Update src/streamlit_app.py

src/streamlit_app.py

@@ -22,6 +22,12 @@ from sklearn.linear_model import LogisticRegression
 # Configuração da página do Streamlit
 st.set_page_config(layout="wide", page_title="Previsão de Reclamações de Clientes")
 
+st.markdown("""
+<div style='background-color: #f0f2f6; padding: 10px; border-radius: 8px; margin-bottom: 15px;'>
+    <b>Autor:</b> Vinicius Salgueiro Costa &nbsp;&nbsp; <b>Matrícula:</b> 180028880
+</div>
+""", unsafe_allow_html=True)
+
 st.title("📊 Previsão de Reclamações de Clientes com Modelos Supervisionados")
 st.markdown(
     "Este dashboard tem como objetivo identificar clientes com maior probabilidade de terem feito uma reclamação nos últimos 2 anos, utilizando modelos de Machine Learning.")
@@ -255,7 +261,7 @@ tab1, tab2, tab3, tab4, tab5 = st.tabs([
 ])
 
 with tab1:
-    st.header("1. Visão Geral dos Dados")
+    st.header("Visão Geral dos Dados")
     st.subheader("Primeiras 5 Linhas do Dataset")
     st.dataframe(df.head())
 
@@ -268,6 +274,41 @@ with tab1:
     s = buffer.getvalue()
     st.text(s)
 
+    # NOVO: Análise de valores ausentes
+    st.subheader("Valores Ausentes por Coluna")
+    missing = df.isnull().sum()
+    missing = missing[missing > 0]
+    if not missing.empty:
+        st.dataframe(missing.to_frame('Nulos'))
+    else:
+        st.info("Não há valores ausentes no dataset original.")
+
+    # NOVO: Distribuição de variáveis numéricas
+    num_cols = df_processed.select_dtypes(include=np.number).columns.tolist()
+    if num_cols:
+        st.subheader("Distribuição de Variáveis Numéricas")
+        selected_num = st.selectbox("Escolha uma variável numérica para visualizar:", num_cols, key="num_hist")
+        fig, ax = plt.subplots()
+        sns.histplot(df_processed[selected_num], kde=True, ax=ax)
+        ax.set_title(f"Distribuição de {selected_num}")
+        st.pyplot(fig)
+
+    # NOVO: Distribuição de variáveis categóricas
+    cat_cols = [col for col in df.columns if df[col].dtype == 'object']
+    if cat_cols:
+        st.subheader("Distribuição de Variáveis Categóricas")
+        selected_cat = st.selectbox("Escolha uma variável categórica para visualizar:", cat_cols, key="cat_bar")
+        fig, ax = plt.subplots()
+        df[selected_cat].value_counts().plot(kind='bar', ax=ax)
+        ax.set_title(f"Distribuição de {selected_cat}")
+        st.pyplot(fig)
+
+    # NOVO: Mapa de calor de correlação
+    st.subheader("Mapa de Calor das Correlações (variáveis numéricas)")
+    fig, ax = plt.subplots(figsize=(8, 5))
+    sns.heatmap(df_processed[num_cols].corr(), cmap='coolwarm', ax=ax, annot=False)
+    st.pyplot(fig)
+
     st.subheader("Distribuição da Variável Alvo ('Complain') Original")
     fig, ax = plt.subplots(figsize=(6, 4))
     sns.countplot(x=y, ax=ax)
@@ -278,6 +319,15 @@ with tab1:
     st.write(f"Distribuição da variável 'Complain' original: {Counter(y)}")
     st.warning("Observe o desbalanceamento da classe 'Complain' (poucas reclamações).")
 
+    st.subheader("Comparação de Variáveis com a Variável Alvo (Complain)")
+    selected_bi = st.selectbox("Escolha uma variável para comparar com 'Complain':", num_cols)
+    fig, ax = plt.subplots()
+    sns.boxplot(x=df_processed['Complain'], y=df_processed[selected_bi], ax=ax)
+    st.pyplot(fig)
+
+    st.subheader("Resumo Estatístico Customizado")
+    st.dataframe(df_processed.describe(percentiles=[.01, .05, .25, .5, .75, .95, .99]).T)
+
 with tab2:
     st.header("2. Balanceamento de Dados com SMOTE")
     st.write(