A value is trying to be set on a copy of a slice from a DataFrame See the caveats in the…
- User
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy data['choch'][i] = -1 Smart_Money_Updated_04.py:94: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy data['bos'][i] = -1 Smart_Money_Updated_04.py:94: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy data['bos'][i] = -1 Smart_Money_Updated_04.py:94: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy data['bos'][i] = -1 Traceback (most recent call last): File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\cbook_init_.py", line 314, in process func(*args, **kwargs) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 904, in _start self._init_draw() File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 1748, in _init_draw self._draw_frame(frame_data) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 1767, in _draw_frame self._drawn_artists = self._func(framedata, *self._args) File "Smart_Money_Updated_04.py", line 325, in plot_chart_with_signals swing_high, swing_low = detect_swing_points(data) File "Smart_Money_Updated_04.py", line 247, in detect_swing_points swing_low = data['low'].iloc[int(swing_low_idx)] TypeError: int() argument must be a string, a bytes-like object or a number, not 'Timestamp'
meu codigo abaixo:
import MetaTrader5 as mt5 import pandas as pd import matplotlib.pyplot as plt from datetime import datetime import matplotlib.dates as mdates from matplotlib.animation import FuncAnimation import winsound import numpy as np
Conectando ao MetaTrader 5
if not mt5.initialize(): print("initialize() failed, error code =", mt5.last_error()) quit()
Função para selecionar o par de moedas
def select_symbol(): symbols = ["EURUSD", "GBPUSD", "USDJPY", "USDCHF", "AUDUSD", "USDCAD", "NZDUSD", "GOLD", "BTCUSD", "US500Cash", "US30Cash"] print("Escolha o par de moedas:") for i, symbol in enumerate(symbols, 1): print(f"{i} {symbol}") choice = int(input("Digite o número correspondente ao par de moedas: ")) return symbols[choice - 1]
Função para selecionar o timeframe
def select_timeframe(): timeframes = { 1: ("15 Minutos", mt5.TIMEFRAME_M15), 2: ("30 Minutos", mt5.TIMEFRAME_M30), 3: ("1 Hora", mt5.TIMEFRAME_H1), 4: ("4 Horas", mt5.TIMEFRAME_H4), 5: ("1 Dia", mt5.TIMEFRAME_D1), 6: ("1 Semana", mt5.TIMEFRAME_W1), 7: ("1 Mês", mt5.TIMEFRAME_MN1) } print("Escolha o timeframe:") for key, (name, _) in timeframes.items(): print(f"{key} {name}") choice = int(input("Digite o número correspondente ao timeframe: ")) return timeframes[choice][1]
Selecionar o ativo e timeframe
symbol = select_symbol() timeframe = select_timeframe() mt5.symbol_select(symbol, True)
Função para pegar dados históricos
def get_data(symbol, timeframe, num_bars): rates = mt5.copy_rates_from_pos(symbol, timeframe, 0, num_bars) data = pd.DataFrame(rates) data['time'] = pd.to_datetime(data['time'], unit='s') data.set_index('time', inplace=True) return data
Função para atualizar os dados
def update_data(): global data new_rates = mt5.copy_rates_from_pos(symbol, timeframe, 0, 1000) new_data = pd.DataFrame(new_rates) new_data['time'] = pd.to_datetime(new_data['time'], unit='s') new_data.set_index('time', inplace=True) data = new_data
Inicializar dados
data = get_data(symbol, timeframe, 1000)
Funções para análise técnica (mesmo código que você já tem)
Função para encontrar Order Blocks
def find_order_blocks(data, window=20): highs = data['high'].rolling(window=window).max() lows = data['low'].rolling(window=window).min() order_blocks = pd.DataFrame(index=data.index) order_blocks['bullish_ob'] = (data['close'] > highs.shift(1)) & (data['open'] < highs.shift(1)) order_blocks['bearish_ob'] = (data['close'] < lows.shift(1)) & (data['open'] > lows.shift(1)) return order_blocks
Função para calcular Fair Value Gaps (FVG)
def calculate_fvg(data): data['fvg'] = 0 for i in range(1, len(data)-1): if data['high'][i] < data['low'][i-1]: data['fvg'][i] = data['low'][i-1] - data['high'][i] elif data['low'][i] > data['high'][i-1]: data['fvg'][i] = data['low'][i] - data['high'][i-1] return data
Função para detectar BOS e ChoCH
def detect_bos_choch(data): data['bos'] = 0 data['choch'] = 0 for i in range(1, len(data)): if data['high'][i] > data['high'][i-1] and data['low'][i] > data['low'][i-1]: data['bos'][i] = 1 elif data['high'][i] < data['high'][i-1] and data['low'][i] < data['low'][i-1]: data['bos'][i] = -1 if data['bos'][i] == 1 and data['bos'][i-1] == -1: data['choch'][i] = 1 elif data['bos'][i] == -1 and data['bos'][i-1] == 1: data['choch'][i] = -1 return data
Função para identificar a estrutura do mercado (altos e baixos mais altos/baixos)
def identify_market_structure(data): data['higher_high'] = (data['high'] > data['high'].shift(1)) & (data['high'].shift(1) > data['high'].shift(2)) data['higher_low'] = (data['low'] > data['low'].shift(1)) & (data['low'].shift(1) > data['low'].shift(2)) data['lower_high'] = (data['high'] < data['high'].shift(1)) & (data['high'].shift(1) < data['high'].shift(2)) data['lower_low'] = (data['low'] < data['low'].shift(1)) & (data['low'].shift(1) < data['low'].shift(2))
data['trend'] = 'Neutro' data.loc[data['higher_high'] & data['higher_low'], 'trend'] = 'Alta' data.loc[data['lower_high'] & data['lower_low'], 'trend'] = 'Baixa' return dataFunção para identificar zonas de liquidez
def identify_liquidity_zones(data): data['liquidity_zone'] = 0 data.loc[data['high'] > data['high'].shift(1), 'liquidity_zone'] = 1 data.loc[data['low'] < data['low'].shift(1), 'liquidity_zone'] = -1 return data
Função para detectar padrões de engolfamento
def detect_engulfing_patterns(data): data['bullish_engulf'] = (data['close'] > data['open']) & (data['close'].shift(1) < data['open'].shift(1)) & (data['open'] < data['close'].shift(1)) data['bearish_engulf'] = (data['close'] < data['open']) & (data['close'].shift(1) > data['open'].shift(1)) & (data['open'] > data['close'].shift(1)) return data
Função para aplicar indicadores técnicos
def apply_technical_indicators(data): data['ema_50'] = data['close'].ewm(span=50, adjust=False).mean() data['ema_200'] = data['close'].ewm(span=200, adjust=False).mean() data['rsi'] = calculate_rsi(data['close']) return data
Função para determinar a tendência
def determine_trend(data): data['trend'] = "Indefinida" data.loc[data['ema_50'] > data['ema_200'], 'trend'] = "Alta" data.loc[data['ema_50'] < data['ema_200'], 'trend'] = "Baixa" return data
Função para calcular o ADX sem usar talib
def calculate_adx(data, period=14): data['high_diff'] = data['high'].diff() data['low_diff'] = data['low'].diff()
data['plus_dm'] = np.where((data['high_diff'] > 0) & (data['high_diff'] > data['low_diff']), data['high_diff'], 0) data['minus_dm'] = np.where((data['low_diff'] > 0) & (data['low_diff'] > data['high_diff']), data['low_diff'], 0) data['atr'] = data['high'].diff().abs().rolling(window=period).mean() data['plus_di'] = 100 * (data['plus_dm'].rolling(window=period).sum() / data['atr']) data['minus_di'] = 100 * (data['minus_dm'].rolling(window=period).sum() / data['atr']) data['adx'] = 100 * ((data['plus_di'] - data['minus_di']).abs() / (data['plus_di'] + data['minus_di']).abs()).rolling(window=period).mean() conditions = [ (data['adx'] > 50), (data['adx'] > 25), (data['adx'] > 20), (data['adx'] > 15), (data['adx'] <= 15) ] choices = ['Muito Forte', 'Forte', 'Moderada', 'Fraca', 'Muito Fraca'] data['trend_strength_label'] = np.select(conditions, choices, default='Neutra') return data.drop(['high_diff', 'low_diff', 'plus_dm', 'minus_dm', 'atr', 'plus_di', 'minus_di', 'adx'], axis=1)Atualizar a função calculate_trend_strength para usar o calculate_adx
def calculate_trend_strength(data): data = calculate_adx(data) return data
def calculate_rsi(series, period=14): delta = series.diff() gain = (delta.where(delta > 0, 0)).rolling(window=period).mean() loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean() rs = gain / loss return 100 - (100 / (1 + rs))
Função para calcular a volatilidade
def calculate_volatility(data, window=20): data['volatility'] = data['close'].rolling(window=window).std() return data
Lógica para detectar sinais de compra ou venda
def detect_signals(data): order_blocks = find_order_blocks(data) data = calculate_fvg(data) data = detect_bos_choch(data) data = identify_market_structure(data) data = identify_liquidity_zones(data) data = detect_engulfing_patterns(data) data = apply_technical_indicators(data)
signals = [] for i in range(len(data)): if order_blocks['bullish_ob'][i] and data['choch'][i] == 1: signals.append({'index': data.index[i], 'signal': 1, 'tp': data['close'][i] + 0.005, 'sl': data['close'][i] - 0.002, 'open_price': data['open'][i + 1]}) elif order_blocks['bearish_ob'][i] and data['choch'][i] == -1: signals.append({'index': data.index[i], 'signal': -1, 'tp': data['close'][i] - 0.005, 'sl': data['close'][i] + 0.002, 'open_price': data['open'][i + 1]}) # Filtrar sinais ativos signals = [s for s in signals if (s['signal'] == 1 and (data['high'].loc[s['index']:] < s['tp']).all()) or (s['signal'] == -1 and (data['low'].loc[s['index']:] > s['sl']).all())] # Adicionar mensagens de liquidez apenas no último sinal if signals: last_signal = signals[-1] liquidity_zone = data.loc[last_signal['index'], 'liquidity_zone'] if liquidity_zone == 1: last_signal['liquidity_message'] = "------ Liquidez Acima" elif liquidity_zone == -1: last_signal['liquidity_message'] = "------ Liquidez Abaixo" return signalsVariável global para armazenar o índice do último sinal verificado
last_signal_index = None
Função para calcular os níveis de Fibonacci
def calculate_fibo_levels(swing_high, swing_low): fibo_levels = { 'Equilíbrio (50%)': (swing_high + swing_low) / 2, '0.618': swing_low + (swing_high - swing_low) * 0.618, '0.709 (OTE)': swing_low + (swing_high - swing_low) * 0.709, '0.786': swing_low + (swing_high - swing_low) * 0.786, '0.886': swing_low + (swing_high - swing_low) * 0.886, '1.13 (SL)': swing_low + (swing_high - swing_low) * 1.13, '-0.27 (TP1)': swing_high + (swing_high - swing_low) * 0.27, '-0.62 (TP2)': swing_high + (swing_high - swing_low) * 0.62, '-1.00 (TP3)': swing_high + (swing_high - swing_low) * 1.00, '-1.61 (Swing Trade)': swing_high + (swing_high - swing_low) * 1.61 } return fibo_levels
Função para detectar os pontos de swing high e swing low mais recentes
def detect_swing_points(data, window=20): # Criação de arrays temporários para armazenar índices máximos e mínimos highest_idx = data['high'].rolling(window=window).apply(lambda x: np.argmax(x), raw=True) lowest_idx = data['low'].rolling(window=window).apply(lambda x: np.argmin(x), raw=True).index
# Pegando os timestamps que correspondem aos índices armazenados swing_high_idx = highest_idx.iloc[-1] swing_low_idx = lowest_idx[-1] swing_high = data['high'].iloc[int(swing_high_idx)] swing_low = data['low'].iloc[int(swing_low_idx)] return swing_high, swing_lowVariáveis globais
data = None # Você deve inicializar isso de forma apropriada em algum ponto do seu código last_signal_index = None data_multiple = None # Inicialize apropriadamente mais tarde multiple_assets_analysis = None active_fibo = None active_signal = None # Inicializa a variável como None
Função para plotar gráfico de candlestick com sinais e volatilidade
def plot_chart_with_signals(i): global data, last_signal_index, data_multiple, multiple_assets_analysis, active_fibo, active_signal update_data()
signals = detect_signals(data) data = calculate_volatility(data) data = determine_trend(data) data = calculate_trend_strength(data) volatility_state = get_volatility_state(data) fig.suptitle(f'Gráfico Indicador Smart Money Concept - {symbol}', fontsize=10, fontweight='bold') ax1.clear() ax2.clear() # Remover o título atual # ax1.set_title(volatility_state, fontsize=12) # Isso não é mais necessário # Adicionar o texto da volatilidade em uma posição específica fig.text(0.5, 0.92, volatility_state, ha='center', va='top', fontsize=10, fontweight='bold') # Ajuste os valores de x, y, ha, e va conforme necessário trends_multiple = determine_trend_multiple_timeframes(data_multiple) trend_message = f"M15: {trends_multiple['M15']}, M30: {trends_multiple['M30']}, H1: {trends_multiple['H1']}, H4: {trends_multiple['H4']}, D1: {trends_multiple['D1']}" fig.text(0.2, 0.93, trend_message, color="green", ha="center", va="center", fontsize=6, fontweight='normal') time_delta = data.index[1] - data.index[0] width = time_delta.total_seconds() / (24 * 60 * 60) * 0.8 ax1.bar(data.index, data["close"] - data["open"], width=width, bottom=data["open"], color="black", align="center", label="Candlestick") ax1.vlines(data.index, data["low"], data["high"], color="black", linewidth=1) new_signals_detected = False for signal in signals: if signal["signal"] == 1: ax1.scatter(signal['index'], signal['open_price'], marker="^", color="green", label="Compra") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="bottom", color="green") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True elif signal["signal"] == -1: ax1.scatter(signal['index'], signal['open_price'], marker="v", color="red", label="Venda") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="top", color="red") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True if "liquidity_message" in signal: ax1.text(signal['index'], data["high"].loc[signal['index']], signal["liquidity_message"], color="blue", ha="left") trend_message = f"Tendência: {data['trend'].iloc[-1]}, Força: {data['trend_strength_label'].iloc[-1]}" fig.text(0.5, 0.93, trend_message, color="blue", ha="center", va="center", fontsize=10, fontweight='normal') if signals: last_signal_index = signals[-1]['index'] if new_signals_detected: for _ in range(3): winsound.Beep(1000, 500) # Se não há sinal ativo ou o sinal foi cancelado, detectar um novo sinal if active_signal is None: # Detectar pontos de swing high e swing low swing_high, swing_low = detect_swing_points(data) # Calcular níveis de Fibonacci active_fibo = calculate_fibo_levels(swing_high, swing_low) # Detecção de sinais signals = detect_signals(data) # Selecionar o último sinal gerado if signals: active_signal = signals[-1] # Se há um sinal ativo, plotar os níveis de Fibonacci e verificar se o TP ou SL foi atingido if active_signal: for level_name, level_value in active_fibo.items(): ax1.axhline(level_value, color='blue', linestyle='–') ax1.text(data.index[-1], level_value, f'{level_name}: {level_value:.5f}', fontsize=8, ha='right', color='blue') # Plotar o sinal ativo if active_signal["signal"] == 1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="^", color="green", label="Compra") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="bottom", color="green") elif active_signal["signal"] == -1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="v", color="red", label="Venda") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="top", color="red") # Verificar se o TP ou SL do sinal ativo foi atingido high_prices = data.loc[active_signal['index']:, 'high'] low_prices = data.loc[active_signal['index']:, 'low'] if active_signal["signal"] == 1 and (high_prices >= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == 1 and (low_prices <= active_fibo['1.13 (SL)']).any(): active_signal = None elif active_signal["signal"] == -1 and (low_prices <= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == -1 and (high_prices >= active_fibo['1.13 (SL)']).any(): active_signal = None ax1.set_xlabel("Data") ax1.set_ylabel("Preço") ax1.legend(loc="upper left") ax1.grid(True) ax1.xaxis.set_major_formatter(mdates.DateFormatter("%d-%m-%Y\n%H:%M")) plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45, ha="right", rotation_mode="anchor", fontsize=6) ax2.plot(data.index, data["volatility"], label="Volatilidade") ax2.set_xlabel("Data") ax2.set_ylabel("Volatilidade") ax2.legend(loc="upper left") ax2.grid(True)Função para pegar dados históricos para múltiplos timeframes
def get_data_multiple_timeframes(symbol, timeframes, num_bars): data = {} for tf_name, tf in timeframes.items(): rates = mt5.copy_rates_from_pos(symbol, tf, 0, num_bars) df = pd.DataFrame(rates) df['time'] = pd.to_datetime(df['time'], unit='s') df.set_index('time', inplace=True) data[tf_name] = df return data
Função para determinar a tendência em múltiplos timeframes
def determine_trend_multiple_timeframes(data): trends = {} for tf, df in data.items(): df = apply_technical_indicators(df) # Aplicar indicadores técnicos df['trend'] = "Indefinida" df['ema_50'] = df['close'].ewm(span=50, adjust=False).mean() df['ema_200'] = df['close'].ewm(span=200, adjust=False).mean() df.loc[df['ema_50'] > df['ema_200'], 'trend'] = "Alta" df.loc[df['ema_50'] < df['ema_200'], 'trend'] = "Baixa" trends[tf] = df['trend'].iloc[-1] return trends
Inicializar dados para múltiplos timeframes
timeframes = { "M15": mt5.TIMEFRAME_M15, "M30": mt5.TIMEFRAME_M30, "H1": mt5.TIMEFRAME_H1, "H4": mt5.TIMEFRAME_H4, "D1": mt5.TIMEFRAME_D1 # Adicionar D1 para Diário } data_multiple = get_data_multiple_timeframes(symbol, timeframes, 1000)
Função para determinar o estado do mercado com base na volatilidade
def get_volatility_state(data, threshold_high=0.0005, threshold_low=0.0001): latest_volatility = data['volatility'].iloc[-1] if latest_volatility > threshold_high: return "Mercado Muito Volátil" elif latest_volatility < threshold_low: return "Mercado com Baixa Volatilidade" else: return "Mercado com Volatilidade Moderada"
Função para analisar múltiplos ativos ao iniciar o software
def analyze_multiple_assets(): symbols = ["EURUSD", "GBPUSD", "USDJPY", "USDCHF", "AUDUSD", "USDCAD", "NZDUSD", "GOLD", "BTCUSD", "US500Cash", "US30Cash"] analysis = {}
for symbol in symbols: mt5.symbol_select(symbol, True) data = get_data(symbol, timeframe, 1000) data = apply_technical_indicators(data) data = calculate_volatility(data) data = determine_trend(data) signals = detect_signals(data) # Determinar volatilidade e tendência atuais volatility_state = get_volatility_state(data) trend_state = data['trend'].iloc[-1] signal_state = signals[-1]['signal'] if signals else 0 # Adicionar o resultado da análise ao dicionário analysis[symbol] = { 'volatility': volatility_state, 'trend': trend_state, 'signal': 'Compra' if signal_state == 1 else 'Venda' if signal_state == -1 else 'Neutro' } return analysisInicializar análise de múltiplos ativos
multiple_assets_analysis = analyze_multiple_assets()
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8)) plt.suptitle(f'Gráfico Indicador Smart Money Concept - {symbol}')
fig.canvas.manager.set_window_title('Indicator Smart Money Pro by Wendel C') # Define o título da janela fig.canvas.manager.window.iconbitmap('') # Define o ícone da janela como vazio para remover o ícone
ani = FuncAnimation(fig, plot_chart_with_signals, interval=60000) plt.draw() # Force an initial draw plt.show()
- Assistant
A sua mensagem de erro está apontando para alguns problemas relacionados com a manipulação de cópias e visualizações de DataFrames do pandas. Esses problemas são comuns quando você está tentando modificar um DataFrame que é uma cópia de outro. Essa situação pode levar a um comportamento inesperado nos seus dados. Vamos abordar os problemas principais que são a causa dos warnings e do erro
TypeError.Resolução dos problemas:
1. Evitar o
SettingWithCopyWarningO
SettingWithCopyWarningocorre quando você tenta modificar uma cópia de uma fatia de um DataFrame. Uma maneira de resolver isso é utilizando.locpara garantir que você está trabalhando de fato no DataFrame original.Aqui está um exemplo de como você pode resolver isso:
data.loc[i, 'choch'] = -1Ao invés de:
data['choch'][i] = -1Vamos adaptar sua função
detect_bos_choch:def detect_bos_choch(data): data['bos'] = 0 data['choch'] = 0 for i in range(1, len(data)): if data['high'][i] > data['high'][i-1] and data['low'][i] > data['low'][i-1]: data.loc[i, 'bos'] = 1 elif data['high'][i] < data['high'][i-1] and data['low'][i] < data['low'][i-1]: data.loc[i, 'bos'] = -1 if data.loc[i, 'bos'] == 1 and data.loc[i-1, 'bos'] == -1: data.loc[i, 'choch'] = 1 elif data.loc[i, 'bos'] == -1 and data.loc[i-1, 'bos'] == 1: data.loc[i, 'choch'] = -1 return data2. Resolução do
TypeErroremdetect_swing_pointsEsse erro ocorre porque você está tentando converter um objeto
Timestampparaint, o que não é permitido. Para resolver isso, não converta diretamente o índice, ao invés disso, use o método.get_loc()do índice para obter a localização do índice:Vamos modificar a função
detect_swing_points:def detect_swing_points(data, window=20): # Rolling não aplica diretamente sobre os índices, então criamos diretamente na série highest_idx = data['high'].rolling(window=window).apply(lambda x: np.argmax(x), raw=True) lowest_idx = data['low'].rolling(window=window).apply(lambda x: np.argmin(x), raw=True) # Pegando os valores correspondentes na série de índices do DataFrame swing_high = data['high'].iloc[int(highest_idx.iloc[-1])] swing_low = data['low'].iloc[int(lowest_idx.iloc[-1])] return swing_high, swing_low3. Ajuste Final no Código com
.loce.ilocComo orientação geral:
- Utilize
data.loc[index, column]para indexação baseada em rótulos. - Utilize
data.iloc[index, column]para indexação baseada em posição.
Aplicando essas mudanças ao restante do seu código
Certifique-se de revisar outras partes onde você manipula o DataFrame diretamente para evitar problemas de cópia de fatias.
Após essas alterações, faça uma nova rodada de testes para garantir que os warnings e erros foram resolvidos e o comportamento do seu código é o esperado.
- Utilize
- User
nao entendi onde muda essa parte
3. Ajuste Final no Código com .loc e .iloc
Como orientação geral:
- Utilize data.loc[index, column] para indexação baseada em rótulos.
- Utilize data.iloc[index, column] para indexação baseada em posição.
- Assistant
Claro, vamos aprofundar um pouco mais na questão das modificações com
.loce.iloc. É importante entender cada um desses métodos para garantir que seu código esteja acessando e manipulando os dados de maneira eficiente e correta.Diferenciação entre
.loce.iloc.loc: Usado para acessar um grupo de filas e colunas por rótulo(s) ou uma matriz booleana..iloc: Usado para acessar um grupo de filas e colunas por posições inteiras (índices baseados em zero).
Exemplo de Uso
1.
locSe você quiser acessar ou modificar um valor baseado no rótulo (index label), você usa
.loc:# Modificar uma célula específica baseado no índice e coluna data.loc[index_label, 'coluna'] = valor # Exemplo prático data.loc['2023-10-01', 'close'] = 1000 # Define o valor 1000 para a coluna 'close' na linha com rótulo '2023-10-01'2.
ilocSe você quiser acessar ou modificar um valor baseado na posição (index position), você usa
.iloc:# Modificar uma célula específica baseado na posição da linha e coluna data.iloc[index_position, coluna_position] = valor # Exemplo prático data.iloc[0, 3] = 1000 # Define o valor 1000 para a célula na primeira linha e quarta colunaAplicação ao Seu Código
Vamos garantir que estamos usando
.loce.iloccorretamente em todo o seu código para evitar oSettingWithCopyWarninge outros erros.Exemplo com
.locemdetect_bos_choch:Antes:
data['choch'][i] = -1 # Isso causa o SettingWithCopyWarningDepois:
data.loc[i, 'choch'] = -1 # Acerto com .locCorrigindo outras partes do código
Reviso as alterações que foram propostas anteriormente em áreas onde provavelmente você encontrará problemas. Vamos garantir que todas as possíveis manipulações usando indexação sejam corrigidas.
Correções específicas
Função
detect_bos_choch:def detect_bos_choch(data): data['bos'] = 0 data['choch'] = 0 for i in range(1, len(data)): if data['high'][i] > data['high'][i-1] and data['low'][i] > data['low'][i-1]: data.loc[i, 'bos'] = 1 elif data['high'][i] < data['high'][i-1] and data['low'][i] < data['low'][i-1]: data.loc[i, 'bos'] = -1 if data.loc[i, 'bos'] == 1 and data.loc[i-1, 'bos'] == -1: data.loc[i, 'choch'] = 1 elif data.loc[i, 'bos'] == -1 and data.loc[i-1, 'bos'] == 1: data.loc[i, 'choch'] = -1 return dataFunção
detect_swing_points:Antes:
swing_high = data['high'].iloc[int(swing_high_idx)] swing_low = data['low'].iloc[int(swing_low_idx)]Depois:
swing_high = data['high'].iloc[int(swing_high_idx)] swing_low = data['low'].iloc[int(swing_low_idx)]A função
detect_swing_pointsque você está usando já parece correta quanto ao uso de.iloc, mas você precisa garantir que os índices não sãoTimestamp. Se os índices de tempo não são números inteiros, considere converter para inteiros de maneira segura.Trabalhando no DataFrame Original
No geral, ao trabalhar com Pandas, é uma boa prática simplesmente evitar a modificação de fatias diretamente obtidas com
.locou.ilocsem uma cópia explícita, exceto em casos em que a alteração é absolutamente necessária e você está consciente do comportamento.Assim, sempre utilize o acesso direto ao DataFrame original ou crie uma cópia explícita quando necessário:
data_copy = data.copy() # Trabalhe na cópia data_copy.loc[index_label, 'column'] = value # Depois substitua o DataFrame original data = data_copyAplicando as modificações no contexto do seu código
Fique atento a todas as partes do seu código onde a manipulação direta de valores de DataFrame está ocorrendo e ajuste de acordo.
Revise cada função que manipula dados para assegurar o uso correto de
.loce.iloc. Se você encontrar outro erro ou warning específico, sinta-se à vontade para mostrar a seção problemática e eu poderei ajudar a ajustar a solução. - User
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy data['fvg'][i] = data['low'][i-1] - data['high'][i] Traceback (most recent call last): File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\pandas\core\indexes\base.py", line 3653, in get_loc return self._engine.get_loc(casted_key) File "pandas_libs\index.pyx", line 147, in pandas._libs.index.IndexEngine.get_loc File "pandas_libs\index.pyx", line 176, in pandas._libs.index.IndexEngine.get_loc File "pandas_libs\hashtable_class_helper.pxi", line 7080, in pandas._libs.hashtable.PyObjectHashTable.get_item File "pandas_libs\hashtable_class_helper.pxi", line 7088, in pandas._libs.hashtable.PyObjectHashTable.get_item KeyError: 0
The above exception was the direct cause of the following exception:
Traceback (most recent call last): File "Smart_Money_Updated_04.py", line 445, in multiple_assets_analysis = analyze_multiple_assets() File "Smart_Money_Updated_04.py", line 428, in analyze_multiple_assets signals = detect_signals(data) File "Smart_Money_Updated_04.py", line 190, in detect_signals data = detect_bos_choch(data) File "Smart_Money_Updated_04.py", line 95, in detect_bos_choch if data.loc[i, 'bos'] == 1 and data.loc[i-1, 'bos'] == -1: File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\pandas\core\indexing.py", line 1096, in getitem return self.obj._get_value(*key, takeable=self._takeable) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\pandas\core\frame.py", line 3877, in _get_value row = self.index.get_loc(index) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\pandas\core\indexes\base.py", line 3655, in get_loc raise KeyError(key) from err KeyError: 0 PS H:\Tudo Sobre Python Software\SMART MONEY\Ultima Versao\O Melhor ate agora\Com Liquidez\PARA_VENDAS\Ultima Versão para Vendas\Uso Pessoal sem HWID>
- Assistant
Os erros que você está encontrando sugerem problemas com a manipulação e a indexação de DataFrames no Pandas. Vamos resolver esses problemas passo a passo.
1. Manipulações com
.loce.ilocPara evitar o
SettingWithCopyWarning, você sempre deve usar.locou.ilocpara modificar valores no DataFrame. A modificação direta como emdata['fvg'][i]não é segura. Além disso, precisamos garantir que todos os indexadores sejam válidos.2. Tratamento do
KeyErroreSettingWithCopyWarningPara abordar o
KeyError, parece que há um problema ao acessar um índice em sua DataFrame. A razão pode ser que os índices fornecidos não existem ou você está usando a indexação de forma incorreta.Vamos revisar e corrigir seu código.
Função
calculate_fvg:Corrigindo possíveis problemas de fatiamento e indexação:
def calculate_fvg(data): data['fvg'] = 0 # Inicializa a coluna for i in range(1, len(data) - 1): if data['high'].iloc[i] < data['low'].iloc[i - 1]: data.loc[data.index[i], 'fvg'] = data['low'].iloc[i - 1] - data['high'].iloc[i] elif data['low'].iloc[i] > data['high'].iloc[i - 1]: data.loc[data.index[i], 'fvg'] = data['low'].iloc[i] - data['high'].iloc[i - 1] return dataFunção
detect_bos_choch:Corrigindo o acesso do DataFrame para evitar
KeyError:def detect_bos_choch(data): data['bos'] = 0 data['choch'] = 0 for i in range(1, len(data)): if data['high'].iloc[i] > data['high'].iloc[i - 1] and data['low'].iloc[i] > data['low'].iloc[i - 1]: data.loc[data.index[i], 'bos'] = 1 elif data['high'].iloc[i] < data['high'].iloc[i - 1] and data['low'].iloc[i] < data['low'].iloc[i - 1]: data.loc[data.index[i], 'bos'] = -1 if data.loc[data.index[i], 'bos'] == 1 and data.loc[data.index[i - 1], 'bos'] == -1: data.loc[data.index[i], 'choch'] = 1 elif data.loc[data.index[i], 'bos'] == -1 and data.loc[data.index[i - 1], 'bos'] == 1: data.loc[data.index[i], 'choch'] = -1 return dataFunção
detect_swing_points:Já que o índice
inunca deve ser umTimestamp, vamos garantir que você está acessando os dados corretamente:def detect_swing_points(data, window=20): highest_idx = data['high'].rolling(window=window).apply(lambda x: np.argmax(x), raw=True).index[-1] lowest_idx = data['low'].rolling(window=window).apply(lambda x: np.argmin(x), raw=True).index[-1] swing_high = data['high'].loc[highest_idx] swing_low = data['low'].loc[lowest_idx] return swing_high, swing_lowFunção
plot_chart_with_signals:Revisei sua função
plot_chart_with_signalspara garantir quedetect_swing_pointsé chamado corretamente:def plot_chart_with_signals(i): global data, last_signal_index, data_multiple, multiple_assets_analysis, active_fibo, active_signal update_data() signals = detect_signals(data) data = calculate_volatility(data) data = determine_trend(data) data = calculate_trend_strength(data) volatility_state = get_volatility_state(data) fig.suptitle(f'Gráfico Indicador Smart Money Concept - {symbol}', fontsize=10, fontweight='bold') ax1.clear() ax2.clear() fig.text(0.5, 0.92, volatility_state, ha='center', va='top', fontsize=10, fontweight='bold') # Ajuste os valores de x, y, ha, e va conforme necessário trends_multiple = determine_trend_multiple_timeframes(data_multiple) trend_message = f"M15: {trends_multiple['M15']}, M30: {trends_multiple['M30']}, H1: {trends_multiple['H1']}, H4: {trends_multiple['H4']}, D1: {trends_multiple['D1']}" fig.text(0.2, 0.93, trend_message, color="green", ha="center", va="center", fontsize=6, fontweight='normal') time_delta = data.index[1] - data.index[0] width = time_delta.total_seconds() / (24 * 60 * 60) * 0.8 ax1.bar(data.index, data["close"] - data["open"], width=width, bottom=data["open"], color="black", align="center", label="Candlestick") ax1.vlines(data.index, data["low"], data["high"], color="black", linewidth=1) new_signals_detected = False for signal in signals: if signal["signal"] == 1: ax1.scatter(signal['index'], signal['open_price'], marker="^", color="green", label="Compra") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="bottom", color="green") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True elif signal["signal"] == -1: ax1.scatter(signal['index'], signal['open_price'], marker="v", color="red", label="Venda") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="top", color="red") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True if "liquidity_message" in signal: ax1.text(signal['index'], data["high"].loc[signal['index']], signal["liquidity_message"], color="blue", ha="left") trend_message = f"Tendência: {data['trend'].iloc[-1]}, Força: {data['trend_strength_label'].iloc[-1]}" fig.text(0.5, 0.93, trend_message, color="blue", ha="center", va="center", fontsize=10, fontweight='normal') if signals: last_signal_index = signals[-1]['index'] if new_signals_detected: for _ in range(3): winsound.Beep(1000, 500) # Se não há sinal ativo ou o sinal foi cancelado, detectar um novo sinal if active_signal is None: # Detectar pontos de swing high e swing low swing_high, swing_low = detect_swing_points(data) # Calcular níveis de Fibonacci active_fibo = calculate_fibo_levels(swing_high, swing_low) # Detecção de sinais signals = detect_signals(data) # Selecionar o último sinal gerado if signals: active_signal = signals[-1] # Se há um sinal ativo, plotar os níveis de Fibonacci e verificar se o TP ou SL foi atingido if active_signal: for level_name, level_value in active_fibo.items(): ax1.axhline(level_value, color='blue', linestyle='–') ax1.text(data.index[-1], level_value, f'{level_name}: {level_value:.5f}', fontsize=8, ha='right', color='blue') # Plotar o sinal ativo if active_signal["signal"] == 1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="^", color="green", label="Compra") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="bottom", color="green") elif active_signal["signal"] == -1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="v", color="red", label="Venda") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="top", color="red") # Verificar se o TP ou SL do sinal ativo foi atingido high_prices = data.loc[active_signal['index']:, 'high'] low_prices = data.loc[active_signal['index']:, 'low'] if active_signal["signal"] == 1 and (high_prices >= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == 1 and (low_prices <= active_fibo['1.13 (SL)']).any(): active_signal = None elif active_signal["signal"] == -1 and (low_prices <= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == -1 and (high_prices >= active_fibo['1.13 (SL)']).any(): active_signal = None ax1.set_xlabel("Data") ax1.set_ylabel("Preço") ax1.legend(loc="upper left") ax1.grid(True) ax1.xaxis.set_major_formatter(mdates.DateFormatter("%d-%m-%Y\n%H:%M")) plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45, ha="right", rotation_mode="anchor", fontsize=6) ax2.plot(data.index, data["volatility"], label="Volatilidade") ax2.set_xlabel("Data") ax2.set_ylabel("Volatilidade") ax2.legend(loc="upper left") ax2.grid(True)Conclusão
Revise e ajuste seu código para usar
.loce.ilocadequadamente, garantindo que os índices sejam tratados corretamente para evitar problemas comoSettingWithCopyWarningeKeyError. Após essas mudanças, teste novamente seu script para confirmar que os problemas foram resolvidos. Se novos erros surgirem ou se houver outras questões específicas, sinta-se à vontade para compartilhar, assim posso ajudar mais detalhadamente. - User
mart_Money_Updated_04.py:447: UserWarning: frames=None which we can infer the length of, did not pass an explicit save_count and passed cache_frame_data=True. To avoid a possibly unbounded cache, frame data caching has been disabled. To suppress this warning either pass
cache_frame_data=Falseorsave_count=MAX_FRAMES. ani = FuncAnimation(fig, plot_chart_with_signals, interval=60000) Traceback (most recent call last): File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\cbook_init_.py", line 314, in process func(*args, **kwargs) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 904, in _start self._init_draw() File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 1748, in _init_draw self._draw_frame(frame_data) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\animation.py", line 1767, in _draw_frame self._drawn_artists = self._func(framedata, *self._args) File "Smart_Money_Updated_04.py", line 331, in plot_chart_with_signals ax1.axhline(level_value, color='blue', linestyle='–') File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\axes_axes.py", line 772, in axhline l = mlines.Line2D([xmin, xmax], [y, y], transform=trans, **kwargs) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib_api\deprecation.py", line 454, in wrapper return func(*args, **kwargs) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\lines.py", line 360, in init self.set_linestyle(linestyle) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib\lines.py", line 1170, in set_linestyle _api.check_in_list([*self.lineStyles, *ls_mapper_r], ls=ls) File "C:\Users\Wendel\AppData\Local\Programs\Python\Python38\lib\site-packages\matplotlib_api_init.py", line 131, in check_in_list raise ValueError(msg) ValueError: '–' is not a valid value for ls; supported values are '-', '--', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted' - Assistant
O que você está enfrentando são alguns erros específicos:
- Aviso de Matplotlib: Esse aviso está relacionado ao sistema de cache de animação do Matplotlib.
- Erro de Linestyle (
linestyle): O caractere utilizado para definir o estilo da linha não é suportado pelo Matplotlib.
Vamos abordar ambos os problemas.
1. Aviso de Matplotlib sobre cache de quadro
Para resolver o aviso sobre cache de quadro, você pode suprimir o aviso passando explicitamente
cache_frame_data=Falseousave_count.Abaixo está a modificação sugerida para a linha onde você inicializa
FuncAnimation:ani = FuncAnimation(fig, plot_chart_with_signals, interval=60000, cache_frame_data=False)Ou, alternativamente, se você quiser controlar quantos frames estão sendo salvos em cache, pode utilizar
save_count:ani = FuncAnimation(fig, plot_chart_with_signals, interval=60000, save_count=100)2. Erro de Linestyle (linestyle
-)O segundo problema está no estilo da linha que você está tentando usar na chamada para
ax1.axhline(). O caractere–(endash) não é suportado. Os valores válidos incluem: '-', '--', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted'.Vamos corrigir substituindo
–por um valor suportado, como por exemplo '--' para uma linha tracejada:ax1.axhline(level_value, color='blue', linestyle='--')Aplicando as Correções
Aqui está a linha completa do seu código com as correções aplicadas:
# Inicializando FuncAnimation com cache_frame_data=False ani = FuncAnimation(fig, plot_chart_with_signals, interval=60000, cache_frame_data=False) # Função plot_chart_with_signals com o linestyle corrigido def plot_chart_with_signals(i): global data, last_signal_index, data_multiple, multiple_assets_analysis, active_fibo, active_signal update_data() signals = detect_signals(data) data = calculate_volatility(data) data = determine_trend(data) data = calculate_trend_strength(data) volatility_state = get_volatility_state(data) fig.suptitle(f'Gráfico Indicador Smart Money Concept - {symbol}', fontsize=10, fontweight='bold') ax1.clear() ax2.clear() fig.text(0.5, 0.92, volatility_state, ha='center', va='top', fontsize=10, fontweight='bold') trends_multiple = determine_trend_multiple_timeframes(data_multiple) trend_message = f"M15: {trends_multiple['M15']}, M30: {trends_multiple['M30']}, H1: {trends_multiple['H1']}, H4: {trends_multiple['H4']}, D1: {trends_multiple['D1']}" fig.text(0.2, 0.93, trend_message, color="green", ha="center", va="center", fontsize=6, fontweight='normal') time_delta = data.index[1] - data.index[0] width = time_delta.total_seconds() / (24 * 60 * 60) * 0.8 ax1.bar(data.index, data["close"] - data["open"], width=width, bottom=data["open"], color="black", align="center", label="Candlestick") ax1.vlines(data.index, data["low"], data["high"], color="black", linewidth=1) new_signals_detected = False for signal in signals: if signal["signal"] == 1: ax1.scatter(signal['index'], signal['open_price'], marker="^", color="green", label="Compra") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="bottom", color="green") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True elif signal["signal"] == -1: ax1.scatter(signal['index'], signal['open_price'], marker="v", color="red", label="Venda") ax1.text(signal['index'], signal['open_price'], f"Open: {signal['open_price']:.5f}\nTP: {signal['tp']:.5f}\nSL: {signal['sl']:.5f}", fontsize=10, ha="center", va="top", color="red") if last_signal_index is None or signal['index'] > last_signal_index: new_signals_detected = True if "liquidity_message" in signal: ax1.text(signal['index'], data["high"].loc[signal['index']], signal["liquidity_message"], color="blue", ha="left") trend_message = f"Tendência: {data['trend'].iloc[-1]}, Força: {data['trend_strength_label'].iloc[-1]}" fig.text(0.5, 0.93, trend_message, color="blue", ha="center", va="center", fontsize=10, fontweight='normal') if signals: last_signal_index = signals[-1]['index'] if new_signals_detected: for _ in range(3): winsound.Beep(1000, 500) # Se não há sinal ativo ou o sinal foi cancelado, detectar um novo sinal if active_signal is None: # Detectar pontos de swing high e swing low swing_high, swing_low = detect_swing_points(data) # Calcular níveis de Fibonacci active_fibo = calculate_fibo_levels(swing_high, swing_low) # Detecção de sinais signals = detect_signals(data) # Selecionar o último sinal gerado if signals: active_signal = signals[-1] # Se há um sinal ativo, plotar os níveis de Fibonacci e verificar se o TP ou SL foi atingido if active_signal: for level_name, level_value in active_fibo.items(): ax1.axhline(level_value, color='blue', linestyle='--') # Use um linestyle válido como '--' ax1.text(data.index[-1], level_value, f'{level_name}: {level_value:.5f}', fontsize=8, ha='right', color='blue') # Plotar o sinal ativo if active_signal["signal"] == 1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="^", color="green", label="Compra") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="bottom", color="green") elif active_signal["signal"] == -1: ax1.scatter(active_signal['index'], active_signal['open_price'], marker="v", color="red", label="Venda") ax1.text(active_signal['index'], active_signal['open_price'], f'{active_signal["open_price"]:.5f}', fontsize=8, ha="center", va="top", color="red") # Verificar se o TP ou SL do sinal ativo foi atingido high_prices = data.loc[active_signal['index']:, 'high'] low_prices = data.loc[active_signal['index']:, 'low'] if active_signal["signal"] == 1 and (high_prices >= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == 1 and (low_prices <= active_fibo['1.13 (SL)']).any(): active_signal = None elif active_signal["signal"] == -1 and (low_prices <= active_fibo['-0.27 (TP1)']).any(): active_signal = None elif active_signal["signal"] == -1 and (high_prices >= active_fibo['1.13 (SL)']).any(): active_signal = None ax1.set_xlabel("Data") ax1.set_ylabel("Preço") ax1.legend(loc="upper left") ax1.grid(True) ax1.xaxis.set_major_formatter(mdates.DateFormatter("%d-%m-%Y\n%H:%M")) plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45, ha="right", rotation_mode="anchor", fontsize=6) ax2.plot(data.index, data["volatility"], label="Volatilidade") ax2.set_xlabel("Data") ax2.set_ylabel("Volatilidade") ax2.legend(loc="upper left") ax2.grid(True)Conclusão
Com essas mudanças, você deve resolver tanto o aviso sobre o cache de quadro quanto o erro de estilo de linha inválido. Faça essas alterações e teste seu código novamente. Se encontrar novos problemas ou se precisar de mais esclarecimentos, sinta-se à vontade para perguntar.