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-0.1.5.tar.gz (11.4 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-0.1.5-py3-none-any.whl (11.8 kB view details)

Uploaded Python 3

File details

Details for the file mads_analise_oficinas-0.1.5.tar.gz.

File metadata

  • Download URL: mads_analise_oficinas-0.1.5.tar.gz
  • Upload date:
  • Size: 11.4 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-0.1.5.tar.gz
Algorithm Hash digest
SHA256 3245aec165b171a9cd5dec928e2be287c8353f77e12c97d06aa4b2afb0e2a21a
MD5 97a332dad7ec80b3f60d670f6ef15e06
BLAKE2b-256 cfa8365d1c7901cc9f4467b2f2c783f35d65d366769c6f756de8285fe754389a

See more details on using hashes here.

File details

Details for the file mads_analise_oficinas-0.1.5-py3-none-any.whl.

File metadata

File hashes

Hashes for mads_analise_oficinas-0.1.5-py3-none-any.whl
Algorithm Hash digest
SHA256 a72045d446b4b650ca36bd7074c03b7cca319888bc1e42cebd9e611374a8bb75
MD5 2aafbf8a6007e8b3313ecc105e3be618
BLAKE2b-256 ceb1d5efe8ff07297b0b8eb8a73180da792e51b03ce43e9a66d0b0858bca0be9

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