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-0.1.3.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-0.1.3-py3-none-any.whl (4.3 kB view details)

Uploaded Python 3

File details

Details for the file mads_analise_oficinas-0.1.3.tar.gz.

File metadata

  • Download URL: mads_analise_oficinas-0.1.3.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-0.1.3.tar.gz
Algorithm Hash digest
SHA256 594a458baa4cc168c040f8320f96d53bce7be8274cdc52f12df86c18e3f88c53
MD5 290da71e4c0cc0869c57e4980f1fdc9b
BLAKE2b-256 2d3799be8ce9d0833f17f57d623f77868800a7c0161505df7400371b22669aa6

See more details on using hashes here.

File details

Details for the file mads_analise_oficinas-0.1.3-py3-none-any.whl.

File metadata

File hashes

Hashes for mads_analise_oficinas-0.1.3-py3-none-any.whl
Algorithm Hash digest
SHA256 3ba8595f979cbf12f302266f472002776db2bfe9b0ecbeb33baba3d617a06433
MD5 5572a35d9927bd98201d69cad38b3469
BLAKE2b-256 38c71ab4f32cbd0b1d25fa2af8b8ba746881c23c994c9ece1f72481163b5befc

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