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)]