GenerateCitiesSPEI

Este projeto realiza a análise e processamento de dados climáticos e coordenadas geográficas de municípios. Ele inclui a integração de dados adicionais de um arquivo revisado e a exportação dos resultados em arquivos Excel individuais para cada município.

Entradas

1. CoordenadasMunicipios.xlsx → dfCoords
2. speiAll_final.csv → dfSpei
3. São João da Ponte_revisado_final.xlsx → df_revisado

Saídas

Uma planilha .xlsx para cada cidade procurada (listada em cidades_procuradas), no diretório Data.

Descrição do algoritmo

O algoritmo é como se segue:

ATO 1

Pré-processamento de CoordenadasMunicipios.xlsx

1. recebe uma list de cidades a pesquisar (cidades_procuradas);
2. lê uma planilha eletrônica (CoordenadasMunicipios.xlsx), gerando um DataFrame (dfCoords), de correlação entre nomes de municípios e suas coordenadas geográficas;
3. percorre todas as linhas de dfCoords, gerando um dict geral correspondente (municipios_dict), no qual as chaves são os nomes dos municípios e os valores são latitudes e longitudes;
4. a partir de cidades_procuradas, busca as longitudes e latitudes correspondentes em municipios_dict, e copia essas informações para um novo dict, específico (resultados);
5. imprime resultados.

ATO 2

Pré-processamento de speiAll_final.csv

1. lê um arquivo CSV (speiAll_final.csv), gerando um DataFrame (dfSpei);
2. remove as 11 primeiras linhas de nan do dfSpei;
3. imprime dfSpei;
4. define uma função para converter as coordenadas para valores negativos (convert_to_negative);
5. aplica convert_to_negative a todos os rótulos das colunas de dfSpei, que é onde as coordenadas se localizam.

ATO 3

Busca dos municípios mais próximos daqueles procurados

1. define uma função para calcular a distância Euclideana entre duas coordenadas (euclidean_distance);
2. cria um segundo dicionário de resultados, vazio (result_dict);
3. para cada município (chave) presente em resultados (ATO 1), extrai latitude e longitude (valores). Então, para cada coluna de dfSpei (ATO 2), calcula a distância Euclidena mediante euclidean_distance e encontra a coluna mais próxima geograficamente. Esta então é registrada no result_dict (ATO 3) com a chave sendo o município no qual a busca se baseou.

ATO 4

Gera planilhas eletrônicas individuais para cada cidade, contendo a série histórica do índice de seca SPEI

1. lê uma planilha eletrônica (São João da Ponte_revisado_final.xlsx), gerando um DataFrame (df_revisado);
2. para cada par chave-valor de result_dict (ATO 3), ou seja, para cada par cidade-coluna_proxima, confere se a coluna_proxima está presente em dfSpei (ATO 2), oferecendo um erro caso FALSE. Por outro lado, caso TRUE, cria um DataFrame df_city que recebe de dfSpei (ATO 2): uma 1ª coluna Series 1 com a série histórica do índice de seca SPEI, e uma 2ª coluna com o datetime correspondente. Salva então uma planilha eletrônica para cada cidade com esses dados.