def update_map(data, selected_city): df = dados_cidade(selected_city) if not df.empty: df['Casos'] = df.groupby('BAIRRO')['BAIRRO'].transform('count') df = lat_lon_bairros(selected_city, df) map = bubble_map_bairros(df) else: df = pd.read_json(data) map = bubble_map(df) return map
def update_t_mortalidade(selected_city,data): if selected_city == 'Região' or selected_city == None: return ['-'] df = pd.read_json(data) df_filtered = df[df['Cidade'] == selected_city] pop = df_filtered["pop"].iloc[0] df_city = dados_cidade(selected_city) if not df_city.empty: obitos = len(df_city[df_city["EVOLUCAO DO CASO"]=="ÓBITO"]) else: obitos = df_filtered.groupby("Cidade")["Óbitos Confirmados"].max().sum() return [f'{(obitos/pop*1e5):.1f}']
def update_t_letalidade(selected_city,data): if selected_city == 'Região' or selected_city == None: return ['-'] df = dados_cidade(selected_city) if not df.empty: obitos = len(df[df["EVOLUCAO DO CASO"]=="ÓBITO"]) casos = len(df[df["RESULTADO DO TESTE"]=="Positivo"]) else: df = pd.read_json(data) df_filtered = df[df['Cidade'] == selected_city] obitos = df_filtered.groupby("Cidade")["Óbitos Confirmados"].max().sum() casos = df_filtered.groupby("Cidade")["Casos Confirmados"].max().sum() return [f'{obitos/casos*100:.2f}%']
def update_t_incidencia(selected_city,data): if selected_city == 'Região' or selected_city == None: return ['-'] df = pd.read_json(data) df_filtered = df[df['Cidade'] == selected_city] pop = df_filtered["pop"].iloc[0] df_city = dados_cidade(selected_city) if not df_city.empty: casos = len(df_city[df_city["RESULTADO DO TESTE"]=="Positivo"]) else: casos = df_filtered.groupby("Cidade")["Casos Confirmados"].max().sum() return [f'{casos/pop*1e5:.1f}']
def update_time_series(selected_city,data,data_isolamento,tab_selected): if tab_selected == 'tab_isolamento': df = pd.read_json(data_isolamento) if selected_city != 'Região': df = df[df['city_name'] == selected_city] return series_isolamento(df) df = dados_cidade(selected_city) if df.empty: return dados_indisponiveis() if tab_selected == 'tab_acumulados': return series_acumulados(df) if tab_selected == 'tab_sexo': return series_sexo(df) if tab_selected == 'tab_sintomas': return series_sintomas(df)
def update_time_series(selected_city,data,tab_selected): if tab_selected == 'tab_gerais': df = pd.read_json(data) if selected_city != 'Região': df = df[df['Cidade'] == selected_city] return series_general(df) if tab_selected == 'tab_comparacao': df = pd.read_json(data) return series_comparacao(df) df = dados_cidade(selected_city) if df.empty: return dados_indisponiveis() if tab_selected == 'tab_bairros': return series_bairros(df) if tab_selected == 'tab_faixa_etaria': return series_faixa_etaria(df)
def update_n_recuperados(value,data): if value != 'Região': df = dados_cidade(value) if not df.empty: u = len(df[df["EVOLUCAO DO CASO"]=="CURA"]) return [str(u)] df = pd.read_json(data) selected_city = value if selected_city == None: return ['-'] elif selected_city == 'Região': df_filtered = df else: df_filtered = df[df['Cidade'] == selected_city] u = int(df_filtered.groupby("Cidade")["Casos Recuperados"].max().sum()) if u == 0: return ['-'] else: return [str(u)]
def update_n_confirmados(value,data): if value != 'Região': df = dados_cidade(value) if not df.empty: u = len(df[df["RESULTADO DO TESTE"]=="Positivo"]) return [str(u)] df = pd.read_json(data) df['Data'] = df['Data'] selected_city = value if selected_city == None: return ['-'] elif selected_city == 'Região': df_filtered = df else: df_filtered = df[df['Cidade'] == selected_city] u = int(df_filtered.groupby("Cidade")["Casos Confirmados"].max().sum()) if u == 0: return ['-'] else: return [str(u)]