Skip to content
The Chat Archive
o1-mini-2024-09-12· OpenAI WildChat-4.8M (AI2)

import pandas as pd import openpyxl from tkinter import Tk, filedialog from…

  1. User

    import pandas as pd import openpyxl from tkinter import Tk, filedialog from openpyxl.styles import PatternFill, Font import os

    Cores da marca

    azul_ciano = "00AEEF" azul_escuro = "003366" cinza = "808080" branco = "FFFFFF"

    Nomes das colunas corretas

    colunas = [ "Cluster", "EC", "CNPJ/CPF", "Nome EC", "Tipo Cliente", "Dt. Negociação", "Dt. Ativação", "Descrição Oportunidade", "Valor Oportunidade", "Fat. Negociado Relógio", "Faturamento M0", "Faturamento M-1", "Dt. Limite Apuração Fat.", "Status Formalização", "Elegível Formalização", "Data Última Visita (Últ. 3 meses)", "DORVM Últ. 4 semanas (CNPJ)", "Qtd. Equipamentos (EC)", "Dt. Última Inst. Equip." ]

    Função para selecionar o arquivo Excel

    def selecionar_arquivo(): root = Tk() root.withdraw() # Esconder a janela principal do Tkinter caminho_arquivo = filedialog.askopenfilename(filetypes=[("Excel files", "*.xlsx")]) return caminho_arquivo

    Função para processar o arquivo Excel

    def processar_planilha(caminho_arquivo): # Ler o arquivo Excel ignorando as primeiras 6 linhas df = pd.read_excel(caminho_arquivo, skiprows=6)

    # Definir os nomes das colunas manualmente
    df.columns = colunas
    
    # Excluir a primeira coluna (A)
    df = df.drop(df.columns[0], axis=1)
    
    # Ajustar a coluna CNPJ/CPF para ter 14 caracteres (CNPJ) e formatar como texto
    df['CNPJ/CPF'] = df['CNPJ/CPF'].apply(lambda x: f'{int(x):014}' if len(str(x)) < 14 else str(x))
    
    # Ajustar as colunas de valores para o formato de moeda
    colunas_moeda = ['Valor Oportunidade', 'Fat. Negociado Relógio', 'Faturamento M0', 'Faturamento M-1']
    for coluna in colunas_moeda:
        df[coluna] = df[coluna].apply(lambda x: f'R${x:,.2f}' if pd.notnull(x) else x)
    
    # Ajustar as colunas de data
    colunas_data = ['Dt. Negociação', 'Dt. Ativação', 'Dt. Limite Apuração Fat.', 'Data Última Visita (Últ. 3 meses)', 'Dt. Última Inst. Equip.']
    for coluna in colunas_data:
        df[coluna] = pd.to_datetime(df[coluna], errors='coerce').dt.strftime('%d/%m/%Y')
    
    # Adicionar a coluna de soma do Valor Oportunidade
    df['Soma Valor Oportunidade'] = df['Valor Oportunidade'].replace('[R$,.]', '', regex=True).astype(float).sum()
    
    # Gerar estatísticas conforme solicitado
    estatisticas = {
        '[OPORT.] INATIVOS NA CARTEIRA': len(df[df['Status Formalização'] == 'INATIVO']),
        '[REPIQUE] ATIVOS M0 C/ FAT. M0': len(df[(df['Status Formalização'] == 'ATIVO') & (df['Faturamento M0'] > 0)]),
        '[REPIQUE] ATIVOS M-1 C/ FAT. M-1': len(df[(df['Status Formalização'] == 'ATIVO') & (df['Faturamento M-1'] > 0)]),
        '[REPIQUE] NEGOCIADOS NÃO ATIVA': len(df[df['Status Formalização'] == 'NEGOCIADO NÃO ATIVO']),
        '[REPIQUE] ATIVOS M-2 C/ FAT. M-2': len(df[(df['Status Formalização'] == 'ATIVO') & (df['Faturamento M-2'] > 0)]),
    }
    
    # Salvar o arquivo processado
    novo_caminho = os.path.splitext(caminho_arquivo)[0] + '_processado.xlsx'
    writer = pd.ExcelWriter(novo_caminho, engine='openpyxl')
    df.to_excel(writer, index=False, sheet_name='Dados Processados')
    
    # Aplicar formatação com cores
    workbook = writer.book
    sheet = workbook['Dados Processados']
    for row in sheet.iter_rows(min_row=1, max_row=sheet.max_row, min_col=1, max_col=sheet.max_column):
        for cell in row:
            if cell.row == 1:
                # Cabeçalhos com azul escuro e texto branco
                cell.fill = PatternFill(start_color=azul_escuro, end_color=azul_escuro, fill_type="solid")
                cell.font = Font(color=branco, bold=True)
            else:
                # Linhas de dados com cinza claro
                cell.fill = PatternFill(start_color=cinza, end_color=cinza, fill_type="solid")
    
    # Salvar o arquivo formatado
    writer.save()
    print(f"Arquivo processado salvo em: {novo_caminho}")
    

    Executar o processo

    if name == "main": caminho_arquivo = selecionar_arquivo() if caminho_arquivo: processar_planilha(caminho_arquivo) else: print("Nenhum arquivo selecionado.")

    PS C:\Users\dourado\OneDrive - Cielo\ENVIADO WELL> & C:/ProgramData/anaconda3/python.exe "c:/Users/dourado/OneDrive - Cielo/ENVIADO WELL/teste" Traceback (most recent call last): File "c:\Users\dourado\OneDrive - Cielo\ENVIADO WELL\teste", line 91, in processar_planilha(caminho_arquivo) File "c:\Users\dourado\OneDrive - Cielo\ENVIADO WELL\teste", line 35, in processar_planilha df.columns = colunas ^^^^^^^^^^ File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\generic.py", line 6218, in setattr return object.setattr(self, name, value) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "properties.pyx", line 69, in pandas._libs.properties.AxisProperty.set File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\generic.py", line 767, in _set_axis self._mgr.set_axis(axis, labels) File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\internals\managers.py", line 227, in set_axis self._validate_set_axis(axis, new_labels) File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\internals\base.py", line 85, in _validate_set_axis raise ValueError( ValueError: Length mismatch: Expected axis has 22 elements, new values have 19 elements PS C:\Users\dourado\OneDrive - Cielo\ENVIADO WELL>

  2. Assistant

    O erro que você está enfrentando ocorre porque o número de nomes de colunas que você está atribuindo (colunas) não coincide com o número de colunas presentes no DataFrame após a leitura do arquivo Excel. Vamos analisar o problema passo a passo e fornecer uma solução.

    Entendendo o Erro

    O erro específico é:

    ValueError: Length mismatch: Expected axis has 22 elements, new values have 19 elements
    

    Isso significa que o DataFrame original possui 22 colunas após a leitura do arquivo Excel (ignorando as primeiras 6 linhas), enquanto a lista colunas que você está tentando atribuir contém apenas 19 nomes de colunas. Essa diferença de tamanho (22 vs. 19) está causando o erro.

    Passos para Resolver o Problema

    1. Verificar o Número de Colunas no DataFrame Original:

      Antes de atribuir novos nomes às colunas, verifique quantas colunas o DataFrame possui após a leitura:

      def processar_planilha(caminho_arquivo):
          # Ler o arquivo Excel ignorando as primeiras 6 linhas
          df = pd.read_excel(caminho_arquivo, skiprows=6)
          
          print(f"Número de colunas antes de remover: {df.shape[1]}")
          
          # Definir os nomes das colunas manualmente
          df.columns = colunas
          # ...
      

      Execute o script para ver quantas colunas estão sendo lidas inicialmente.

    2. Ajustar a Lista colunas:

      Com base na análise, você tem duas opções:

      • Adicionar Nomes de Colunas Faltantes:

        Se você deseja manter todas as colunas presentes no DataFrame, adicione os nomes faltantes à lista colunas para que ela coincida com o número de colunas no DataFrame.

        colunas = [
            "Cluster", "EC", "CNPJ/CPF", "Nome EC", "Tipo Cliente", "Dt. Negociação",
            "Dt. Ativação", "Descrição Oportunidade", "Valor Oportunidade", "Fat. Negociado Relógio", 
            "Faturamento M0", "Faturamento M-1", "Dt. Limite Apuração Fat.", "Status Formalização", 
            "Elegível Formalização", "Data Última Visita (Últ. 3 meses)", "DORVM Últ. 4 semanas (CNPJ)", 
            "Qtd. Equipamentos (EC)", "Dt. Última Inst. Equip.",
            "Coluna Adicional 1",  # Adicione nomes conforme necessário
            "Coluna Adicional 2",
            "Coluna Adicional 3"
        ]
        
      • Remover Colunas Extras:

        Se algumas colunas não forem necessárias para o seu processamento, você pode removê-las antes de atribuir os novos nomes.

        # Supondo que você queira manter apenas as primeiras 19 colunas após remover a primeira
        df = df.drop(df.columns[0], axis=1)  # Remove a primeira coluna
        df = df.iloc[:, :19]  # Mantém apenas as primeiras 19 colunas
        
        df.columns = colunas
        
    3. Verificar o Índice das Colunas a Serem Removidas:

      Certifique-se de que a remoção da primeira coluna (df.drop(df.columns[0], axis=1)) é realmente necessária e que está alinhada com a estrutura do seu arquivo Excel. Se a coluna a ser removida não for a correta, ajuste o índice conforme necessário.

    4. Exemplo de Código Corrigido:

      Aqui está uma versão ajustada do seu script, assumindo que você deseja remover a primeira coluna e atribuir somente 19 nomes de colunas:

      import pandas as pd
      import openpyxl
      from tkinter import Tk, filedialog
      from openpyxl.styles import PatternFill, Font
      import os
      
      # Cores da marca
      azul_ciano = "00AEEF"
      azul_escuro = "003366"
      cinza = "808080"
      branco = "FFFFFF"
      
      # Nomes das colunas corretas (19)
      colunas = [
          "Cluster", "EC", "CNPJ/CPF", "Nome EC", "Tipo Cliente", "Dt. Negociação",
          "Dt. Ativação", "Descrição Oportunidade", "Valor Oportunidade", "Fat. Negociado Relógio", 
          "Faturamento M0", "Faturamento M-1", "Dt. Limite Apuração Fat.", "Status Formalização", 
          "Elegível Formalização", "Data Última Visita (Últ. 3 meses)", "DORVM Últ. 4 semanas (CNPJ)", 
          "Qtd. Equipamentos (EC)", "Dt. Última Inst. Equip."
      ]
      
      # Função para selecionar o arquivo Excel
      def selecionar_arquivo():
          root = Tk()
          root.withdraw()  # Esconder a janela principal do Tkinter
          caminho_arquivo = filedialog.askopenfilename(filetypes=[("Excel files", "*.xlsx")])
          return caminho_arquivo
      
      # Função para processar o arquivo Excel
      def processar_planilha(caminho_arquivo):
          # Ler o arquivo Excel ignorando as primeiras 6 linhas
          df = pd.read_excel(caminho_arquivo, skiprows=6)
          
          print(f"Número de colunas antes de remover: {df.shape[1]}")
      
          # Excluir a primeira coluna (A)
          df = df.drop(df.columns[0], axis=1)
          print(f"Número de colunas após remover a primeira: {df.shape[1]}")
      
          # Verificar se o número de colunas corresponde à lista 'colunas'
          if df.shape[1] != len(colunas):
              raise ValueError(f"O número de colunas no DataFrame ({df.shape[1]}) não coincide com o número de nomes fornecidos ({len(colunas)}).")
      
          # Definir os nomes das colunas manualmente
          df.columns = colunas
      
          # Ajustar a coluna CNPJ/CPF para ter 14 caracteres (CNPJ) e formatar como texto
          df['CNPJ/CPF'] = df['CNPJ/CPF'].apply(lambda x: f'{int(x):014}' if pd.notnull(x) and len(str(int(x))) < 14 else str(x))
      
          # Ajustar as colunas de valores para o formato de moeda
          colunas_moeda = ['Valor Oportunidade', 'Fat. Negociado Relógio', 'Faturamento M0', 'Faturamento M-1']
          for coluna in colunas_moeda:
              df[coluna] = df[coluna].apply(lambda x: f'R${x:,.2f}' if pd.notnull(x) else x)
      
          # Ajustar as colunas de data
          colunas_data = ['Dt. Negociação', 'Dt. Ativação', 'Dt. Limite Apuração Fat.', 'Data Última Visita (Últ. 3 meses)', 'Dt. Última Inst. Equip.']
          for coluna in colunas_data:
              df[coluna] = pd.to_datetime(df[coluna], errors='coerce').dt.strftime('%d/%m/%Y')
      
          # Adicionar a coluna de soma do Valor Oportunidade
          df['Valor Oportunidade'] = df['Valor Oportunidade'].replace('[R$,.]', '', regex=True).astype(float)
          soma_valor_oport = df['Valor Oportunidade'].sum()
          df['Soma Valor Oportunidade'] = soma_valor_oport
      
          # Gerar estatísticas conforme solicitado
          estatisticas = {
              '[OPORT.] INATIVOS NA CARTEIRA': len(df[df['Status Formalização'] == 'INATIVO']),
              '[REPIQUE] ATIVOS M0 C/ FAT. M0': len(df[(df['Status Formalização'] == 'ATIVO') & (df['Faturamento M0'].astype(float) > 0)]),
              '[REPIQUE] ATIVOS M-1 C/ FAT. M-1': len(df[(df['Status Formalização'] == 'ATIVO') & (df['Faturamento M-1'].astype(float) > 0)]),
              '[REPIQUE] NEGOCIADOS NÃO ATIVA': len(df[df['Status Formalização'] == 'NEGOCIADO NÃO ATIVO']),
              # [REPIQUE] ATIVOS M-2 C/ FAT. M-2: Esta coluna não está presente
              # Adicione se necessário
          }
          print("Estatísticas:")
          for chave, valor in estatisticas.items():
              print(f"{chave}: {valor}")
      
          # Salvar o arquivo processado
          novo_caminho = os.path.splitext(caminho_arquivo)[0] + '_processado.xlsx'
          writer = pd.ExcelWriter(novo_caminho, engine='openpyxl')
          df.to_excel(writer, index=False, sheet_name='Dados Processados')
      
          # Aplicar formatação com cores
          workbook = writer.book
          sheet = workbook['Dados Processados']
          for row in sheet.iter_rows(min_row=1, max_row=sheet.max_row, min_col=1, max_col=sheet.max_column):
              for cell in row:
                  if cell.row == 1:
                      # Cabeçalhos com azul escuro e texto branco
                      cell.fill = PatternFill(start_color=azul_escuro, end_color=azul_escuro, fill_type="solid")
                      cell.font = Font(color=branco, bold=True)
                  else:
                      # Linhas de dados com cinza claro
                      cell.fill = PatternFill(start_color=cinza, end_color=cinza, fill_type="solid")
      
          # Salvar o arquivo formatado
          writer.save()
          print(f"Arquivo processado salvo em: {novo_caminho}")
      
      # Executar o processo
      if __name__ == "__main__":
          caminho_arquivo = selecionar_arquivo()
          if caminho_arquivo:
              try:
                  processar_planilha(caminho_arquivo)
              except ValueError as e:
                  print(f"Erro: {e}")
          else:
              print("Nenhum arquivo selecionado.")
      

    Considerações Adicionais

    1. Validação dos Dados:

      • CNPJ/CPF: A função de formatação foi ajustada para garantir que apenas valores não nulos com menos de 14 caracteres sejam formatados como CNPJ. Isso evita erros caso existam valores NaN ou valores de CPF que não possuem 14 dígitos.

      • Conversão para Float: Antes de realizar operações matemáticas, certifique-se de que as colunas numéricas estão no tipo correto (float).

    2. Estatísticas:

      • Faturamento M-2: No seu dicionário de estatisticas, você está tentando calcular [REPIQUE] ATIVOS M-2 C/ FAT. M-2, mas essa coluna não está presente no seu DataFrame. Certifique-se de que essa coluna exista ou ajuste conforme necessário.
    3. Formatação de Células com Moeda:

      • A formatação como string pode não ser ideal para posteriores manipulações. Considerar manter os valores como float para análises e aplicar a formatação apenas na exportação, se necessário.
    4. Cores das Células:

      • Atualmente, todas as células, exceto os cabeçalhos, estão sendo preenchidas com a cor cinza. Se desejar alternar cores por linha ou aplicar formatações diferentes, ajuste a lógica de formatação conforme necessário.
    5. Uso de writer.save():

      • Embora writer.save() funcione, é recomendado usar writer.close() ou, melhor ainda, utilizar um contexto with para garantir que o arquivo seja fechado corretamente.
      with pd.ExcelWriter(novo_caminho, engine='openpyxl') as writer:
          df.to_excel(writer, index=False, sheet_name='Dados Processados')
          # ... formatação
      

    Conclusão

    O erro principal estava na discrepância entre o número de colunas no DataFrame e a lista de novos nomes de colunas. Garantir que esses números coincidam resolverá o problema. Além disso, revisar e ajustar outras partes do script pode melhorar a robustez e funcionalidade geral do seu processamento de planilhas.

    Se precisar de mais assistência ou tiver outras dúvidas, fique à vontade para perguntar!