{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "import numpy as np \n",
    "import glob\n",
    "import os "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "# O QUE PRECISA PRA RODAR ESSE CÓDIGO:\n",
    "\n",
    "# Arquivo Draft\n",
    "# Arquivo Estoque\n",
    "# Arquivo BI preço\n",
    "# Arquivo pdv\n",
    "# Arquivo Calendario\n",
    "# Arquivo tabela de compra\n",
    "\n",
    "#Atualizar o nome da marca no filtro do estoque."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "C:\\Users\\joao.herculano\\AppData\\Local\\Temp\\ipykernel_90044\\119945099.py:10: DtypeWarning: Columns (7) have mixed types. Specify dtype option on import or set low_memory=False.\n",
      "  df_draft = pd.concat([pd.read_csv(file) for file in csv_files], ignore_index=True)\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "(115164, 46)"
      ]
     },
     "execution_count": 3,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# Caminho onde estão as subpastas com os arquivos CSV\n",
    "\n",
    "# Set the path to the folder containing CSV files\n",
    "folder_path = r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\DB_PROMOÇÕES\\EUDORA\\202510\\DRAFT_PDVS_SEM\"   # arquivo dos drafts\n",
    "\n",
    "# Pattern to match all CSV files\n",
    "csv_files = glob.glob(os.path.join(folder_path, '*.csv'))\n",
    "\n",
    "# Read and concat all CSVs\n",
    "df_draft = pd.concat([pd.read_csv(file) for file in csv_files], ignore_index=True)\n",
    "\n",
    "\n",
    "df_draft.shape\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_draft['match'] = 1 \n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [],
   "source": [
    "\n",
    "\n",
    "# Caminho onde estão as subpastas com os arquivos CSV\n",
    "pasta_entrada =  r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\DB_PROMOÇÕES\\EUDORA\\202510\\estoque\"\n",
    "\n",
    "# Lista todas as subpastas dentro de \"ESTOQUE\"\n",
    "subpastas = [os.path.join(pasta_entrada, d) for d in os.listdir(pasta_entrada) if os.path.isdir(os.path.join(pasta_entrada, d))]\n",
    "\n",
    "df_list = []\n",
    "\n",
    "# Percorre todas as subpastas\n",
    "for subpasta in subpastas:\n",
    "    arquivos = [f for f in os.listdir(subpasta) if f.endswith(\".csv\")]\n",
    "    nome_pasta = os.path.basename(subpasta)  # Obtém o nome da pasta\n",
    "\n",
    "    for arquivo in arquivos:\n",
    "        caminho_arquivo = os.path.join(subpasta, arquivo)\n",
    "        try:\n",
    "            df = pd.read_csv(caminho_arquivo, encoding=\"utf-8\", low_memory=False)  # Melhor para grandes volumes de dados\n",
    "            df[\"Arquivo_Origem\"] = arquivo  # Adiciona o nome do arquivo de origem\n",
    "            df[\"Pasta_Origem\"] = nome_pasta  # Adiciona o nome da pasta de origem\n",
    "            df_list.append(df)\n",
    "        except Exception as e:\n",
    "            print(f\"Erro ao ler o arquivo {arquivo}: {e}\")\n",
    "\n",
    "if df_list:\n",
    "    df_estoque = pd.concat(df_list, ignore_index=True)\n",
    "\n",
    "df_estoque['PDV'] = df_estoque['PDV'].astype(str)\n",
    "\n",
    "df_estoque['SKU_FINAL'] = np.where(df_estoque['SKU_PARA'] == \"-\", df_estoque['SKU'], df_estoque['SKU_PARA'])\n",
    "\n",
    "df_estoque['SKU_FINAL']=df_estoque['SKU_FINAL'].astype(str)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "c:\\Users\\joao.herculano\\AppData\\Local\\Programs\\Python\\Python313\\Lib\\site-packages\\openpyxl\\styles\\stylesheet.py:237: UserWarning: Workbook contains no default style, apply openpyxl's default\n",
      "  warn(\"Workbook contains no default style, apply openpyxl's default\")\n"
     ]
    }
   ],
   "source": [
    "df_bi_preco = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\DB_PROMOÇÕES\\EUDORA\\202510\\preçobi\\TABELA DE PREÇOS (4).xlsx\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['SKU1', 'SKU2', 'Descrição', 'MARCA', 'CATEGORIA', 'LINHA', 'UF',\n",
       "       'Tipo Preço', 'PC', 'PV'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 7,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_bi_preco.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_pdv = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\DB_PROMOÇÕES\\EUDORA\\202509\\arquivos pra gerar\\pdvs\\PDV_ATT.xlsx\")\n",
    "df_pdv = df_pdv.rename(columns={'DESCRIÇÃO':'DESCRIÇÃO PDV'})\n",
    "df_pdv = df_pdv.drop(columns=['REGIÃO', 'ESTADO','CIDADE','GESTÃO', 'SUPERVISOR', 'STATUS'])\n",
    "df_pdv['PDV'] = df_pdv['PDV DESC'].str.split(\"-\").str[0].str.strip()\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [],
   "source": [
    "#ignorando a PDV que ainda não está online\n",
    "df_pdv = df_pdv[df_pdv['DESCRIÇÃO PDV'] != '23813-COMERCIO-HIB VALENTE']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_pdv['MATCH'] = 1"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**ALTERAR NOME DA COLUNA \"ARQUIVO_ORIGEM\" PARA UMA DAS OPÇÕES ABAIXO:**\n",
    "\n",
    "*BOT.csv* \n",
    "\n",
    "*EUD.csv*\n",
    "\n",
    "*QDB.csv*"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_estoque = df_estoque[df_estoque['Arquivo_Origem']== \"EUD.csv\"]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [],
   "source": [
    "calendario = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BASE DE DADOS LANÇAMENTO\\BOT\\CICLO 9\\CALENDARIO_CICLO\\Ciclo_Expandido_com_Datas.xlsx\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {},
   "outputs": [],
   "source": [
    "calendario['Date'] = pd.to_datetime(calendario['Date'])\n",
    "\n",
    "# Get today (normalized to midnight)\n",
    "today = pd.Timestamp(\"today\").normalize()\n",
    "\n",
    "calendario['NUM_CICLO'] = calendario['Ciclo'].str[-2:].astype(int)\n",
    "calendario['ANO_CICLO'] = calendario['Ciclo'].str[0:5]\n",
    "\n",
    "\n",
    "calendario = calendario[calendario['MARCA'] == \"EUDORA\"]\n",
    "\n",
    "calendario['CICLOMAIS2'] = calendario['ANO_CICLO'].astype(str) + (calendario['NUM_CICLO'].astype(int) + 2).astype(str).str.zfill(2)\n",
    "\n",
    "ciclo_mais2 = calendario[calendario['Date'].dt.normalize() == today]['CICLOMAIS2'].iloc[0]\n",
    "\n",
    "\n",
    "# Filter rows where date matches today\n",
    "filtered_calendario = calendario[calendario['Ciclo'] == ciclo_mais2][:1]\n",
    "\n",
    "\n",
    "filtered_calendario['dias_ate_inicio'] = filtered_calendario['INICIO CICLO'].iloc[0] - today\n",
    "\n",
    "filtered_calendario['dias_ate_inicio'] = filtered_calendario['dias_ate_inicio'].dt.days.astype(int)\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>Ciclo</th>\n",
       "      <th>INICIO CICLO</th>\n",
       "      <th>FIM CICLO</th>\n",
       "      <th>DURAÇÃO</th>\n",
       "      <th>MARCA</th>\n",
       "      <th>Date</th>\n",
       "      <th>NUM_CICLO</th>\n",
       "      <th>ANO_CICLO</th>\n",
       "      <th>CICLOMAIS2</th>\n",
       "      <th>dias_ate_inicio</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>2220</th>\n",
       "      <td>C202510</td>\n",
       "      <td>2025-06-25</td>\n",
       "      <td>2025-07-15</td>\n",
       "      <td>21</td>\n",
       "      <td>EUDORA</td>\n",
       "      <td>2025-06-25</td>\n",
       "      <td>10</td>\n",
       "      <td>C2025</td>\n",
       "      <td>C202512</td>\n",
       "      <td>28</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "        Ciclo INICIO CICLO  FIM CICLO  DURAÇÃO   MARCA       Date  NUM_CICLO  \\\n",
       "2220  C202510   2025-06-25 2025-07-15       21  EUDORA 2025-06-25         10   \n",
       "\n",
       "     ANO_CICLO CICLOMAIS2  dias_ate_inicio  \n",
       "2220     C2025    C202512               28  "
      ]
     },
     "execution_count": 14,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "filtered_calendario"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 15,
   "metadata": {},
   "outputs": [],
   "source": [
    "filtered_calendario['match'] = 1"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_pdv['UF'] = np.where(df_pdv['UF'] == 'VDC','BA',df_pdv['UF'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\DB_PROMOÇÕES\\EUDORA\\202510\\tabela promo\\Tabela-de-Promocoes_C10_att-1747056411627.xlsx.xlsx\")\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela = df_tabela[[    'Ciclo',                 'Veiculo',\n",
    "              'Tipo de Promoção',  'Estratégia de Promoção',\n",
    "                 'Tipo_mecanica', 'Promo Período Limitado?',\n",
    "                           'EAM',               'Categoria',\n",
    "                    'Cód. Combo',          'Código do Item',\n",
    "             'Descrição do Item',     'Chamada Promocional',\n",
    "                 'Valor do Guia',      'Preço Promocionado',\n",
    "                 '% de Desconto',           'RE compra por',\n",
    "                  'RE Vende por',          'RE lucra  (R$)']]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 19,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela['Código do Item'] = df_tabela['Código do Item'].astype(str).str.replace(\".0\",\"\",regex=False)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 20,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela['MATCH'] = 1"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 21,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela = pd.merge(left=df_tabela,right=df_pdv[['PDV','MATCH','UF','DESCRIÇÃO PDV','ANALISTA']],on='MATCH',how='inner')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 22,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela = df_tabela.drop_duplicates()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 23,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['Ciclo', 'Veiculo', 'Tipo de Promoção', 'Estratégia de Promoção',\n",
       "       'Tipo_mecanica', 'Promo Período Limitado?', 'EAM', 'Categoria',\n",
       "       'Cód. Combo', 'Código do Item', 'Descrição do Item',\n",
       "       'Chamada Promocional', 'Valor do Guia', 'Preço Promocionado',\n",
       "       '% de Desconto', 'RE compra por', 'RE Vende por', 'RE lucra  (R$)',\n",
       "       'MATCH', 'PDV', 'UF', 'DESCRIÇÃO PDV', 'ANALISTA'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 23,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_tabela.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 24,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_draft['PDV'] = df_draft['PDV'].astype(str)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 25,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_draft['SKU'] = df_draft['SKU'].astype(str)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 26,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela['Código do Item'] = df_tabela['Código do Item'].astype('str')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 27,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1518, 69)"
      ]
     },
     "execution_count": 27,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final = pd.merge(left=df_draft,right=df_tabela,right_on=['Código do Item','PDV'],left_on=['SKU','PDV'],how='inner')\n",
    "df_final.shape  "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 28,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1518, 74)"
      ]
     },
     "execution_count": 28,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final = pd.merge(left=df_final, right=filtered_calendario[['Ciclo','INICIO CICLO','FIM CICLO','DURAÇÃO','match','dias_ate_inicio']], on='match',how='inner')\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 29,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1518, 74)"
      ]
     },
     "execution_count": 29,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "#df_final = pd.merge(left=df_final,right=df_pdv[['PDV', 'CANAL', 'DESCRIÇÃO PDV', 'PDV DESC','UF', 'MARCA', 'ANALISTA']],on = 'PDV',how='inner')\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 30,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1831, 77)"
      ]
     },
     "execution_count": 30,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final['SKU'] = df_final['SKU'].astype(str) \n",
    "df_final['PDV'] = df_final['PDV'].astype(str) \n",
    "df_final = pd.merge(left=df_final,right=df_estoque[['SKU_FINAL', 'DDV PREVISTO', 'COBERTURA ATUAL','PDV']],right_on=['PDV','SKU_FINAL'],left_on=['PDV','SKU'],how='left')\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 31,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1831, 82)"
      ]
     },
     "execution_count": 31,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "\n",
    "df_bi_preco['SKU2'] = df_bi_preco['SKU2'].astype(str).str.replace('.0','',regex=False) \n",
    "\n",
    "df_final = pd.merge(left=df_final,right=df_bi_preco[['SKU1', 'SKU2', 'UF','Tipo Preço', 'PC', 'PV']],right_on=['UF','SKU2'],left_on=['UF','SKU'],how='left')\n",
    "df_final.shape   "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 32,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1831, 86)"
      ]
     },
     "execution_count": 32,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_bi_preco['SKU1'] = df_bi_preco['SKU1'].astype(str).str.replace('.0','',regex=False) \n",
    "\n",
    "df_final = pd.merge(left=df_final,right=df_bi_preco[['SKU1', 'SKU2', 'UF', 'PC', 'PV']],right_on=['UF','SKU1'],left_on=['UF','SKU'],how='left')\n",
    "df_final.shape   "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 33,
   "metadata": {},
   "outputs": [],
   "source": [
    "#df_bi_preco = df_bi_preco[df_bi_preco['MARCA']=='EUDORA']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 34,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['PRECO DE COMPRA'] = np.where(~df_final['PC_x'].isna(),df_final['PC_x'],df_final['PC_y'])\n",
    "\n",
    "df_final['PRECO DE VENDA'] = np.where(~df_final['PV_x'].isna(),df_final['PV_x'],df_final['PV_y'])\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 35,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_estoque = df_estoque.rename(columns={'SKU_FINAL':'SKU_PARA_VALIDACAO'})\n",
    "df_final = pd.merge( left= df_final, right = df_estoque[['SKU_PARA_VALIDACAO','Arquivo_Origem']], left_on= 'SKU', right_on='SKU_PARA_VALIDACAO', how='left')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 36,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['PDV', 'Classe', 'SKU', 'Descrição', 'Categoria_x', 'Subcategoria',\n",
       "       'Lançamento', 'Desativação', 'Histórico de Vendas do Ciclo 202408',\n",
       "       'Histórico de Vendas do Ciclo 202409',\n",
       "       'Histórico de Vendas do Ciclo 202410',\n",
       "       'Histórico de Vendas do Ciclo 202411',\n",
       "       'Histórico de Vendas do Ciclo 202412',\n",
       "       'Histórico de Vendas do Ciclo 202413',\n",
       "       'Histórico de Vendas do Ciclo 202414',\n",
       "       'Histórico de Vendas do Ciclo 202415',\n",
       "       'Histórico de Vendas do Ciclo 202416',\n",
       "       'Histórico de Vendas do Ciclo 202417',\n",
       "       'Histórico de Vendas do Ciclo 202501',\n",
       "       'Histórico de Vendas do Ciclo 202502',\n",
       "       'Histórico de Vendas do Ciclo 202503',\n",
       "       'Histórico de Vendas do Ciclo 202504',\n",
       "       'Histórico de Vendas do Ciclo 202505',\n",
       "       'Histórico de Vendas do Ciclo 202506',\n",
       "       'Histórico de Vendas do Ciclo 202507',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'Dias sem venda',\n",
       "       'Projeção Próximo Ciclo', 'Projeção Próximo Ciclo + 1',\n",
       "       'Promoção Próximo Ciclo', 'Promoção Próximo Ciclo + 1', 'Estoque Atual',\n",
       "       'Estoque em Transito', 'Pedido Pendente',\n",
       "       'Compra inteligente semanal/Sugestão de compra',\n",
       "       'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Item Desativado',\n",
       "       'Data Prevista Regularização', 'Carteira Bloqueada Para Novos Pedidos',\n",
       "       'Planograma', 'Quantidade por caixa', 'Preço Sell In', 'Quantidade',\n",
       "       'Item analisado', 'Histórico de Vendas do Ciclo 202407', 'match',\n",
       "       'Ciclo_x', 'Veiculo', 'Tipo de Promoção', 'Estratégia de Promoção',\n",
       "       'Tipo_mecanica', 'Promo Período Limitado?', 'EAM', 'Categoria_y',\n",
       "       'Cód. Combo', 'Código do Item', 'Descrição do Item',\n",
       "       'Chamada Promocional', 'Valor do Guia', 'Preço Promocionado',\n",
       "       '% de Desconto', 'RE compra por', 'RE Vende por', 'RE lucra  (R$)',\n",
       "       'MATCH', 'UF', 'DESCRIÇÃO PDV', 'ANALISTA', 'Ciclo_y', 'INICIO CICLO',\n",
       "       'FIM CICLO', 'DURAÇÃO', 'dias_ate_inicio', 'SKU_FINAL', 'DDV PREVISTO',\n",
       "       'COBERTURA ATUAL', 'SKU1_x', 'SKU2_x', 'Tipo Preço', 'PC_x', 'PV_x',\n",
       "       'SKU1_y', 'SKU2_y', 'PC_y', 'PV_y', 'PRECO DE COMPRA', 'PRECO DE VENDA',\n",
       "       'SKU_PARA_VALIDACAO', 'Arquivo_Origem'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 36,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 37,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.drop(columns=['Desativação','Lançamento',\n",
    "'Promoção Próximo Ciclo',\n",
    "'Compra inteligente semanal/Sugestão de compra',\n",
    "'Planograma',\n",
    "'Carteira Bloqueada Para Novos Pedidos',\n",
    "'Preço Sell In',\n",
    "'Quantidade',\n",
    "'Item analisado',\n",
    "'Promoção Próximo Ciclo + 1',\n",
    "'SKU_PARA_VALIDACAO',\n",
    "'Ciclo_y'\n",
    "])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 38,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(101091, 80)"
      ]
     },
     "execution_count": 38,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final['PDV_SKU'] = df_final['PDV'].astype(str) + df_final['SKU'].astype(str) \n",
    "df_final['UFPRODUTO'] = df_final['UF'].astype(str) + df_final['SKU'].astype(str)\n",
    "\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 39,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Projeção Próximo Ciclo + 1\n",
       "0      11230\n",
       "1       6095\n",
       "2       5693\n",
       "4       5037\n",
       "3       4691\n",
       "       ...  \n",
       "60        13\n",
       "575       13\n",
       "197       13\n",
       "351       13\n",
       "118       13\n",
       "Name: count, Length: 129, dtype: int64"
      ]
     },
     "execution_count": 39,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final['Projeção Próximo Ciclo + 1'].value_counts()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 40,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['PROJEÇÃO DO CICLO PROMOCIONADO'] =df_final['Projeção Próximo Ciclo + 1'] - df_final['Projeção Próximo Ciclo'] # projeção do ciclo em estudo"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 41,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "PROJEÇÃO DO CICLO PROMOCIONADO\n",
       "0      11243\n",
       "1       7913\n",
       "2       7288\n",
       "4       5839\n",
       "5       5191\n",
       "       ...  \n",
       "175       13\n",
       "312       13\n",
       "108       13\n",
       "69        13\n",
       "161       13\n",
       "Name: count, Length: 115, dtype: int64"
      ]
     },
     "execution_count": 41,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final['PROJEÇÃO DO CICLO PROMOCIONADO'].value_counts()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 42,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['Data Prevista Regularização'] = df_final['Data Prevista Regularização'].astype(str).replace('0','REGULAR')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 43,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.rename(columns={'Arquivo_Origem': 'MARCA'})"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 44,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "np.int64(0)"
      ]
     },
     "execution_count": 44,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final = df_final[~df_final['MARCA'].isna()]\n",
    "df_final['MARCA'].isna().sum()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 45,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(1822, 81)"
      ]
     },
     "execution_count": 45,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final = df_final.drop_duplicates()\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 46,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['PDV', 'Classe', 'SKU', 'Descrição', 'Categoria_x', 'Subcategoria',\n",
       "       'Histórico de Vendas do Ciclo 202408',\n",
       "       'Histórico de Vendas do Ciclo 202409',\n",
       "       'Histórico de Vendas do Ciclo 202410',\n",
       "       'Histórico de Vendas do Ciclo 202411',\n",
       "       'Histórico de Vendas do Ciclo 202412',\n",
       "       'Histórico de Vendas do Ciclo 202413',\n",
       "       'Histórico de Vendas do Ciclo 202414',\n",
       "       'Histórico de Vendas do Ciclo 202415',\n",
       "       'Histórico de Vendas do Ciclo 202416',\n",
       "       'Histórico de Vendas do Ciclo 202417',\n",
       "       'Histórico de Vendas do Ciclo 202501',\n",
       "       'Histórico de Vendas do Ciclo 202502',\n",
       "       'Histórico de Vendas do Ciclo 202503',\n",
       "       'Histórico de Vendas do Ciclo 202504',\n",
       "       'Histórico de Vendas do Ciclo 202505',\n",
       "       'Histórico de Vendas do Ciclo 202506',\n",
       "       'Histórico de Vendas do Ciclo 202507',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'Dias sem venda',\n",
       "       'Projeção Próximo Ciclo', 'Projeção Próximo Ciclo + 1', 'Estoque Atual',\n",
       "       'Estoque em Transito', 'Pedido Pendente',\n",
       "       'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Item Desativado',\n",
       "       'Data Prevista Regularização', 'Quantidade por caixa',\n",
       "       'Histórico de Vendas do Ciclo 202407', 'match', 'Ciclo_x', 'Veiculo',\n",
       "       'Tipo de Promoção', 'Estratégia de Promoção', 'Tipo_mecanica',\n",
       "       'Promo Período Limitado?', 'EAM', 'Categoria_y', 'Cód. Combo',\n",
       "       'Código do Item', 'Descrição do Item', 'Chamada Promocional',\n",
       "       'Valor do Guia', 'Preço Promocionado', '% de Desconto', 'RE compra por',\n",
       "       'RE Vende por', 'RE lucra  (R$)', 'MATCH', 'UF', 'DESCRIÇÃO PDV',\n",
       "       'ANALISTA', 'INICIO CICLO', 'FIM CICLO', 'DURAÇÃO', 'dias_ate_inicio',\n",
       "       'SKU_FINAL', 'DDV PREVISTO', 'COBERTURA ATUAL', 'SKU1_x', 'SKU2_x',\n",
       "       'Tipo Preço', 'PC_x', 'PV_x', 'SKU1_y', 'SKU2_y', 'PC_y', 'PV_y',\n",
       "       'PRECO DE COMPRA', 'PRECO DE VENDA', 'MARCA', 'PDV_SKU', 'UFPRODUTO',\n",
       "       'PROJEÇÃO DO CICLO PROMOCIONADO'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 46,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 47,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Define list of target columns\n",
    "sales_2024_cols = df_final.columns[6:24]\n",
    "# Create a new column with the row-wise max\n",
    "df_final['PICO DE VENDAS 2024'] = df_final[sales_2024_cols].max(axis=1)\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 48,
   "metadata": {},
   "outputs": [],
   "source": [
    "vendas_6_meses = df_final.columns[17:23]\n",
    "\n",
    "df_final['Pico Vendas Ultimos 6 ciclos'] = df_final[vendas_6_meses].max(axis=1)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 49,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "-0.14227416063810053\n"
     ]
    }
   ],
   "source": [
    "CRESCIMENTO = (df_final[df_final.columns[17]].sum() - df_final[df_final.columns[22]].sum())/df_final[df_final.columns[17]].sum() \n",
    "print(CRESCIMENTO)\n",
    "\n",
    "df_final['CRESCIMENTO'] = .2"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 50,
   "metadata": {},
   "outputs": [],
   "source": [
    "mesmo_ciclo_ano_passado = df_final.columns[8:9]\n",
    "ciclo_ano_passado = df_final.columns[8:9].str.split(\" \")[0][-1]\n",
    "df_final[ciclo_ano_passado] = df_final[mesmo_ciclo_ano_passado]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 51,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'202410'"
      ]
     },
     "execution_count": 51,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final.columns[8:9].str.split(\" \")[0][-1]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 52,
   "metadata": {},
   "outputs": [],
   "source": [
    "vendas_todos_historicos = df_final.columns[17:23]\n",
    "\n",
    "df_final['MEDIANA DO HISTÓRICO'] = df_final[vendas_todos_historicos].median(axis=1)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 53,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "np.float64(-0.14227416063810053)"
      ]
     },
     "execution_count": 53,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "CRESCIMENTO"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 54,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['PV GINSENG'] = np.where(df_final['CRESCIMENTO'] * df_final[ciclo_ano_passado] + df_final[ciclo_ano_passado] < df_final['MEDIANA DO HISTÓRICO'],\n",
    "                                    round(df_final['CRESCIMENTO'] * df_final['MEDIANA DO HISTÓRICO']+ df_final['MEDIANA DO HISTÓRICO'],0), \n",
    "                                    round(df_final['CRESCIMENTO']*df_final[ciclo_ano_passado]+df_final[ciclo_ano_passado],0))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 55,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.rename(columns={df_final.columns[18]: \"C-4\", df_final.columns[19]: \"C-3\",df_final.columns[20]: \"C-2\",df_final.columns[21]: \"C-1\"})"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 56,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.drop(columns=df_final.columns[6:18], inplace=True)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 57,
   "metadata": {},
   "outputs": [],
   "source": [
    "# List all columns except the two\n",
    "cols_to_group_by = df_final.columns.difference(['DDV PREVISTO', 'COBERTURA ATUAL'])\n",
    "\n",
    "# Group and aggregate\n",
    "df_final_dedup = (\n",
    "    df_final\n",
    "    .groupby(list(cols_to_group_by), dropna=False)[['DDV PREVISTO', 'COBERTURA ATUAL']]\n",
    "    .max()\n",
    "    .reset_index()\n",
    ")\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 58,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "0         0\n",
       "24        0\n",
       "48        0\n",
       "72        9\n",
       "96        0\n",
       "         ..\n",
       "101026    0\n",
       "101039    2\n",
       "101052    1\n",
       "101065    1\n",
       "101078    7\n",
       "Name: Compra inteligente Próximo Ciclo, Length: 1822, dtype: int64"
      ]
     },
     "execution_count": 58,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final['Compra inteligente Próximo Ciclo']\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 59,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['DDV PREVISTO'] = df_final_dedup['DDV PREVISTO'].fillna(0.01)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 60,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['DDV PREVISTO'] = np.where(\n",
    "    df_final_dedup['DDV PREVISTO'] == 0,\n",
    "    0.01,\n",
    "    df_final_dedup['DDV PREVISTO']\n",
    ")\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 61,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "DDV PREVISTO\n",
       "0.01     302\n",
       "0.02     120\n",
       "0.04     109\n",
       "0.07      50\n",
       "0.13      36\n",
       "        ... \n",
       "1.56       1\n",
       "3.58       1\n",
       "3.75       1\n",
       "6.98       1\n",
       "10.96      1\n",
       "Name: count, Length: 195, dtype: int64"
      ]
     },
     "execution_count": 61,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final_dedup['DDV PREVISTO'].value_counts()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 62,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['EST PROJE FINAL CICLO ATUAL'] = (df_final_dedup['Estoque Atual'] + df_final_dedup['Estoque em Transito']) - round(df_final_dedup['dias_ate_inicio'] * df_final_dedup['DDV PREVISTO'],0)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 63,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['EST PROJE FINAL CICLO ATUAL'] = np.where(df_final_dedup['EST PROJE FINAL CICLO ATUAL']<0,0,df_final_dedup['EST PROJE FINAL CICLO ATUAL'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 64,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['% de Desconto', '202410', 'ANALISTA', 'C-1', 'C-2', 'C-3', 'C-4',\n",
       "       'CRESCIMENTO', 'Categoria_x', 'Categoria_y', 'Chamada Promocional',\n",
       "       'Ciclo_x', 'Classe', 'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Cód. Combo', 'Código do Item',\n",
       "       'DESCRIÇÃO PDV', 'DURAÇÃO', 'Data Prevista Regularização', 'Descrição',\n",
       "       'Descrição do Item', 'Dias sem venda', 'EAM', 'Estoque Atual',\n",
       "       'Estoque em Transito', 'Estratégia de Promoção', 'FIM CICLO',\n",
       "       'Histórico de Vendas do Ciclo 202407',\n",
       "       'Histórico de Vendas do Ciclo 202507',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'INICIO CICLO', 'Item Desativado',\n",
       "       'MARCA', 'MATCH', 'MEDIANA DO HISTÓRICO', 'PC_x', 'PC_y', 'PDV',\n",
       "       'PDV_SKU', 'PICO DE VENDAS 2024', 'PRECO DE COMPRA', 'PRECO DE VENDA',\n",
       "       'PROJEÇÃO DO CICLO PROMOCIONADO', 'PV GINSENG', 'PV_x', 'PV_y',\n",
       "       'Pedido Pendente', 'Pico Vendas Ultimos 6 ciclos', 'Preço Promocionado',\n",
       "       'Projeção Próximo Ciclo', 'Projeção Próximo Ciclo + 1',\n",
       "       'Promo Período Limitado?', 'Quantidade por caixa', 'RE Vende por',\n",
       "       'RE compra por', 'RE lucra  (R$)', 'SKU', 'SKU1_x', 'SKU1_y', 'SKU2_x',\n",
       "       'SKU2_y', 'SKU_FINAL', 'Subcategoria', 'Tipo Preço', 'Tipo de Promoção',\n",
       "       'Tipo_mecanica', 'UF', 'UFPRODUTO', 'Valor do Guia', 'Veiculo',\n",
       "       'dias_ate_inicio', 'match', 'DDV PREVISTO', 'COBERTURA ATUAL',\n",
       "       'EST PROJE FINAL CICLO ATUAL'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 64,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final_dedup.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 65,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['VENDAS R$ PV GINSENG'] = df_final_dedup['PRECO DE VENDA'] * df_final_dedup['PV GINSENG']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 66,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup = df_final_dedup.rename(columns={'Ciclo_x':'Ciclo'})"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 67,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['SUGESTÃO ABTASTECIMENTO\t'] = ''\n",
    "df_final_dedup['VENDAS R$ ABASTECIMENTO'] = ''\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 68,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['RBV 202406'] = df_final_dedup['PRECO DE VENDA'] * df_final_dedup[ciclo_ano_passado] "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 69,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['COB PROJETADA'] = np.where(\n",
    "    df_final_dedup['DDV PREVISTO'] != 0,\n",
    "    (df_final_dedup['EST PROJE FINAL CICLO ATUAL'] + df_final_dedup['PV GINSENG']) / df_final_dedup['DDV PREVISTO'],\n",
    "    999)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 70,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup.drop(columns=['dias_ate_inicio','SKU_FINAL','Projeção Próximo Ciclo + 1',\n",
    "                             'CRESCIMENTO'],inplace=True)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 71,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['MARCA'] = df_final_dedup['MARCA'].str.replace('.csv','',regex=False)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 72,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final_dedup['COB PROJETADA'] = df_final_dedup['COB PROJETADA'].fillna(999)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 73,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['% de Desconto', '202410', 'ANALISTA', 'C-1', 'C-2', 'C-3', 'C-4',\n",
       "       'Categoria_x', 'Categoria_y', 'Chamada Promocional', 'Ciclo', 'Classe',\n",
       "       'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Cód. Combo', 'Código do Item',\n",
       "       'DESCRIÇÃO PDV', 'DURAÇÃO', 'Data Prevista Regularização', 'Descrição',\n",
       "       'Descrição do Item', 'Dias sem venda', 'EAM', 'Estoque Atual',\n",
       "       'Estoque em Transito', 'Estratégia de Promoção', 'FIM CICLO',\n",
       "       'Histórico de Vendas do Ciclo 202407',\n",
       "       'Histórico de Vendas do Ciclo 202507',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'INICIO CICLO', 'Item Desativado',\n",
       "       'MARCA', 'MATCH', 'MEDIANA DO HISTÓRICO', 'PC_x', 'PC_y', 'PDV',\n",
       "       'PDV_SKU', 'PICO DE VENDAS 2024', 'PRECO DE COMPRA', 'PRECO DE VENDA',\n",
       "       'PROJEÇÃO DO CICLO PROMOCIONADO', 'PV GINSENG', 'PV_x', 'PV_y',\n",
       "       'Pedido Pendente', 'Pico Vendas Ultimos 6 ciclos', 'Preço Promocionado',\n",
       "       'Projeção Próximo Ciclo', 'Promo Período Limitado?',\n",
       "       'Quantidade por caixa', 'RE Vende por', 'RE compra por',\n",
       "       'RE lucra  (R$)', 'SKU', 'SKU1_x', 'SKU1_y', 'SKU2_x', 'SKU2_y',\n",
       "       'Subcategoria', 'Tipo Preço', 'Tipo de Promoção', 'Tipo_mecanica', 'UF',\n",
       "       'UFPRODUTO', 'Valor do Guia', 'Veiculo', 'match', 'DDV PREVISTO',\n",
       "       'COBERTURA ATUAL', 'EST PROJE FINAL CICLO ATUAL',\n",
       "       'VENDAS R$ PV GINSENG', 'SUGESTÃO ABTASTECIMENTO\\t',\n",
       "       'VENDAS R$ ABASTECIMENTO', 'RBV 202406', 'COB PROJETADA'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 73,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final_dedup.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 74,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'EUD'"
      ]
     },
     "execution_count": 74,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "marca_promo =  df_estoque['Arquivo_Origem'].iloc[0].replace('.csv','')\n",
    "marca_promo"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 75,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['PDV', 'Classe', 'SKU', 'Descrição', 'Categoria_x', 'Subcategoria',\n",
       "       'C-4', 'C-3', 'C-2', 'C-1', 'Histórico de Vendas do Ciclo 202507',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'Dias sem venda',\n",
       "       'Projeção Próximo Ciclo', 'Projeção Próximo Ciclo + 1', 'Estoque Atual',\n",
       "       'Estoque em Transito', 'Pedido Pendente',\n",
       "       'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Item Desativado',\n",
       "       'Data Prevista Regularização', 'Quantidade por caixa',\n",
       "       'Histórico de Vendas do Ciclo 202407', 'match', 'Ciclo_x', 'Veiculo',\n",
       "       'Tipo de Promoção', 'Estratégia de Promoção', 'Tipo_mecanica',\n",
       "       'Promo Período Limitado?', 'EAM', 'Categoria_y', 'Cód. Combo',\n",
       "       'Código do Item', 'Descrição do Item', 'Chamada Promocional',\n",
       "       'Valor do Guia', 'Preço Promocionado', '% de Desconto', 'RE compra por',\n",
       "       'RE Vende por', 'RE lucra  (R$)', 'MATCH', 'UF', 'DESCRIÇÃO PDV',\n",
       "       'ANALISTA', 'INICIO CICLO', 'FIM CICLO', 'DURAÇÃO', 'dias_ate_inicio',\n",
       "       'SKU_FINAL', 'DDV PREVISTO', 'COBERTURA ATUAL', 'SKU1_x', 'SKU2_x',\n",
       "       'Tipo Preço', 'PC_x', 'PV_x', 'SKU1_y', 'SKU2_y', 'PC_y', 'PV_y',\n",
       "       'PRECO DE COMPRA', 'PRECO DE VENDA', 'MARCA', 'PDV_SKU', 'UFPRODUTO',\n",
       "       'PROJEÇÃO DO CICLO PROMOCIONADO', 'PICO DE VENDAS 2024',\n",
       "       'Pico Vendas Ultimos 6 ciclos', 'CRESCIMENTO', '202410',\n",
       "       'MEDIANA DO HISTÓRICO', 'PV GINSENG'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 75,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 76,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Passo 1: ordenar\n",
    "df_sorted = df_final.sort_values(by='% de Desconto', ascending=False)\n",
    "\n",
    "# Passo 2: obter até 3 chamadas promocionais por grupo\n",
    "promo_grouped = (\n",
    "    df_sorted.groupby(['SKU', 'PDV'])['Chamada Promocional']\n",
    "    .apply(lambda x: x.dropna().unique()[:3])\n",
    "    .apply(pd.Series)\n",
    "    .rename(columns={0: 'MECÂNICA 1', 1: 'MECÂNICA 2', 2: 'MECÂNICA 3'})\n",
    "    .reset_index()\n",
    ")\n",
    "\n",
    "# Passo 3: base com maior % de desconto\n",
    "df_base = df_sorted.drop_duplicates(subset=['SKU', 'PDV'], keep='first').reset_index(drop=True)\n",
    "\n",
    "# Passo 4: merge com chamadas pivotadas\n",
    "df_merged = df_base.merge(promo_grouped, on=['SKU', 'PDV'], how='left')\n",
    "\n",
    "# Corrigir dicionário: agrupar e pegar o primeiro valor válido por (SKU, PDV)\n",
    "# Passo 1: dicionário com Cód. Combo único por SKU+PDV\n",
    "cod_combo_map = (\n",
    "    df_final\n",
    "    .dropna(subset=['Cód. Combo'])\n",
    "    .groupby(['SKU', 'PDV'])['Cód. Combo']\n",
    "    .first()\n",
    "    .to_dict()\n",
    ")\n",
    "\n",
    "# Passo 2: gerar Series com os valores mapeados\n",
    "cod_combo_series = df_merged.set_index(['SKU', 'PDV']).index.map(cod_combo_map)\n",
    "\n",
    "# Passo 3: substituir os valores diretamente\n",
    "df_merged['Cód. Combo'] = cod_combo_series.where(cod_combo_series.notna(), df_merged['Cód. Combo'])\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 77,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Columns to bring up front\n",
    "priority_cols = [\n",
    "    'PDV_SKU',\t'SKU',\t'MARCA','INICIO CICLO',\n",
    "    'FIM CICLO',\t'DURAÇÃO','dias_ate_inicio',\t\n",
    "    'UFPRODUTO',\t'Item Desativado',\t'Data Prevista Regularização',\n",
    "    'ANALISTA',\t'UF',\t'PDV',\t'DESCRIÇÃO PDV',\t'Classe',\n",
    "    'Descrição','MECÂNICA 1',\n",
    "       'MECÂNICA 2', 'MECÂNICA 3','Estoque Atual',\t'COBERTURA ATUAL',\n",
    "    'Estoque em Transito',\t'Pedido Pendente',\t'PICO DE VENDAS 2024','Pico Vendas Ultimos 6 ciclos',\n",
    "    'C-4',\t'C-3',\t'C-2',\t'C-1',\t'Histórico de Vendas do Ciclo Atual',\n",
    "    'Dias sem venda'\n",
    "]\n",
    "\n",
    "# All remaining columns\n",
    "other_cols = [col for col in df_merged.columns if col not in priority_cols]\n",
    "\n",
    "# Reorder\n",
    "df_merged = df_merged[priority_cols + other_cols]\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 78,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_merged['INICIO CICLO'] = pd.to_datetime(df_merged['INICIO CICLO'], dayfirst=True).dt.strftime('%d/%m/%Y')\n",
    "\n",
    "df_merged['FIM CICLO'] = pd.to_datetime(df_merged['FIM CICLO'], dayfirst=True).dt.strftime('%d/%m/%Y')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 79,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "Index(['PDV_SKU', 'SKU', 'MARCA', 'INICIO CICLO', 'FIM CICLO', 'DURAÇÃO',\n",
       "       'dias_ate_inicio', 'UFPRODUTO', 'Item Desativado',\n",
       "       'Data Prevista Regularização', 'ANALISTA', 'UF', 'PDV', 'DESCRIÇÃO PDV',\n",
       "       'Classe', 'Descrição', 'MECÂNICA 1', 'MECÂNICA 2', 'MECÂNICA 3',\n",
       "       'Estoque Atual', 'COBERTURA ATUAL', 'Estoque em Transito',\n",
       "       'Pedido Pendente', 'PICO DE VENDAS 2024',\n",
       "       'Pico Vendas Ultimos 6 ciclos', 'C-4', 'C-3', 'C-2', 'C-1',\n",
       "       'Histórico de Vendas do Ciclo Atual', 'Dias sem venda', 'Categoria_x',\n",
       "       'Subcategoria', 'Histórico de Vendas do Ciclo 202507',\n",
       "       'Projeção Próximo Ciclo', 'Projeção Próximo Ciclo + 1',\n",
       "       'Compra inteligente Próximo Ciclo',\n",
       "       'Compra inteligente Próximo Ciclo + 1', 'Quantidade por caixa',\n",
       "       'Histórico de Vendas do Ciclo 202407', 'match', 'Ciclo_x', 'Veiculo',\n",
       "       'Tipo de Promoção', 'Estratégia de Promoção', 'Tipo_mecanica',\n",
       "       'Promo Período Limitado?', 'EAM', 'Categoria_y', 'Cód. Combo',\n",
       "       'Código do Item', 'Descrição do Item', 'Chamada Promocional',\n",
       "       'Valor do Guia', 'Preço Promocionado', '% de Desconto', 'RE compra por',\n",
       "       'RE Vende por', 'RE lucra  (R$)', 'MATCH', 'SKU_FINAL', 'DDV PREVISTO',\n",
       "       'SKU1_x', 'SKU2_x', 'Tipo Preço', 'PC_x', 'PV_x', 'SKU1_y', 'SKU2_y',\n",
       "       'PC_y', 'PV_y', 'PRECO DE COMPRA', 'PRECO DE VENDA',\n",
       "       'PROJEÇÃO DO CICLO PROMOCIONADO', 'CRESCIMENTO', '202410',\n",
       "       'MEDIANA DO HISTÓRICO', 'PV GINSENG'],\n",
       "      dtype='object')"
      ]
     },
     "execution_count": 79,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df_merged.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 80,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_merged = df_merged.loc[:, ~df_merged.columns.str.endswith('_y')]\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 81,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_merged.columns = df_merged.columns.str.replace('_x$', '', regex=True)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 82,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_merged = df_merged.drop(columns=['Veiculo',\t'Tipo de Promoção',\t'Estratégia de Promoção','Tipo_mecanica'\n",
    "                                    ,'Chamada Promocional','MATCH','match', 'SKU_FINAL','Descrição do Item','CRESCIMENTO',\n",
    "                                    'Cód. Combo'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 83,
   "metadata": {},
   "outputs": [],
   "source": [
    "df_merged['SUGESTÃO ANALISTA'] = \"\"\n",
    "\n",
    "df_merged['SUGESTÃO COMERCIAL'] = \"\""
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 84,
   "metadata": {},
   "outputs": [],
   "source": [
    "\n",
    "from openpyxl import load_workbook\n",
    "from openpyxl.styles import PatternFill, Font\n",
    "\n",
    "\n",
    "# Export to Excel\n",
    "output_file = f'C:\\\\Users\\\\joao.herculano\\\\Documents\\\\promoção_{marca_promo}_{ciclo_mais2}_28.05.xlsx'\n",
    "with pd.ExcelWriter(output_file, engine='openpyxl') as writer:\n",
    "    df_merged.to_excel(writer, index=False, sheet_name='Sheet1')\n",
    "\n",
    "# Apply styles\n",
    "wb = load_workbook(output_file)\n",
    "ws = wb['Sheet1']\n",
    "\n",
    "# Style header\n",
    "header_fill = PatternFill(start_color='ADD8E6', end_color='ADD8E6', fill_type='solid')  # Light Blue\n",
    "header_font = Font(color='FFFFFF', bold=True)  # White & Bold\n",
    "\n",
    "for cell in ws[1]:\n",
    "    cell.fill = header_fill\n",
    "    cell.font = header_font\n",
    "\n",
    "# Style rows: gray/white alternating\n",
    "gray_fill = PatternFill(start_color='DDDDDD', end_color='DDDDDD', fill_type='solid')  # Light gray\n",
    "\n",
    "for i, row in enumerate(ws.iter_rows(min_row=2, max_row=ws.max_row), start=2):\n",
    "    if i % 2 == 0:\n",
    "        for cell in row:\n",
    "            cell.fill = gray_fill\n",
    "\n",
    "# Save styled workbook\n",
    "wb.save(output_file)\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "coisas q saem\n",
    "\n",
    "Lançamento\n",
    "Subcategoria\n",
    "Projeção Próximo Ciclo \n",
    "Promoção Próximo Ciclo\n",
    "Compra inteligente semanal/Sugestão de compra\n",
    "Compra inteligente Próximo Ciclo\n",
    "Planograma\n",
    "Carteira Bloqueada Para Novos Pedidos\n",
    "Quantidade por caixa\n",
    "Preço Sell In\n",
    "Quantidade\n",
    "Item analisado\n",
    "Tipo Preço\n",
    "\n",
    ">>>>>>>>>>>>>NAO ESTÁ PEGANDO O MERGE COM O DF_ESTOQUE\n",
    "\n",
    "\n",
    "CRIAR PROJEÇÃO DE VENDA DO CICLO ATUAL\n",
    "Compra inteligente Próximo Ciclo + 1 >>>>>>> RENAME PRA NOROMAL"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.13.2"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}