Ruptura_Projetada/Lançamentos/Script_lançamento_boti_v2.ipynb

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "6ad35669",
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "import numpy as np \n",
    "import glob\n",
    "import os "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "9fcdc77a",
   "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\")\n",
    "\n",
    "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",
    "\n",
    "calendario['ANO_CICLO'] = calendario['Ciclo'].str[0:5]\n",
    "\n",
    "calendario = calendario[calendario['MARCA'] == \"BOTICARIO\"]\n",
    "\n",
    "calendario['CICLOMAIS2'] = calendario['ANO_CICLO'].astype(str) + (calendario['NUM_CICLO'].astype(int) + 3).astype(str).str.zfill(2)       #<<< MUDAR O \"4\" (CICLO ATUAL + 4 PARA ACHAR O CICLO DA SUGESTÃO) EX: C202505 -> C202509\n",
    "ciclo_mais2 = calendario[calendario['Date'].dt.normalize() == today]['CICLOMAIS2'].iloc[0]\n",
    "\n",
    "# Filter rows where date matches today\n",
    "filtered_calendario = calendario[calendario['Ciclo'] == ciclo_mais2][:1]\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",
    "filtered_calendario['match'] = 1\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "bbec229d",
   "metadata": {},
   "outputs": [],
   "source": [
    "filtered_calendario"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "61ffc777",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_similares = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BOT\\BOT - C11\\arquivos para geração da sugestão\\SIMILARES\\PRODUTOS SIMILARES - BOT.xlsx\")\n",
    "\n",
    "df_similares = pd.merge(left=df_similares,right=calendario[['Ciclo','INICIO CICLO','FIM CICLO','DURAÇÃO']], how= 'left', left_on = 'CICLO SIMILAR',right_on = 'Ciclo' )\n",
    "\n",
    "df_similares = df_similares.drop(columns=['Ciclo'])\n",
    "\n",
    "df_similares = df_similares.rename(columns={'INICIO CICLO':'INICIO CICLO SIMILAR','FIM CICLO':'FIM CICLO SIMILAR','DURAÇÃO':'DURAÇÃO CICLO SIMILAR'})\n",
    "df_similares.drop_duplicates(inplace=True)\n",
    "\n",
    "df_similares['MATCH'] = 1\n",
    "\n",
    "df_similares = df_similares.drop(columns=['INICIO DO CICLO',\n",
    "       'FIM DO CICLO', 'DURAÇÃO CICLO','INICIO CICLO SIMILAR','FIM CICLO SIMILAR','DURAÇÃO CICLO SIMILAR'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "99ea95e6",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_similares.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "fe922f62",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_tabela = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BOT\\BOT - C11\\arquivos para geração da sugestão\\TABELA DE PEDIDO\\Pedidos Semanais Especiais - BOT - 202511.xlsx\")\n",
    "\n",
    "df_tabela = df_tabela[df_tabela['Região'] == 'NNE'] \n",
    "\n",
    "df_tabela = df_tabela[(df_tabela['Canal'] != 'Ecomm') | (df_tabela['Canal'] != 'Ecomm | VD') | (df_tabela['Canal'] != 'Ecomm | Loja')] \n",
    "\n",
    "df_tabela['Canal'] = np.where((df_tabela['Canal'] == \"Loja\") | (df_tabela['Canal'] == \"Todos\") | (df_tabela['Canal'] == \"Loja | VD\"),\"TODOS\",\"VD\")\n",
    "\n",
    "df_tabela = df_tabela[df_tabela['Tipo de promoção'].str.contains('Lançamentos', na=False)]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "a3a045d9",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_pdv = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BASE DE DADOS LANÇAMENTO\\BOT\\PDV\\PDV_ATT.xlsx\")\n",
    "\n",
    "df_pdv_origi = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BASE DE DADOS LANÇAMENTO\\BOT\\PDV\\PDV_ATT.xlsx\")\n",
    "\n",
    "df_pdv = df_pdv.rename(columns={'DESCRIÇÃO':'DESCRIÇÃO PDV'})\n",
    "\n",
    "df_pdv = df_pdv.drop(columns=['REGIÃO', 'ESTADO','CIDADE','GESTÃO','MARCA'])\n",
    "\n",
    "df_pdv['PDV'] = df_pdv['PDV DESC'].str.split(\"-\").str[0].str.strip()\n",
    "\n",
    "df_pdv['UF'] = np.where(df_pdv['UF'] == 'VDC','BA',df_pdv['UF'])\n",
    "\n",
    "#ignorando a PDV que ainda não está online\n",
    "df_pdv = df_pdv[df_pdv['DESCRIÇÃO PDV'] != '23813-COMERCIO-HIB VALENTE']\n",
    "\n",
    "df_pdv = df_pdv[df_pdv['status'] != \"INATIVO\"]\n",
    "\n",
    "df_pdv = df_pdv[df_pdv['status'] != \"MATRIZ\"]\n",
    "\n",
    "df_pdv = df_pdv[df_pdv['SUPERVISOR'] != 'Inativa']\n",
    "\n",
    "df_pdv['MATCH'] = 1"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "849d5297",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_pdv.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "df04a501",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_similares = pd.merge(left=df_similares,right=df_pdv,right_on=['MATCH'],left_on=['MATCH'],how='inner')\n",
    "\n",
    "df_similares = df_similares.drop_duplicates()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "0da911af",
   "metadata": {},
   "outputs": [],
   "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\\BD_LANÇAMENTOS\\BOT\\BOT - C11\\arquivos para geração da sugestão\\DRAFT\"  # 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",
    "df_draft['match'] = 1 \n",
    "\n",
    "df_draft.shape\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "0c8c7493",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_draft = df_draft.drop(columns=['Categoria'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "91298cde",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_draft.columns[7:25]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "34e179cb",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Define as colunas mensais\n",
    "colunas_mensais = df_draft.columns[7:25]\n",
    "\n",
    "# Agrupa por PDV e calcula crescimento médio por PDV\n",
    "def calcular_crescimento(grupo):\n",
    "    soma_mensal = grupo[colunas_mensais].sum()             # soma por mês\n",
    "    variacao_mensal = soma_mensal.pct_change().dropna()    # variação percentual mês a mês\n",
    "    variacao_mensal = variacao_mensal[np.isfinite(variacao_mensal)]\n",
    "\n",
    "    if len(variacao_mensal) == 0:\n",
    "        return pd.Series({'CRESCIMENTO': np.nan})\n",
    "\n",
    "    media = variacao_mensal.mean()\n",
    "    desvio = variacao_mensal.std()\n",
    "\n",
    "    limite_sup = media + 2 * desvio\n",
    "    limite_inf = media - 2 * desvio\n",
    "\n",
    "    variacoes_filtradas = variacao_mensal[variacao_mensal.between(limite_inf, limite_sup)]\n",
    "    crescimento = round(variacoes_filtradas.mean(), 4)\n",
    "    return pd.Series({'CRESCIMENTO': crescimento})\n",
    "\n",
    "# Aplica a função por PDV\n",
    "crescimento_por_pdv = df_draft.groupby('PDV').apply(calcular_crescimento)\n",
    "\n",
    "# Merge do resultado de volta no dataframe original\n",
    "df_draft = df_draft.merge(crescimento_por_pdv, on='PDV', how='left')\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "4bc8c2b4",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_similares['PDV'] = df_similares['PDV'].astype('Int64')\n",
    "\n",
    "df_final = pd.merge(left=df_similares,right=df_draft,right_on=['PDV', 'SKU'],left_on=['PDV','PRODUTO SIMILAR'],how='left')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c1451562",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_venda_diaria = pd.read_excel(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BOT\\BOT - C11\\arquivos para geração da sugestão\\VENDAS_DIARIAS\\FormFiltroConsultaVendaSintetica_22_05_2025_16_26_17.xls\")\n",
    "\n",
    "df_venda_diaria.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "882e68aa",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_venda_diaria.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c7ddaf20",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_venda_diaria['PDV'] = df_venda_diaria['Unidade de Negócio'].str.split(\"-\").str[0].str.strip()\n",
    "\n",
    "df_venda_diaria['Dia'] = pd.to_datetime(df_venda_diaria['Dia'], format='%d/%m/%Y')\n",
    "\n",
    "df_venda_diaria = pd.merge(left=df_venda_diaria,right=calendario[['Ciclo','Date']],left_on='Dia',right_on='Date',how='inner')\n",
    "\n",
    "df_venda_diaria = df_venda_diaria.drop(columns='Date')\n",
    "\n",
    "df_venda_diaria.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7119556a",
   "metadata": {},
   "outputs": [],
   "source": [
    "# 'Dia' já está em formato datetime, então renomeamos para 'Data' diretamente\n",
    "# ou apenas usamos 'Dia' como referência de data\n",
    "\n",
    "# Ordena o DataFrame para garantir que a cumulativa funcione corretamente\n",
    "df_venda_diaria = df_venda_diaria.sort_values(by=['Unidade de Negócio', 'Código do Produto', 'Dia'])\n",
    "\n",
    "# Calcula a quantidade acumulada até o dia para cada grupo\n",
    "df_venda_diaria['Quantidade Acumulada'] = (\n",
    "    df_venda_diaria\n",
    "    .groupby(['Unidade de Negócio', 'Código do Produto'])['Quantidade']\n",
    "    .cumsum()\n",
    ")  # acumulado por grupo até a data da linha\n",
    "\n",
    "df_venda_diaria.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c707a1b6",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_venda_diaria = df_venda_diaria.drop_duplicates()\n",
    "\n",
    "df_venda_agrupado = df_venda_diaria.groupby(['PDV', 'Código do Produto','Ciclo'])['Quantidade Acumulada'].max().reset_index()\n",
    "df_venda_agrupado"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "dc452c72",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = pd.merge(left=df_final, right=filtered_calendario[['Ciclo','INICIO CICLO','FIM CICLO','DURAÇÃO','match','dias_ate_inicio']], right_on='match',left_on='MATCH',how='left')\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c260e0e3",
   "metadata": {},
   "outputs": [],
   "source": [
    "#df_final = df_final.drop(columns=['PDV DESC','status','SKU','Descrição','Lançamento','Item analisado','Planograma','Quantidade por caixa'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "8a05450c",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = pd.merge(left=df_final, right=calendario[['Ciclo','INICIO CICLO','FIM CICLO','DURAÇÃO']], right_on='Ciclo',left_on='CICLO SIMILAR',how='left')\n",
    "df_final.shape\n",
    "\n",
    "df_final = df_final.drop_duplicates()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "cc65edab",
   "metadata": {},
   "outputs": [],
   "source": [
    "\n",
    "df_venda_agrupado = df_venda_agrupado.rename(columns={'Quantidade Acumulada':'Vendas Ciclo Lançamento'})"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c5cd5f42",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['PRODUTO LANÇAMENTO'] = df_final['PRODUTO LANÇAMENTO'].astype('Int64')\n",
    "\n",
    "df_venda_agrupado['PDV'] = df_venda_agrupado['PDV'].astype('Int64')\n",
    "\n",
    "df_final = pd.merge(left=df_final, right = df_venda_agrupado, right_on=['Ciclo','Código do Produto','PDV'],left_on=['CICLO SIMILAR','PRODUTO SIMILAR','PDV'],how='left')\n",
    "\n",
    "df_final = df_final.drop_duplicates()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "69c88d20",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['PDV'].value_counts().min()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f5206f50",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.columns[29:46]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "0a1bb832",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Suponha que os meses estão nas colunas 10 a 26 (17 colunas = 17 meses)\n",
    "colunas_mensais = df_final.columns[29:46]\n",
    "\n",
    "# Passo 1: Soma todas as linhas (itens) por mês → resultado: total por mês\n",
    "soma_mensal = df_final[colunas_mensais].sum()\n",
    "\n",
    "# Passo 2: Calcula a variação percentual de um mês para o outro\n",
    "variacao_mensal = soma_mensal.pct_change()\n",
    "variacao_mensal = variacao_mensal.dropna()\n",
    "\n",
    "variacao_mensal = variacao_mensal[np.isfinite(variacao_mensal)]\n",
    "\n",
    "# Passo 3: Calcula a média da variação (ignorando o primeiro NaN)\n",
    "media_variacao = variacao_mensal[1:].mean()\n",
    "\n",
    "# Calcula média e desvio padrão\n",
    "media = variacao_mensal.mean()\n",
    "desvio = variacao_mensal.std()\n",
    "\n",
    "# Define limite (ex: 2 desvios padrão)\n",
    "limite_superior = media + 2 * desvio\n",
    "limite_inferior = media - 2 * desvio\n",
    "\n",
    "# Filtra dados dentro do limite\n",
    "filtro = variacao_mensal.between(limite_inferior, limite_superior)\n",
    "df_filtrado = variacao_mensal[filtro]\n",
    "CRESCIMENTO = round(df_filtrado.mean(),4)\n",
    "\n",
    "df_final['CRESCIMENTO_GERAL'] = CRESCIMENTO\n",
    "\n",
    "CRESCIMENTO\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "a9647c32",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.drop(columns='Ciclo_y')\n",
    "\n",
    "df_final = df_final.rename(columns={'Ciclo_x': 'Ciclo',\t'INICIO CICLO_x': 'INICIO CICLO',\t'FIM CICLO_x':'FIM CICLO' ,'DURAÇÃO_x':'DURAÇÃO',\n",
    "                                    \t'INICIO CICLO_y': 'INICIO CICLO SIMILAR' ,\t'FIM CICLO_y': 'FIM CICLO SIMILAR','DURAÇÃO_y':'DURAÇÃO CICLO SIMILAR'})"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "b107e519",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.columns[40:47]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "8290853c",
   "metadata": {},
   "outputs": [],
   "source": [
    "VENDA_SIMILAR_6_MESES= df_final.columns[40:47]\n",
    "\n",
    "df_final['Pico Vendas Similar Ultimos 6 ciclos'] = df_final[VENDA_SIMILAR_6_MESES].max(axis=1)\n",
    "\n",
    "\n",
    "df_final['MEDIANA DO HISTÓRICO'] = df_final[colunas_mensais].dropna().median(axis=1)\n",
    "\n",
    "df_final['Vendas Ciclo Lançamento'] = df_final['Vendas Ciclo Lançamento'].fillna(0)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "07f043f2",
   "metadata": {},
   "outputs": [],
   "source": [
    "medi = df_final.groupby(['CANAL'])['MEDIANA DO HISTÓRICO'].max().reset_index()\n",
    "medi = medi.rename(columns={'MEDIANA DO HISTÓRICO':'med_por_canal'})\n",
    "medi"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "94abddce",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = pd.merge(left=df_final, right=medi,on='CANAL',how='inner')\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "09cc2f82",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_vdc = pd.read_csv(r\"C:\\Users\\joao.herculano\\GRUPO GINSENG\\Assistência Suprimentos - 2025\\SUPRIMENTOS\\BD_LANÇAMENTOS\\BOT\\BOT - C11\\arquivos para geração da sugestão\\VENDAS VDC\\vendas_vdc22.02.csv\")\n",
    "\n",
    "\n",
    "\n",
    "df_vdc['DATA VENDA'] = pd.to_datetime(df_vdc['DATA VENDA'])\n",
    "\n",
    "# 'Dia' já está em formato datetime, então renomeamos para 'Data' diretamente\n",
    "# ou apenas usamos 'Dia' como referência de data\n",
    "\n",
    "# Ordena o DataFrame para garantir que a cumulativa funcione corretamente\n",
    "df_venda_diaria = df_venda_diaria.sort_values(by=['Unidade de Negócio', 'Código do Produto', 'Dia'])\n",
    "\n",
    "# Calcula a quantidade acumulada até o dia para cada grupo\n",
    "df_vdc['Quantidade Acumulada vdc'] = (\n",
    "    df_vdc\n",
    "    .groupby(['PDVDEPARA.Practico', 'Código'])['Soma de Quantidade']\n",
    "    .cumsum()\n",
    ")  # acumulado por grupo até a data da linha"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "5a827c08",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_vdc = pd.merge(left=df_vdc,right=calendario[['Date','Ciclo']],left_on='DATA VENDA',right_on='Date',how='inner')\n",
    "\n",
    "df_vdc_agrupado = df_vdc.groupby(['PDVDEPARA.Practico',\t'Código','Ciclo'])['Quantidade Acumulada vdc'].max().reset_index()\n",
    "\n",
    "df_vdc_agrupado = df_vdc_agrupado.rename(columns={'Ciclo':'Ciclo vdc'})\n",
    "\n",
    "\n",
    "df_vdc_agrupado.head()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "8ec14143",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = pd.merge(left=df_final, right = df_vdc_agrupado, right_on=['Ciclo vdc','Código','PDVDEPARA.Practico'],left_on=['CICLO SIMILAR','PRODUTO SIMILAR','PDV'],how='left')\n",
    "\n",
    "df_final['Quantidade Acumulada vdc'] = df_final['Quantidade Acumulada vdc'].fillna(0)\n",
    "\n",
    "\n",
    "df_final['Vendas Ciclo Lançamento'] = np.where(df_final['Quantidade Acumulada vdc']>0, df_final['Quantidade Acumulada vdc'], df_final['Vendas Ciclo Lançamento'])\n",
    "\n",
    "df_final = df_final.drop(columns='Quantidade Acumulada vdc')\n",
    "\n",
    "\n",
    "df_final = df_final.drop(columns='Ciclo vdc')\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "1a625e69",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['CRESCIMENTO_FINAL'] = df_final['CRESCIMENTO_GERAL'] + df_final['CRESCIMENTO'] #crescimento do pdv\n",
    "\n",
    "df_final['CRESCIMENTO_FINAL'] = np.where(df_final['CRESCIMENTO_GERAL'] + df_final['CRESCIMENTO']>0.8,0.8,df_final['CRESCIMENTO_GERAL'] + df_final['CRESCIMENTO'])\n",
    "\n",
    "df_final['CRESCIMENTO_FINAL'] = np.where(df_final['CRESCIMENTO_GERAL'] + df_final['CRESCIMENTO']<0,0,df_final['CRESCIMENTO_GERAL'] + df_final['CRESCIMENTO'])\n",
    "\n",
    "df_final['MEDIANA DO HISTÓRICO'] = np.where(df_final['MEDIANA DO HISTÓRICO']==0, df_final['' \\\n",
    "'or_canal'],df_final['MEDIANA DO HISTÓRICO'])\n",
    "\n",
    "# Primeiro cálculo intermediário\n",
    "df_final['PV GINSENG'] = np.where(df_final['CRESCIMENTO_FINAL'] * df_final['Vendas Ciclo Lançamento'] + df_final['Vendas Ciclo Lançamento'] < df_final['MEDIANA DO HISTÓRICO'],\n",
    "                                    round(df_final['CRESCIMENTO_FINAL'] * df_final['MEDIANA DO HISTÓRICO']+ df_final['MEDIANA DO HISTÓRICO'],0), \n",
    "                                    round(df_final['CRESCIMENTO_FINAL']*df_final['Vendas Ciclo Lançamento']+df_final['Vendas Ciclo Lançamento'],0))\n",
    "\n",
    "df_final['PV GINSENG'] = np.where(df_final['PV GINSENG'].isna(),df_final['med_por_canal'] ,df_final['PV GINSENG'])\n",
    "\n",
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "ad10c069",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.drop(columns=df_final.columns[29:42],inplace=True)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f9bddbb1",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "fe73c93e",
   "metadata": {},
   "outputs": [],
   "source": [
    "\n",
    "df_final.drop(columns=['status', 'Classe', 'SKU', 'Subcategoria', 'Lançamento',\n",
    "       'Desativação','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', 'match_x',\n",
    "       'CRESCIMENTO', 'Ciclo', 'INICIO CICLO', 'FIM CICLO', 'DURAÇÃO',\n",
    "       'match_y', 'dias_ate_inicio', 'INICIO CICLO SIMILAR','med_por_canal', 'CRESCIMENTO_FINAL',\n",
    "       'FIM CICLO SIMILAR', 'DURAÇÃO CICLO SIMILAR', 'Código do Produto','CRESCIMENTO_GERAL'],inplace=True)\n",
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "66772a9a",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.columns[23:28]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "15b7149f",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.rename(columns={df_final.columns[23]: \"C-4\", df_final.columns[24]: \"C-3\",df_final.columns[25]: \"C-2\",df_final.columns[26]: \"C-1\",df_final.columns[27]:'VENDAS CICLO ATUAL'})\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "9333bc77",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.columns = df_final.columns.str.upper()\n",
    "\n",
    "df_final.drop(columns=df_final.filter(regex='HISTÓRICO DE VENDAS DO CICLO').columns, inplace=True)\n",
    "\n",
    "df_final.columns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "5abd4bae",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.drop(columns=['DESCRIÇÃO','MEDIANA DO HISTÓRICO'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "62ce5c62",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "25cbff26",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final = df_final.reindex(columns=[\n",
    "    'SUPERVISOR',\n",
    "    'ANALISTA',\n",
    "    'CANAL',\n",
    "    'UF',\n",
    "    'PDV',\n",
    "    'PDV DESC',\n",
    "    'PRODUTO LANÇAMENTO',\n",
    "    'DESCRIÇÃO DO LANÇAMENTO',\n",
    "    'MARCA',\n",
    "    'CATEGORIA',\n",
    "    'MECANICA CONSUMIDOR',\n",
    "    '% CONSUMIDOR',\n",
    "    'MECANICA REVENDEDOR',\n",
    "    '% REVENDEDOR',\n",
    "    'TIPO DE PRODUTO',\n",
    "    'IAF',\n",
    "    'FOCO',\n",
    "    'SKU',\n",
    "    'PRODUTO SIMILAR',\n",
    "    'DESCRIÇÃO SIMILAR',\n",
    "    'CICLO SIMILAR',\n",
    "    'VENDAS CICLO LANÇAMENTO',\n",
    "    'C-4',\n",
    "    'C-3',\n",
    "    'C-2',\n",
    "    'C-1',\n",
    "    'VENDAS CICLO ATUAL',\n",
    "    'PICO VENDAS SIMILAR ULTIMOS 6 CICLOS',\n",
    "    'PV GINSENG'])\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "a3e80cb4",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final['SUGESTÃO METASELLIN'] = ''\n",
    "df_final['SUGESTÃO ABASTECIMENTO'] = ''\n",
    "df_final['SUGESTÃO COMERCIAL'] = ''\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "2df3e2e9",
   "metadata": {},
   "outputs": [],
   "source": [
    "df_final.to_excel(r'C:\\Users\\joao.herculano\\Documents\\sugest.xlsx',index=False)"
   ]
  }
 ],
 "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": 5
}