Skip to main content

Modulo para analise de dados de oficinas automoveis

Project description

Mads Analise Oficinas

Biblioteca Python para gestao e analise de dados de oficinas automoveis.

O modulo trabalha em memoria e disponibiliza funcoes para:

  • registo e listagem de utilizadores, oficinas, categorias e compras;
  • analise estatistica de compras e faturacao;
  • visualizacao em mapa;
  • exportacao para JSON e CSV.

Instalacao

A partir do PyPI

pip install mads-analise-oficinas

Importacao

from MadsAnaliseOficinas import *

Tambem podes importar funcoes especificas:

from MadsAnaliseOficinas import addUser, addCatOficina, addOficina, registarCompra

Estrutura de dados (em memoria)

O modulo mantem quatro estruturas globais:

  • utilizadores (dict)
  • categoriasOficinas (list)
  • oficinas (dict)
  • compras (dict)

Isto significa que os dados existem apenas durante a execucao do programa. Para persistir informacao, usa as funcoes de exportacao.

Fluxo recomendado

  1. Registar categorias de oficina com addCatOficina.
  2. Registar oficinas com addOficina.
  3. Registar utilizadores com addUser.
  4. Registar compras com registarCompra.
  5. Consultar listagens, estatisticas, mapa e exportacao.

API Principal

Registos

addUser(nome, nif, dataNascimento, genero)

Regista um utilizador.

Parametros:

  • nome: texto (apenas letras e espacos)
  • nif: texto numerico com 9 digitos
  • dataNascimento: formato YYYY-MM-DD
  • genero: M, F ou Outro

Saida:

  • imprime erros de validacao, ou mensagem de sucesso

addCatOficina(categoria, cor)

Regista uma categoria de oficina com uma cor para uso no mapa.

Parametros:

  • categoria: texto com pelo menos 3 caracteres
  • cor: uma das cores permitidas pelo Folium (ex.: blue, red, green)

Saida:

  • imprime erros de validacao, ou mensagem de sucesso

addOficina(nif, nome, categoria, latitude, longitude, morada, cidade, codigoPostal, horario)

Regista uma oficina.

Validacoes relevantes:

  • nif unico com 9 digitos
  • categoria tem de existir em categoriasOficinas
  • latitude entre -90 e 90
  • longitude entre -180 e 180
  • codigoPostal no formato XXXX-XXX

registarCompra(nifUtilizador, nifOficina, valor, descricao, dataCompra, catCompra)

Regista uma compra associada a utilizador e oficina.

Parametros-chave:

  • dataCompra: YYYY-MM-DD
  • catCompra: P (Produto) ou S (Servico)

Regras:

  • valor maior que 0
  • NIFs devem existir
  • evita compras duplicadas com os mesmos dados principais

Listagens

As funcoes de listagem apresentam tabelas com pandas e IPython.display:

  • listarCategorias()
  • listarOficinas(nif=None, nome=None, categoria=None, cidade=None)
  • listarUtilizador(nif=None, nome=None, genero=None)
  • listarCompras(idCompra=None, nifUtilizador=None, nifOficina=None, categoria=None, valorMin=None, valorMax=None, dataInicio=None, dataFim=None)

Mapa

mapa()

Gera visualizacao de oficinas no mapa com Folium.

Comportamento:

  • monta pontos com base nas oficinas registadas;
  • usa categoria/cor definida em categoriasOficinas;
  • guarda ficheiro mapa.html;
  • apresenta o mapa no ambiente interativo.

Estatisticas

  • verTotalOficinas(): total de oficinas registadas
  • verTotalUtilizadores(): total de utilizadores registados
  • consultarVolumeFaturação(nif=None): volume de faturacao total ou por oficina
  • consultarMaisAdquirido(top=5): top de descricoes mais adquiridas
  • listasVolumeVendas(top=10): ranking de oficinas por volume de vendas
  • visualizarEvolucaoDespesas(nifUtilizador=None): grafico temporal das despesas

Exportacao

  • exportarParaJSON(): exporta os dados para dados_exportados.json
  • exportarParaCSV(): exporta para
    • utilizadores.csv
    • oficinas.csv
    • compras.csv
    • categoriasOficinas.csv

Exemplo completo

from MadsAnaliseOficinas import *

addCatOficina("Mecanica", "blue")
addCatOficina("Pintura", "red")

addOficina(
		nif="501234567",
		nome="Oficina Centro",
		categoria="Mecanica",
		latitude=41.235,
		longitude=-8.620,
		morada="Rua Central 100",
		cidade="Maia",
		codigoPostal="4470-123",
		horario="09:00-18:00",
)

addUser("Maria Silva", "123456789", "1990-01-15", "F")

registarCompra(
		nifUtilizador="123456789",
		nifOficina="501234567",
		valor=79.90,
		descricao="Mudanca de oleo",
		dataCompra="2026-03-01",
		catCompra="S",
)

listarCompras()
consultarVolumeFaturação()
exportarParaCSV()

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

mads_analise_oficinas-0.1.2.tar.gz (12.9 kB view details)

Uploaded Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

mads_analise_oficinas-0.1.2-py3-none-any.whl (4.3 kB view details)

Uploaded Python 3

File details

Details for the file mads_analise_oficinas-0.1.2.tar.gz.

File metadata

  • Download URL: mads_analise_oficinas-0.1.2.tar.gz
  • Upload date:
  • Size: 12.9 kB
  • Tags: Source
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/6.2.0 CPython/3.10.11

File hashes

Hashes for mads_analise_oficinas-0.1.2.tar.gz
Algorithm Hash digest
SHA256 4bb228b1cc2bb3c6e8a12510d95c9542ee0e5a62a555ee8b53571242469318c9
MD5 9336b8beef7515419c275b0da27c5fe4
BLAKE2b-256 ae4d642b706829d80fd977d364eac4917337659533199bec71d006054ed24d8d

See more details on using hashes here.

File details

Details for the file mads_analise_oficinas-0.1.2-py3-none-any.whl.

File metadata

File hashes

Hashes for mads_analise_oficinas-0.1.2-py3-none-any.whl
Algorithm Hash digest
SHA256 f8f47bb0906c645db1c8e62533871d283d5c1b4fb1beb315ee9c268f64257026
MD5 b237da3c29497f393d7bee87dab5d074
BLAKE2b-256 ab748df08ef13c14abde7ca251870eb84d58b7ca0af60c12703b42083a06b33c

See more details on using hashes here.

Supported by

AWS Cloud computing and Security Sponsor Datadog Monitoring Depot Continuous Integration Fastly CDN Google Download Analytics Pingdom Monitoring Sentry Error logging StatusPage Status page