def say_synapse(text, amplitude=None, wpm=None):
"""Synapse to adapt the parameters of say.
Args:
text (str): text to reproduce.
amplitude(int, optional): string representation of an integer.
wpm(int, optional): string representation of an integer.
Returns:
([str, int, int], {}): a tuple of args and kwargs. The last one is always empty.
"""
res = [text]
res += [str_to_int(amplitude)] if amplitude else []
res += [str_to_int(wpm)] if wpm else []
return res, {}
async def join_gathering(ctx):
def check(message):
if (message.author == ctx.author) and (message.channel == ctx.channel):
return True
else:
return False
try:
gatherings = []
for gathering_data in db['gatherings']:
gathering = Gathering(gathering_data)
if gathering.isOpen():
gatherings.append(gathering)
await ctx.send(
'Type the number of the circle you want to join:\n{0}'
.format(bot.pprint_gatherings(gatherings))
)
msg = await bot.wait_for('message', check=check)
index = util.str_to_int(msg.content)
if (index > len(gatherings) - 1) or index < 0:
raise ValueError('Number is out of range')
gathering = gatherings[index]
user = User({'name': ctx.author.name, 'id': ctx.author.id})
if user not in gathering.users:
gathering.users.append(user)
await ctx.send(f'**You have joined: {gathering.name}**')
except (ValueError, IndexError) as e:
await ctx.send(f'Error: {str(e)}\nEXITING COMMAND')
async def select_topics(self, ctx, length):
def check(msg):
if (msg.author == ctx.author) and (msg.channel == ctx.channel):
return True
else:
return False
available_topics = Topics(deepcopy(Topics.all_topics))
result_list = []
while len(result_list) < length:
await ctx.send(
'Type the number corresponding to the topic to select it:\n{0}'
.format(available_topics.pprint()))
msg = await self.wait_for('message', check=check)
index = util.str_to_int(msg.content)
if index > len(available_topics) - 1:
raise ValueError(
"Your selection must be between 1 and {0}".format(
len(available_topics) - 1))
result_list.append(available_topics[index])
await ctx.send(
f'**Topic {len(result_list)}: {available_topics[index]}**')
available_topics.remove(index)
await ctx.send(f'**Your selections are: {", ".join(result_list)}**')
return result_list
def _download_one_day(self, day):
"""輸入一個date或datetime物件，下載物件指定的日期的資訊。
"""
if self.isHoliday(day):
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
ts = self.timestamp()
self.js = js = proxy.get(
self.url.format(day.year, day.month, day.day, ts)).json()
item = None
for k in js.keys():
if k.startswith('fields') and js[k][0] == '證券代號':
item = js['data' + k.replace('fields', '')]
if not item:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
data = dict()
data['_id'] = self.date_to_datetime(day)
data['TradingDay'] = True
for row in item:
if not row[0].isdigit():
continue
item_name = row[0]
data[item_name + '_成交股數'] = str_to_int(row[2])
data[item_name + '_成交筆數'] = str_to_int(row[3])
data[item_name + '_成交金額'] = str_to_int(row[4])
if data[item_name + '_成交筆數'] == 0:
data[item_name + '_平均每筆金額'] = 0.0
data[item_name + '_平均每筆股數'] = 0.0
else:
n_trans = float(data[item_name + '_成交筆數'])
data[item_name +
'_平均每筆金額'] = data[item_name + '_成交金額'] / n_trans
data[item_name +
'_平均每筆股數'] = data[item_name + '_成交股數'] / n_trans
data[item_name + '_開盤價'] = str_to_float(row[5])
data[item_name + '_最高價'] = str_to_float(row[6])
data[item_name + '_最低價'] = str_to_float(row[7])
data[item_name + '_收盤價'] = str_to_float(row[8])
return data
def movetime_synapse(time):
"""Synapse to adapt a time string to an integer. Internally it calls
`str_to_int` so refer to it for a general overview.
Args:
speed_value (str): string representation of an integer.
Returns:
([bool], {}): a tuple of args and kwargs. The last one is always empty.
"""
res = [str_to_int(time)] if time else []
return res, {}
def _download_one_day(self, day):
"""輸入一個date或datetime物件，下載物件指定的日期的資訊。
"""
if self.isHoliday(day):
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
ts = self.timestamp()
self.day = day
self.js = js = proxy.get(
self.url.format(day.year, day.month, day.day, ts)).json()
item = None
for k in js.keys():
if k.startswith('fields') and js[k][0] == '成交統計':
item = js['data' + k.replace('fields', '')]
if not item:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
data = dict()
data['_id'] = self.date_to_datetime(day)
data['TradingDay'] = True
for row in item[:12]:
item_name = '成交統計_' + re.sub(r'\(.*\)', '', row[0]).replace(
'.', '_')
data[item_name + '_成交金額'] = str_to_int(row[1])
data[item_name + '_成交股數'] = str_to_int(row[2])
data[item_name + '_成交筆數'] = str_to_int(row[3])
if data[item_name + '_成交筆數'] == 0:
data[item_name + '_平均每筆金額'] = 0.0
data[item_name + '_平均每筆股數'] = 0.0
else:
n_trans = float(data[item_name + '_成交筆數'])
data[item_name +
'_平均每筆金額'] = data[item_name + '_成交金額'] / n_trans
data[item_name +
'_平均每筆股數'] = data[item_name + '_成交股數'] / n_trans
return data
def _download_one_day(self, day):
"""輸入一個date或datetime物件，下載物件指定的日期的資訊。
"""
date_key = '{:04d}{:02d}'.format(day.year, day.month)
if date_key in self.cache:
js = self.cache[date_key]
else:
print('cache miss', date_key)
ts = self.timestamp()
self.cache[date_key] = js = proxy.get(
self.url.format(day.year, day.month, 1, ts)).json()
if 'data' not in js:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
found = [
item
for item in js['data'] if item[0] == '{:3d}/{:02d}/{:02d}'.format(
day.year - 1911, day.month, day.day)
]
if not found:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
item = found[0]
data = dict()
data['_id'] = self.date_to_datetime(day)
data['TradingDay'] = True
data['成交股數'] = str_to_int(item[1])
data['成交金額'] = str_to_int(item[2])
data['成交筆數'] = str_to_int(item[3])
data['發行量加權股價指數'] = str_to_float(item[4])
data['漲跌點數'] = str_to_float(item[5])
if data['成交筆數'] == 0:
data['平均每筆金額'] = 0.0
data['平均每筆股數'] = 0.0
else:
n_trans = float(data['成交筆數'])
data['平均每筆金額'] = data['成交金額'] / n_trans
data['平均每筆股數'] = data['成交股數'] / n_trans
return data
def post(self):
pagesize = util.str_to_int(flask.request.form.get("pagesize"),
default=10,
min_value=10,
max_value=100)
target = util.str_one_of(flask.request.form.get("target"), "blank",
["self", "blank"])
suggest = util.str_to_bool(flask.request.form.get("suggest", "off"),
True, "on", "off")
flask.session["pagesize"] = pagesize
flask.session["target"] = target
flask.session["suggest"] = suggest
return flask.redirect(flask.url_for("main"))
async def delete_gathering(ctx):
def check(message):
if (message.author == ctx.author) and (message.channel == ctx.channel):
return True
else:
return False
if not db['gatherings']:
await ctx.send('No Gatherings')
return
try:
all_gatherings = [Gathering(data) for data in db['gatherings']]
gatherings = [
gathering for gathering in all_gatherings
if gathering.author.id == ctx.author.id
]
if not gatherings:
await ctx.send('You did not create any gatherings')
return
# Author created only 1 gathering:
if len(gatherings) == 1:
selected_gathering = gatherings[0]
# Author created multiple gatherings
else:
await ctx.send(
'**Select the Index of the Circle to delete:**\n{0}'
.format(bot.pprint_gatherings(gatherings))
)
msg = await bot.wait_for('message', check=check)
index = util.str_to_int(msg.content)
if (index > len(gatherings) - 1) or index < 0:
raise ValueError('Number is out of range')
selected_gathering = gatherings[index]
# Delete Selected Gathering:
await ctx.send(
'**Do you wish to delete this gathering? Type y or n**\n{0}'
.format(selected_gathering.toString())
)
msg = await bot.wait_for('message', check=check)
if msg.content not in ['y', 'n']:
raise ValueError('Type y or n only')
if msg.content == 'y':
index = all_gatherings.index(selected_gathering)
del db['gatherings'][index]
await ctx.send('Circled Deleted')
time.sleep(2)
await ctx.invoke(bot.get_command('clear'))
except (ValueError, IndexError) as e:
await ctx.send(f'Error: {str(e)}\nEXITING COMMAND')
def _download_one_day(self, day):
"""輸入一個date或datetime物件，下載物件指定的日期的資訊。
"""
try:
self.get_json(day, name_field='fields', value_field='data')
except HolidayException:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
data = dict()
data['_id'] = self.date_to_datetime(day)
data['TradingDay'] = True
for row in self.js['data']:
item_name = row[0].replace(')', '').replace('(', '_')
if row[0] == '合計':
continue
for name, value in zip(self.js['fields'][1:], row[1:]):
data[item_name + '_' + name] = str_to_int(value)
return data
def _download_one_day(self, day):
"""輸入一個date或datetime物件，下載物件指定的日期的資訊。
"""
try:
self.get_json(day,
name_field='creditFields',
value_field='creditList')
except HolidayException:
return {'_id': self.date_to_datetime(day), 'TradingDay': False}
data = dict()
data['_id'] = self.date_to_datetime(day)
data['TradingDay'] = True
for row in self.js['creditList']:
item_name = re.sub('\(.*?\)', '', row[0])
for name, value in zip(self.js['creditFields'][1:], row[1:]):
data[item_name + '_' +
re.sub('\(.*?\)', '', name)] = str_to_int(value)
return data
def get(self):
query = flask.request.args.get("q")
if query == None or query == "":
return flask.redirect(flask.url_for("main"))
pagesize = flask.session["pagesize"] if "pagesize" in flask.session else 10
page = util.str_to_int(flask.request.args.get("p"), default=1, min_value=1)
result = self.indexer.search(query, page, pagesize)
target = flask.session["target"] if "target" in flask.session else "blank"
suggest = flask.session["suggest"] if "suggest" in flask.session else True
if suggest:
maybe = self.indexer.suggest(query)
suggest = maybe != query
else:
maybe = None
return flask.render_template("search.html", text=query, suggest=suggest, maybe=maybe, result=result, page=page, target=target)
def processa_estados():
enf_uf, med_uf, hosp_uf, leitos_uf, uti_uf, uti_sus_uf, ibge_uf = util.read_uf_reg()
# troca "-" pelo valor 0 nas celulas em que aparece
util.dash_to_zero(enf_uf)
util.dash_to_zero(med_uf)
util.dash_to_zero(hosp_uf)
util.dash_to_zero(leitos_uf)
util.dash_to_zero(uti_uf)
util.dash_to_zero(uti_sus_uf)
# converte strings para valores numericos quando pertinente
util.str_to_int(enf_uf)
util.str_to_int(med_uf)
util.str_to_int(hosp_uf)
util.str_to_int(leitos_uf)
util.str_to_int(uti_uf)
util.str_to_int(uti_sus_uf)
# retira linhas com informacoes desnecessarias
util.drop(enf_uf, [-1, -1, -1])
util.drop(med_uf, [-1, -1, -1])
util.drop(hosp_uf, [-1, -1])
util.drop(leitos_uf, [-1, -1])
util.drop(uti_uf, [-1, -1])
util.drop(uti_sus_uf, [-1, -1, -1])
# cada bloco a seguir cria um atributo da tabela final
nome = enf_uf["Região/Unidade da Federação"]
# remove caracteres desnecessarios
for i in range(len(nome)):
nome[i] = nome[i].strip(". ")
pop = []
for item in ibge_uf["EST_POP_19"]:
pop.append(item)
# adiciona populacoes de cada regiao
pop.insert(0, sum(ibge_uf["EST_POP_19"][0:7])) # norte
pop.insert(8, sum(ibge_uf["EST_POP_19"][7:16])) # nordeste
pop.insert(18, sum(ibge_uf["EST_POP_19"][16:20])) # sudeste
pop.insert(23, sum(ibge_uf["EST_POP_19"][20:23])) # sul
pop.insert(27, sum(ibge_uf["EST_POP_19"][23:27])) # centro-oeste
enf_sus = enf_uf["Sim"]
enf_nsus = enf_uf["Não"]
enf_total = enf_uf["Total"]
enf_sus_percent = util.percent(enf_sus, enf_total)
enf_10k = util.pop_ratio(enf_total, 10000, pop)
med_sus = med_uf["Sim"]
med_nsus = med_uf["Não"]
med_total = med_uf["Total"]
med_sus_percent = util.percent(med_sus, med_total)
med_10k = util.pop_ratio(med_total, 10000, pop)
hosp_publ = []
for i in range(len(hosp_uf)):
hosp_publ.append(int(sum([hosp_uf["Administração Pública Federal"][i],
hosp_uf["Administração Pública Estadual ou Distrito Federal"][i],
hosp_uf["Administração Pública Municipal"][i],
hosp_uf["Administração Pública - Outros"][i],
hosp_uf["Empresa Pública ou Sociedade de Economia Mista"][i]])))
hosp_npubl = []
for i in range(len(hosp_uf)):
hosp_npubl.append(int(sum([hosp_uf["Demais Entidades Empresariais"][i],
hosp_uf["Entidades sem Fins Lucrativos"][i]])))
hosp_total = []
for i in range(len(hosp_uf)):
hosp_total.append(int(hosp_publ[i] + hosp_npubl[i]))
hosp_publ_percent = util.percent(hosp_publ, hosp_total)
hosp_100k = util.pop_ratio(hosp_total, 100000, pop)
leitos_sus = []
for i in range(len(leitos_uf)):
leitos_sus.append(int(leitos_uf["Quantidade SUS"][i]))
leitos_nsus = []
for i in range(len(leitos_uf)):
leitos_nsus.append(int(leitos_uf["Quantidade Não SUS"][i]))
leitos_total = []
for i in range(len(leitos_uf)):
leitos_total.append(int(leitos_sus[i] + leitos_nsus[i]))
leitos_sus_percent = util.percent(leitos_sus, leitos_total)
leitos_10k = util.pop_ratio(leitos_total, 10000, pop)
leitos_uti_total = []
for i in range(len(uti_uf)):
leitos_uti_total.append(int(uti_uf["Total"][i]))
leitos_uti_sus = uti_sus_uf["Total"]
leitos_uti_nsus = []
for i in range(len(leitos_uti_total)):
leitos_uti_nsus.append(int(leitos_uti_total[i] - leitos_uti_sus[i]))
leitos_uti_sus_percent = util.percent(leitos_uti_sus, leitos_uti_total)
leitos_uti_10k = util.pop_ratio(leitos_uti_total, 10000, pop)
leitos_covid_total = []
for i in range(len(uti_uf)):
leitos_covid_total.append(int(uti_uf["UTI adulto II COVID-19"][i] +
uti_uf["UTI pediátrica II COVID-19"][i]))
leitos_covid_sus = []
for i in range(len(uti_sus_uf)):
leitos_covid_sus.append(int(uti_sus_uf["UTI adulto II COVID-19"][i] +
uti_sus_uf["UTI pediátrica II COVID-19"][i]))
leitos_covid_nsus = []
for i in range(len(leitos_covid_total)):
leitos_covid_nsus.append(int(leitos_covid_total[i] - leitos_covid_sus[i]))
leitos_covid_sus_percent = util.percent(leitos_covid_sus, leitos_covid_total)
leitos_covid_10k = util.pop_ratio(leitos_covid_total, 10000, pop)
# deficit ou excesso de profissionais de saude no estado ou regiao
# em relacao a densidade populacional
# considerando referencia oms (health workforce requirements, 2016)
# recomendado = 44.5 medicos/enfs a cada 10k habitantes
rel_prof_saude_recomend = []
recomend = 44.5
for i in range(len(enf_total)):
med_e_enf_10k = med_10k[i] + enf_10k[i]
dfca = med_e_enf_10k - recomend # valor pos indica excesso; valor neg indica deficit
rel_prof_saude_recomend.append(round((dfca*pop[i])/10000, 2))
dados = {'Região ou UF': nome,
'População': pop,
'Enfermeiros SUS': enf_sus,
'Enfermeiros não-SUS': enf_nsus,
'Enfermeiros - Total': enf_total,
'%' + ' de enfermeiros SUS': enf_sus_percent,
'Enfermeiros a cada 10k habitantes': enf_10k,
'Médicos SUS': med_sus,
'Médicos não-SUS': med_nsus,
'Médicos - Total': med_total,
'%' + ' de médicos SUS': med_sus_percent,
'Médicos a cada 10k habitantes': med_10k,
'Déficit ou excesso de médicos/enfermeiros': rel_prof_saude_recomend,
'Hospitais públicos': hosp_publ,
'Hospitais não-públicos': hosp_npubl,
'Hospitais - Total': hosp_total,
'%' + ' de hospitais públicos': hosp_publ_percent,
'Hospitais a cada 100k habitantes': hosp_100k,
'Leitos (internação) SUS': leitos_sus,
'Leitos (internação) não-SUS': leitos_nsus,
'Leitos (internação) - Total': leitos_total,
'%' + ' de leitos (internação) SUS': leitos_sus_percent,
'Leitos (internação) a cada 10k habitantes': leitos_10k,
'Leitos UTI SUS': leitos_uti_sus,
'Leitos UTI não-SUS': leitos_uti_nsus,
'Leitos UTI - Total': leitos_uti_total,
'%' + ' de leitos UTI SUS': leitos_uti_sus_percent,
'Leitos UTI a cada 10k habitantes': leitos_uti_10k,
'Leitos UTI COVID-19 SUS': leitos_covid_sus,
'Leitos UTI COVID-19 não-SUS': leitos_covid_nsus,
'Leitos UTI COVID-19 - Total': leitos_covid_total,
'%' + ' de leitos UTI COVID-19 SUS': leitos_covid_sus_percent,
'Leitos UTI COVID-19 a cada 10k habitantes': leitos_covid_10k}
df = pd.DataFrame(data=dados)
util.write_to_csv(df, "Brasil - UFs e Regiões")
stats.stats_estados(pd.read_csv("../data/processed/Brasil - UFs e Regiões.csv"))
def processa_municipios():
enf_mun, med_mun, hosp_mun, leitos_mun, uti_mun, uti_sus_mun, ibge_mun = util.read_mun()
# troca "-" pelo valor 0 nas celulas em que aparece
util.dash_to_zero(enf_mun)
util.dash_to_zero(med_mun)
util.dash_to_zero(hosp_mun)
util.dash_to_zero(leitos_mun)
util.dash_to_zero(uti_mun)
util.dash_to_zero(uti_sus_mun)
# converte strings para valores numericos quando pertinente
util.str_to_int(enf_mun)
util.str_to_int(med_mun)
util.str_to_int(hosp_mun)
util.str_to_int(leitos_mun)
util.str_to_int(uti_mun)
util.str_to_int(uti_sus_mun)
# retira linhas com informacoes desnecessarias
util.drop(enf_mun, [-1, -1, -1])
util.drop(med_mun, [-1, -1, -1])
util.drop(hosp_mun, [-1, -1, -1])
util.drop(leitos_mun, [-1, -1, -1])
util.drop(uti_mun, [-1, -1, -1])
util.drop(uti_sus_mun, [-1, -1, -1])
util.drop_mun(enf_mun)
util.drop_mun(med_mun)
util.drop_mun(hosp_mun)
util.drop_mun(leitos_mun)
util.drop_mun(uti_mun)
util.drop_mun(uti_sus_mun)
# adiciona informacao sobre sigla correspondente a cada codigo uf
siglas_uf = util.cod_to_uf(ibge_mun)
ibge_mun["NM_UF"] = siglas_uf
# remove ultimo digito do codigo municipal do dataset do ibge
# o objetivo eh igualar ao codigo municipal dos datasets do datasus
for i in range(len(ibge_mun)):
ibge_mun.at[i, "CD_MUN"] = ibge_mun["CD_MUN"][i]//10
# cada bloco a seguir cria um atributo da tabela final
cod = []
for i in range(len(enf_mun)):
cod.append(int(enf_mun["Município"][i][0:7])) # primeiros seis digitos
nome = []
for i in range(len(enf_mun)):
nome.append(enf_mun["Município"][i][7:]) # todos os digitos menos 7 primeiros (6 do codigo + espaco)
pop = []
# insere na ordem dos datasets do datasus
for i in range(len(cod)):
# pop_cod = populacao registrada para a linha em que cd_mun == cod[i]
pop_cod = ibge_mun["EST_POP_19"][ibge_mun["CD_MUN"] == cod[i]].iloc[0]
pop.append(pop_cod)
uf = []
# insere na ordem dos datasets do datasus
for i in range(len(cod)):
# uf_cod = sigla da uf registrada para a linha em que cd_mun == cod[i]
uf_cod = ibge_mun["NM_UF"][ibge_mun["CD_MUN"] == cod[i]].iloc[0]
uf.append(uf_cod)
enf_sus = enf_mun["Sim"]
enf_nsus = enf_mun["Não"]
enf_total = enf_mun["Total"]
enf_sus_percent = util.percent(enf_sus, enf_total)
enf_10k = util.pop_ratio(enf_total, 10000, pop)
med_sus = med_mun["Sim"]
med_nsus = med_mun["Não"]
med_total = med_mun["Total"]
med_sus_percent = util.percent(med_sus, med_total)
med_10k = util.pop_ratio(med_total, 10000, pop)
hosp_publ = []
for i in range(len(hosp_mun)):
hosp_publ.append(int(sum([hosp_mun["Administração Pública Federal"][i],
hosp_mun["Administração Pública Estadual ou Distrito Federal"][i],
hosp_mun["Administração Pública Municipal"][i],
hosp_mun["Administração Pública - Outros"][i],
hosp_mun["Empresa Pública ou Sociedade de Economia Mista"][i]])))
hosp_npubl = []
for i in range(len(hosp_mun)):
hosp_npubl.append(int(sum([hosp_mun["Demais Entidades Empresariais"][i],
hosp_mun["Entidades sem Fins Lucrativos"][i]])))
hosp_total = []
for i in range(len(hosp_mun)):
hosp_total.append(int(hosp_publ[i] + hosp_npubl[i]))
hosp_publ_percent = util.percent(hosp_publ, hosp_total)
hosp_100k = util.pop_ratio(hosp_total, 100000, pop)
leitos_sus = leitos_mun["Quantidade SUS"]
leitos_nsus = leitos_mun["Quantidade Não SUS"]
leitos_total = []
for i in range(len(leitos_mun)):
leitos_total.append(int(leitos_sus[i] + leitos_nsus[i]))
leitos_sus_percent = util.percent(leitos_sus, leitos_total)
leitos_10k = util.pop_ratio(leitos_total, 10000, pop)
leitos_uti_total = uti_mun["Total"]
leitos_uti_sus = uti_sus_mun["Total"]
leitos_uti_nsus = []
for i in range(len(leitos_uti_total)):
leitos_uti_nsus.append(int(leitos_uti_total[i] - leitos_uti_sus[i]))
leitos_uti_sus_percent = util.percent(leitos_uti_sus, leitos_uti_total)
leitos_uti_10k = util.pop_ratio(leitos_uti_total, 10000, pop)
leitos_covid_total = []
for i in range(len(uti_mun)):
leitos_covid_total.append(int(uti_mun["UTI adulto II COVID-19"][i] +
uti_mun["UTI pediátrica II COVID-19"][i]))
leitos_covid_sus = []
for i in range(len(uti_sus_mun)):
leitos_covid_sus.append(int(uti_sus_mun["UTI adulto II COVID-19"][i] +
uti_sus_mun["UTI pediátrica II COVID-19"][i]))
leitos_covid_nsus = []
for i in range(len(leitos_covid_total)):
leitos_covid_nsus.append(int(leitos_covid_total[i] - leitos_covid_sus[i]))
leitos_covid_sus_percent = util.percent(leitos_covid_sus, leitos_covid_total)
leitos_covid_10k = util.pop_ratio(leitos_covid_total, 10000, pop)
# deficit ou excesso de profissionais de saude no municipio
# em relacao a densidade populacional
# considerando referencia oms (health workforce requirements, 2016)
# recomendado = 44.5 medicos/enfs a cada 10k habitantes
rel_prof_saude_recomend = []
recomend = 44.5
for i in range(len(enf_total)):
med_e_enf_10k = med_10k[i] + enf_10k[i]
dfca = med_e_enf_10k - recomend # valor pos indica excesso; valor neg indica deficit
rel_prof_saude_recomend.append(round((dfca*pop[i])/10000, 2))
dados = {'Código Municipal': cod,
'Município': nome,
'População': pop,
'UF': uf,
'Enfermeiros SUS': enf_sus,
'Enfermeiros não-SUS': enf_nsus,
'Enfermeiros - Total': enf_total,
'%' + ' de enfermeiros SUS': enf_sus_percent,
'Enfermeiros a cada 10k habitantes': enf_10k,
'Médicos SUS': med_sus,
'Médicos não-SUS': med_nsus,
'Médicos - Total': med_total,
'%' + ' de médicos SUS': med_sus_percent,
'Médicos a cada 10k habitantes': med_10k,
'Déficit ou excesso de médicos/enfermeiros': rel_prof_saude_recomend,
'Hospitais públicos': hosp_publ,
'Hospitais não-públicos': hosp_npubl,
'Hospitais - Total': hosp_total,
'%' + ' de hospitais públicos': hosp_publ_percent,
'Hospitais a cada 100k habitantes': hosp_100k,
'Leitos (internação) SUS': leitos_sus,
'Leitos (internação) não-SUS': leitos_nsus,
'Leitos (internação) - Total': leitos_total,
'%' + ' de leitos (internação) SUS': leitos_sus_percent,
'Leitos (internação) a cada 10k habitantes': leitos_10k,
'Leitos UTI SUS': leitos_uti_sus,
'Leitos UTI não-SUS': leitos_uti_nsus,
'Leitos UTI - Total': leitos_uti_total,
'%' + ' de leitos UTI SUS': leitos_uti_sus_percent,
'Leitos UTI a cada 10k habitantes': leitos_uti_10k,
'Leitos UTI COVID-19 SUS': leitos_covid_sus,
'Leitos UTI COVID-19 não-SUS': leitos_covid_nsus,
'Leitos UTI COVID-19 - Total': leitos_covid_total,
'%' + ' de leitos UTI COVID-19 SUS': leitos_covid_sus_percent,
'Leitos UTI COVID-19 a cada 10k habitantes': leitos_covid_10k}
df = pd.DataFrame(data=dados)
util.write_to_csv(df, "Brasil - Municípios")
stats.stats_municipios(pd.read_csv("../data/processed/Brasil - Municípios.csv"))
