# -*- coding: utf-8 -*-
"""
Versão compatível com build (Jupyter Book) da tabela de uso do solo.
Gera HTML autossuficiente (com DataTables carregado via CDN) — sem linhas entre colunas.
"""
import os
import base64
import pandas as pd
from pathlib import Path
def land_use_table_interactive(
csv_name: str = "uso_solo_varbuf.csv",
save_html: bool = True,
html_name: str = "tabela_uso_solo.html",
open_in_notebook: bool = True,
):
# Caminhos principais
rootPath = Path(os.path.dirname(os.getcwd()))
csv_path = rootPath / "data" / "outputs" / csv_name
static_html_dir = rootPath / "_static" / "representatividade"
flags_dir = rootPath / "_static" / "bandeiras"
static_html_dir.mkdir(parents=True, exist_ok=True)
html_path = static_html_dir / html_name
# ======== Lê CSV ========
if not csv_path.exists():
raise FileNotFoundError(f"❌ Arquivo não encontrado: {csv_path}")
df = pd.read_csv(csv_path)
# >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
# === Normalizar e limpar poluentes indesejados ===
pollutant_map = {
"PM10": "MP10",
"PM25": "MP25",
"PM1": None, # remover
"VOC": None # remover
}
if "POLUENTE" in df.columns:
df["POLUENTE"] = df["POLUENTE"].replace(pollutant_map)
df = df[df["POLUENTE"].notna()]
# <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
# ======== Seleciona colunas principais ========
columnsSelector = [
"UF", "ID_OEMA", "POLUENTE", "REP_ESPACIAL", "GRUPO_PRED_VAR",
"Floresta_perc", "Herbácea_perc", "Agropecuária_perc",
"Não Vegetada_perc", "Urbanizada_perc", "Mineração_perc"
]
df = df[[c for c in columnsSelector if c in df.columns]].copy()
# Renomeia colunas
df.rename(columns={
"POLUENTE": "Poluente",
"REP_ESPACIAL": "Buffer (m)",
"GRUPO_PRED_VAR": "Predominância",
"Floresta_perc": "Floresta (%)",
"Herbácea_perc": "Herbácea (%)",
"Agropecuária_perc": "Agropecuária (%)",
"Não Vegetada_perc": "Não Vegetada (%)",
"Urbanizada_perc": "Urbanizada (%)",
"Mineração_perc": "Mineração (%)"
}, inplace=True)
# ======== Bandeiras em base64 ========
def embed_flag(uf):
img_path = flags_dir / f"{uf}.png"
if img_path.exists():
with open(img_path, "rb") as f:
b64 = base64.b64encode(f.read()).decode("utf-8")
return f'
'
else:
return ""
df["Bandeira"] = df["UF"].apply(embed_flag)
df = df[["Bandeira"] + [c for c in df.columns if c != "Bandeira"]]
# ======== Ordena por UF ========
df = df.sort_values(by="UF", ascending=True).reset_index(drop=True)
# =========================
# Salva como HTML leve e reutilizável
# =========================
if save_html:
html_table = df.to_html(
index=False, escape=False, table_id="usoSoloTable", classes="display compact stripe"
)
html_code = f"""
Tabela de Uso do Solo
Uso do Solo por Estação e Poluente
{html_table}
"""
html_path.write_text(html_code, encoding="utf-8")
if open_in_notebook:
from IPython.display import HTML
return df, HTML(html_code)
else:
return df, html_path