedicação: {minutos} minutos e {segundos} segundos Distribuição de Desempenho: - Desvio Padrão: {self.stats['desvio_padrao']:.1f} acertos - Mediana: {self.stats['mediana_acertos']:.1f} acertos """ pdf.multi_cell(0, 7, stats_text) def _add_highlights_section(self, pdf: FPDF) -> None: """Adiciona a seção de destaques ao PDF.""" pdf.ln(5) pdf.set_font('Arial', 'B', 12) pdf.cell(0, 10, 'Destaques de Desempenho', 0, 1) pdf.set_font('Arial', '', 11) pdf.ln(3) pdf.cell(0, 7, "Melhores Desempenhos:", 0, 1) for aluno, acertos in self.stats['top_performers']: pdf.cell(0, 7, f"- {aluno}: {acertos:.0f} acertos", 0, 1) def _add_graphs_section(self, pdf: FPDF, graphs: List[plt.Figure]) -> None: """Adiciona a seção de gráficos ao PDF.""" for i, graph in enumerate(graphs): pdf.add_page() graph_path = f'temp_graph_{i}.png' graph.savefig(graph_path, dpi=300, bbox_inches='tight') pdf.image(graph_path, x=10, y=30, w=270) os.remove(graph_path) pdf.ln(150) pdf.set_font('Arial', 'B', 12) if i == 0: pdf.cell(0, 10, 'Análise da Distribuição por Nível', 0, 1, 'L', True) pdf.set_font('Arial', '', 11) pdf.multi_cell(0, 6, """ Este gráfico ilustra como os alunos estão distribuídos entre os três níveis de desempenho. - Verde: Alunos no nível Avançado - demonstram excelente compreensão - Amarelo: Alunos no nível Intermediário - bom progresso com espaço para melhorias - Vermelho: Alunos que Necessitam Atenção - requerem suporte adicional """) elif i == 1: pdf.cell(0, 10, 'Ranking Completo dos Alunos', 0, 1, 'L', True) pdf.set_font('Arial', '', 11) pdf.multi_cell(0, 6, """ Apresenta o ranking completo dos alunos por número de acertos. Este ranking permite: - Visualizar o desempenho individual de cada aluno - Identificar diferentes níveis de aproveitamento - Estabelecer metas realistas para melhorias """) elif i == 2: pdf.cell(0, 10, 'Relação Tempo x Desempenho', 0, 1, 'L', True) pdf.set_font('Arial', '', 11) pdf.multi_cell(0, 6, """ Mostra a relação entre tempo dedicado e número de acertos. Pontos importantes: - Cores indicam o nível de cada aluno - Posição vertical mostra o número de acertos - Posição horizontal indica o tempo total dedicado - Dispersão dos pontos revela diferentes padrões de estudo """) elif i == 3: pdf.cell(0, 10, 'Progresso por Número de Tarefas', 0, 1, 'L', True) pdf.set_font('Arial', '', 11) pdf.multi_cell(0, 6, """ Analisa se mais tarefas realizadas resultam em melhor desempenho. A linha de tendência (tracejada) indica: - Correlação entre quantidade de tarefas e acertos - Expectativa média de progresso - Alunos acima da linha superam a expectativa da turma """) def _add_detailed_sections(self, pdf: FPDF) -> None: """Adiciona as seções detalhadas por nível ao PDF.""" for nivel in ['Avançado', 'Intermediário', 'Necessita Atenção']: alunos_nivel = self.data[self.data['Nível'] == nivel] if not alunos_nivel.empty: pdf.add_page() self.generate_table_section(pdf, nivel, alunos_nivel) def _add_recommendations_section(self, pdf: FPDF) -> None: """Adiciona a seção de recomendações ao PDF.""" pdf.add_page() pdf.set_font('Arial', 'B', 14) pdf.cell(0, 10, 'Recomendações e Próximos Passos', 0, 1, 'L', True) pdf.ln(5) pdf.set_font('Arial', '', 11) percent_necessita_atencao = len(self.data[self.data['Nível'] == 'Necessita Atenção']) / len(self.data) * 100 recom_text = f""" Com base na análise dos dados, recomenda-se: 1. Ações Imediatas: - Implementar monitoria com alunos do nível Avançado - Realizar reforço focado nos {percent_necessita_atencao:.1f}% que necessitam atenção - Desenvolver planos de estudo personalizados 2. Melhorias no Processo: - Acompanhamento individualizado dos alunos com baixo desempenho - Feedback regular sobre o progresso - Atividades extras para alunos com bom desempenho 3. Próximos Passos: - Compartilhar resultados individuais - Agendar sessões de reforço - Reconhecer publicamente bons desempenhos - Estabelecer metas claras de melhoria """ pdf.multi_cell(0, 7, recom_text) def process_files(html_file, excel_files) -> Tuple[str, str, str]: """Processa arquivos e gera relatório.""" try: temp_dir = "temp_files" os.makedirs(temp_dir, exist_ok=True) # Limpar diretório temporário for file in os.listdir(temp_dir): os.remove(os.path.join(temp_dir, file)) # Salvar arquivos html_path = os.path.join(temp_dir, "alunos.htm") with open(html_path, "wb") as f: f.write(html_file) # Processar arquivos Excel excel_paths = [] for i, excel_file in enumerate(excel_files): excel_path = os.path.join(temp_dir, f"tarefa_{i}.xlsx") with open(excel_path, "wb") as f: f.write(excel_file) excel_paths.append(excel_path) # Processar arquivos processor = DataProcessor() alunos_csv_path = os.path.join(temp_dir, "alunos.csv") processor.normalize_html_to_csv(html_path, alunos_csv_path) # Concatenar dados das tarefas tarefas_df = pd.DataFrame() for excel_path in excel_paths: csv_path = excel_path.replace('.xlsx', '.csv') processor.normalize_excel_to_csv(excel_path, csv_path) df = pd.read_csv(csv_path) tarefas_df = pd.concat([tarefas_df, df], ignore_index=True) # Análise e geração de relatório alunos_df = pd.read_csv(alunos_csv_path) analyzer = StudentAnalyzer(tarefas_df, alunos_df) results_df = analyzer.prepare_data() report_generator = ReportGenerator(results_df) graphs = report_generator.generate_graphs() # Salvar outputs output_html = os.path.join(temp_dir, "relatorio.html") output_pdf = os.path.join(temp_dir, "relatorio.pdf") results_df.to_html(output_html, index=False) report_generator.generate_pdf(output_pdf, graphs) return results_df.to_html(index=False), output_html, output_pdf except Exception as e: logging.error(f"Erro no processamento: {str(e)}") raise def create_interface(): """Cria a interface Gradio.""" theme = gr.themes.Default( primary_hue="blue", secondary_hue="gray", font=["Arial", "sans-serif"], font_mono=["Courier New", "monospace"], ) with gr.Blocks(theme=theme) as interface: gr.Markdown(""" # Sistema de Análise de Desempenho Acadêmico Este sistema analisa o desempenho dos alunos e gera um relatório detalhado com: - Análise estatística completa - Visualizações gráficas - Recomendações personalizadas """) with gr.Row(): with gr.Column(): gr.Markdown("## Lista de Alunos") html_file = gr.File( label="Arquivo HTML com lista de alunos (.htm)", type="binary", file_types=[".htm", ".html"] ) with gr.Column(): gr.Markdown("## Relatórios de Tarefas") excel_files = gr.Files( label="Arquivos Excel com dados das tarefas (.xlsx)", type="binary", file_count="multiple", file_types=[".xlsx"] ) with gr.Row(): generate_btn = gr.Button( "Gerar Relatório", variant="primary", size="lg" ) with gr.Row(): output_html = gr.HTML() with gr.Row(): with gr.Column(): download_html_btn = gr.File( label="Download Relatório HTML", type="filepath", interactive=False ) with gr.Column(): download_pdf_btn = gr.File( label="Download Relatório PDF", type="filepath", interactive=False ) generate_btn.click( fn=process_files, inputs=[html_file, excel_files], outputs=[output_html, download_html_btn, download_pdf_btn] ) return interface if __name__ == "__main__": interface = create_interface() interface.launch( share=False, server_name="0.0.0.0", server_port=7860, show_error=True )