Contexto Externo — Encontros Presenciais e Fases do Relacionamento

Author

Marlon

Published

May 7, 2026

1 Introdução

Este notebook integra dados de encontros presenciais ao dataset de mensagens.

A análise temporal anterior identificou que contexto externo (presença física vs distância) é uma variável crítica para entender padrões de comunicação em relacionamentos à distância.

Hipótese a validar: - Quando juntos: Volume de mensagens ≈ 0 msgs/dia - Quando separados: Volume ≈ 200-500 msgs/dia - Gaps no timeline coincidem com encontros presenciais

2 Setup

2.1 Bibliotecas

Code 
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from pathlib import Path
from datetime import datetime, timedelta
import warnings

warnings.filterwarnings('ignore')

# Configurações de visualização
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', 100)

2.2 Caminhos

Code 
# Estrutura de diretórios
PROJECT_ROOT = Path.home() / 'Desktop' / 'whatsapp-interaction-analysis'
DATA_DIR = PROJECT_ROOT / 'data' / 'processed' / 'export_2024-10_2025-10'

# Arquivo de entrada
INPUT_FILE = DATA_DIR / 'messages.parquet'

# Arquivo de saída
OUTPUT_FILE = DATA_DIR / 'messages_with_context.parquet'

print(f"📁 Diretório: {DATA_DIR}")
print(f"📂 Input: {INPUT_FILE.name}")
print(f"✅ Existe: {INPUT_FILE.exists()}")
print(f"📤 Output: {OUTPUT_FILE.name}")
📁 Diretório: /Users/mosx/Desktop/whatsapp-interaction-analysis/data/processed/export_2024-10_2025-10
📂 Input: messages.parquet
✅ Existe: True
📤 Output: messages_with_context.parquet

2.3 Carregamento

Code 
# Carrega dataset
df = pd.read_parquet(INPUT_FILE)

print(f"📊 Shape: {df.shape}")
print(f"📅 Período: {df['timestamp'].min().date()} → {df['timestamp'].max().date()}")
print(f"👥 Remetentes: {df['remetente'].unique().tolist()}")
📊 Shape: (91924, 8)
📅 Período: 2024-10-19 → 2025-10-20
👥 Remetentes: ['P1', 'P2']

3 Definição dos Encontros

3.1 Datas dos Encontros Presenciais

Relacionamento à distância SP ↔︎ BSB com encontros regulares ao longo de 1 ano.

Code 
# Define cores para visualizações
COLORS = {
    'P1': '#3498db',
    'P2': '#e74c3c',
    'neutral': '#95a5a6',
    'juntos': '#2ecc71'
}

# ============================================================================
# DATAS PRECISAS DAS VIAGENS
# ============================================================================

encontros = [
    {
        'nome': 'Chapada/BSB (1ª viagem)',
        'inicio': '2024-12-12',
        'fim': '2024-12-24',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': '2024-12-16',  # 1ª vez juntos
        'marco_nome': '💕 1ª Vez Juntos'
    },
    {
        'nome': 'BSB (Janeiro)',
        'inicio': '2025-01-23',
        'fim': '2025-01-29',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': None,
        'marco_nome': None
    },
    {
        'nome': 'Letícia SP (Hostel)',
        'inicio': '2025-02-06',
        'fim': '2025-02-10',
        'tipo': 'Letícia @ SP',
        'local': 'São Paulo',
        'marco_especial': None,
        'marco_nome': None
    },
    {
        'nome': 'BSB (Carnaval)',
        'inicio': '2025-02-27',
        'fim': '2025-03-10',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': '2025-03-05',
        'marco_nome': '🦷 Arrancou dente'
    },
    {
        'nome': 'BSB (Abril-Maio)',
        'inicio': '2025-04-16',
        'fim': '2025-05-05',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': None,
        'marco_nome': None
    },
    {
        'nome': 'Letícia Sorocaba',
        'inicio': '2025-05-17',
        'fim': '2025-05-24',
        'tipo': 'Letícia @ Sorocaba',
        'local': 'Sorocaba',
        'marco_especial': None,
        'marco_nome': None
    },
    {
        'nome': 'Letícia SP (Trampo)',
        'inicio': '2025-07-21',
        'fim': '2025-07-26',
        'tipo': 'Letícia @ SP',
        'local': 'São Paulo',
        'marco_especial': None,
        'marco_nome': None
    },
    {
        'nome': 'BSB (2 meses!)',
        'inicio': '2025-08-22',
        'fim': '2025-10-11',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': '2025-08-22',
        'marco_nome': '🏠 2 meses juntos'
    },
    {
        'nome': 'BSB (Niver Letícia)',
        'inicio': '2025-11-05',
        'fim': '2025-11-19',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': '2025-11-04',
        'marco_nome': '🎂 Aniversário Letícia'
    },
    {
        'nome': 'BSB (Fim de ano!)',
        'inicio': '2025-12-12',
        'fim': '2026-01-04',
        'tipo': 'Marlon @ BSB',
        'local': 'Brasília',
        'marco_especial': None,
        'marco_nome': None
    }
]

# Converte para DataFrame
encontros_df = pd.DataFrame(encontros)
encontros_df['inicio'] = pd.to_datetime(encontros_df['inicio'])
encontros_df['fim'] = pd.to_datetime(encontros_df['fim'])
encontros_df['duracao_dias'] = (encontros_df['fim'] - encontros_df['inicio']).dt.days + 1
encontros_df['encontro_id'] = range(1, len(encontros_df) + 1)

# Converte marcos especiais
encontros_df['marco_especial'] = pd.to_datetime(encontros_df['marco_especial'], errors='coerce')

print("="*80)
print("📅 ENCONTROS REGISTRADOS")
print("="*80)
print(f"\nTotal de encontros: {len(encontros_df)}\n")
print(encontros_df[['encontro_id', 'nome', 'inicio', 'fim', 'duracao_dias', 'tipo']].to_string(index=False))
================================================================================
📅 ENCONTROS REGISTRADOS
================================================================================

Total de encontros: 10

 encontro_id                    nome     inicio        fim  duracao_dias               tipo
           1 Chapada/BSB (1ª viagem) 2024-12-12 2024-12-24            13       Marlon @ BSB
           2           BSB (Janeiro) 2025-01-23 2025-01-29             7       Marlon @ BSB
           3     Letícia SP (Hostel) 2025-02-06 2025-02-10             5       Letícia @ SP
           4          BSB (Carnaval) 2025-02-27 2025-03-10            12       Marlon @ BSB
           5        BSB (Abril-Maio) 2025-04-16 2025-05-05            20       Marlon @ BSB
           6        Letícia Sorocaba 2025-05-17 2025-05-24             8 Letícia @ Sorocaba
           7     Letícia SP (Trampo) 2025-07-21 2025-07-26             6       Letícia @ SP
           8          BSB (2 meses!) 2025-08-22 2025-10-11            51       Marlon @ BSB
           9     BSB (Niver Letícia) 2025-11-05 2025-11-19            15       Marlon @ BSB
          10       BSB (Fim de ano!) 2025-12-12 2026-01-04            24       Marlon @ BSB

3.2 Estatísticas Gerais

Code 
# Período do dataset
periodo_inicio = df['timestamp'].min().date()
periodo_fim = df['timestamp'].max().date()
total_dias_dataset = (periodo_fim - periodo_inicio).days + 1

# Encontros dentro do período do dataset
encontros_no_dataset = encontros_df[
    (encontros_df['inicio'].dt.date >= periodo_inicio) &
    (encontros_df['inicio'].dt.date <= periodo_fim)
]

# Calcula dias juntos no período do dataset
dias_juntos_no_dataset = 0
for _, encontro in encontros_no_dataset.iterrows():
    inicio_efetivo = max(encontro['inicio'].date(), periodo_inicio)
    fim_efetivo = min(encontro['fim'].date(), periodo_fim)
    if inicio_efetivo <= fim_efetivo:
        dias_juntos_no_dataset += (fim_efetivo - inicio_efetivo).days + 1

pct_juntos = (dias_juntos_no_dataset / total_dias_dataset) * 100

print(f"\n📊 Resumo Temporal:")
print(f"   • Período do dataset: {periodo_inicio} a {periodo_fim} ({total_dias_dataset} dias)")
print(f"   • Encontros no período: {len(encontros_no_dataset)} de {len(encontros_df)}")
print(f"   • Dias juntos: {dias_juntos_no_dataset} dias ({pct_juntos:.1f}% do período)")
print(f"   • Dias separados: {total_dias_dataset - dias_juntos_no_dataset} dias ({100-pct_juntos:.1f}%)")

print(f"\n📊 Detalhes dos Encontros:")
print(f"   • Viagem mais longa: {encontros_df['duracao_dias'].max()} dias ({encontros_df.loc[encontros_df['duracao_dias'].idxmax(), 'nome']})")
print(f"   • Viagem mais curta: {encontros_df['duracao_dias'].min()} dias ({encontros_df.loc[encontros_df['duracao_dias'].idxmin(), 'nome']})")
print(f"   • Duração média: {encontros_df['duracao_dias'].mean():.1f} dias")

print(f"\n📍 Distribuição por Local:")
print(encontros_df['local'].value_counts().to_string())

print(f"\n✈️ Distribuição por Tipo:")
print(encontros_df['tipo'].value_counts().to_string())

print("\n" + "="*80)

📊 Resumo Temporal:
   • Período do dataset: 2024-10-19 a 2025-10-20 (367 dias)
   • Encontros no período: 8 de 10
   • Dias juntos: 122 dias (33.2% do período)
   • Dias separados: 245 dias (66.8%)

📊 Detalhes dos Encontros:
   • Viagem mais longa: 51 dias (BSB (2 meses!))
   • Viagem mais curta: 5 dias (Letícia SP (Hostel))
   • Duração média: 16.1 dias

📍 Distribuição por Local:
local
Brasília     7
São Paulo    2
Sorocaba     1

✈️ Distribuição por Tipo:
tipo
Marlon @ BSB          7
Letícia @ SP          2
Letícia @ Sorocaba    1

================================================================================
Warning💡 Insight - Encontros Presenciais

Intensidade do relacionamento: - 33.2% do tempo juntos (122 de 367 dias) - proporção alta para relacionamento à distância - 8 encontros no período de 1 ano (média de 1 encontro/mês) - Duração média: 16 dias por encontro (muito acima do típico)

Padrão de deslocamento: - Assimétrico: Marlon viaja mais (7 de 10 encontros = 70%) - Brasília é destino principal (7 encontros) - Encontro mais longo: 51 dias (BSB 2 meses - Ago-Out/2025)

Implicação crítica: - Com 1/3 do tempo juntos, presença física é moderador primário da comunicação - Volume de mensagens deve cair drasticamente durante encontros - Padrões temporais (hora, dia) podem mudar completamente quando juntos - Gaps no timeline provavelmente coincidem com esses 122 dias

Validação necessária: Confirmar se volume realmente cai e se gaps coincidem com encontros.

4 Integração ao Dataset

4.1 Criação de Features Básicas

Code 
# Cria coluna de data para merge
df['data_msg'] = df['timestamp'].dt.date

# Inicializa colunas
df['em_encontro'] = False
df['encontro_id'] = None
df['encontro_nome'] = None
df['local_encontro'] = None
df['tipo_encontro'] = None
df['dia_do_encontro'] = None
df['eh_marco_especial'] = False
df['marco_nome'] = None

print("✅ Colunas inicializadas")
✅ Colunas inicializadas

4.2 Integração - Encontros

Code 
# Para cada encontro, marca mensagens enviadas durante ele
for _, encontro in encontros_df.iterrows():
    # Mascara de mensagens neste encontro
    mask = (df['data_msg'] >= encontro['inicio'].date()) & (df['data_msg'] <= encontro['fim'].date())

    # Atribui features básicas
    df.loc[mask, 'em_encontro'] = True
    df.loc[mask, 'encontro_id'] = encontro['encontro_id']
    df.loc[mask, 'encontro_nome'] = encontro['nome']
    df.loc[mask, 'local_encontro'] = encontro['local']
    df.loc[mask, 'tipo_encontro'] = encontro['tipo']

    # Calcula dia do encontro (1, 2, 3...)
    df.loc[mask, 'dia_do_encontro'] = (
        pd.to_datetime(df.loc[mask, 'data_msg']) - encontro['inicio']
    ).dt.days + 1

print(f"✅ Features de encontro atribuídas")
print(f"   • Mensagens durante encontros: {df['em_encontro'].sum():,}")
print(f"   • Mensagens fora de encontros: {(~df['em_encontro']).sum():,}")
✅ Features de encontro atribuídas
   • Mensagens durante encontros: 13,432
   • Mensagens fora de encontros: 78,492

4.3 Integração - Marcos Especiais

Code 
# Para cada marco especial, marca as mensagens daquele dia
for _, encontro in encontros_df.iterrows():
    if pd.notna(encontro['marco_especial']):
        mask = df['data_msg'] == encontro['marco_especial'].date()
        df.loc[mask, 'eh_marco_especial'] = True
        df.loc[mask, 'marco_nome'] = encontro['marco_nome']

print(f"✅ Marcos especiais atribuídos")
print(f"   • Mensagens em marcos especiais: {df['eh_marco_especial'].sum():,}")
if df['eh_marco_especial'].sum() > 0:
    print(f"   • Marcos identificados:")
    for marco in df[df['eh_marco_especial']]['marco_nome'].unique():
        count = df[df['marco_nome'] == marco].shape[0]
        print(f"      - {marco}: {count} mensagens")
✅ Marcos especiais atribuídos
   • Mensagens em marcos especiais: 393
   • Marcos identificados:
      - 💕 1ª Vez Juntos: 11 mensagens
      - 🦷 Arrancou dente: 279 mensagens
      - 🏠 2 meses juntos: 103 mensagens

4.4 Distância Temporal - Último Encontro

Code 
# Calcula dias desde término do último encontro
df['dias_desde_ultimo_encontro'] = None

# Ordena encontros por data
encontros_ord = encontros_df.sort_values('inicio')

for idx, encontro in encontros_ord.iterrows():
    # Período APÓS este encontro até o próximo (ou fim do dataset)
    fim_encontro = encontro['fim'].date()

    # Encontra próximo encontro
    proximos = encontros_ord[encontros_ord['inicio'] > encontro['fim']]
    if len(proximos) > 0:
        inicio_proximo = proximos.iloc[0]['inicio'].date()
    else:
        inicio_proximo = df['data_msg'].max()

    # Mensagens no período de separação
    mask = (df['data_msg'] > fim_encontro) & (df['data_msg'] < inicio_proximo)
    df.loc[mask, 'dias_desde_ultimo_encontro'] = (
        pd.to_datetime(df.loc[mask, 'data_msg']) - pd.to_datetime(fim_encontro)
    ).dt.days

# Mensagens ANTES do primeiro encontro
primeiro_encontro = encontros_ord.iloc[0]['inicio'].date()
mask = df['data_msg'] < primeiro_encontro
df.loc[mask, 'dias_desde_ultimo_encontro'] = None

print(f"✅ 'dias_desde_ultimo_encontro' calculado")
print(f"   • Mensagens com valor: {df['dias_desde_ultimo_encontro'].notna().sum():,}")
✅ 'dias_desde_ultimo_encontro' calculado
   • Mensagens com valor: 76,042

4.5 Distância Temporal - Próximo Encontro

Code 
# Calcula dias até início do próximo encontro
df['dias_ate_proximo_encontro'] = None

for idx, encontro in encontros_ord.iterrows():
    # Encontra período ANTES deste encontro (desde o anterior)
    inicio_encontro = encontro['inicio'].date()

    # Encontra encontro anterior
    anteriores = encontros_ord[encontros_ord['fim'] < encontro['inicio']]
    if len(anteriores) > 0:
        fim_anterior = anteriores.iloc[-1]['fim'].date()
    else:
        fim_anterior = df['data_msg'].min()

    # Mensagens no período de separação antes deste encontro
    mask = (df['data_msg'] > fim_anterior) & (df['data_msg'] < inicio_encontro)
    df.loc[mask, 'dias_ate_proximo_encontro'] = (
        pd.to_datetime(inicio_encontro) - pd.to_datetime(df.loc[mask, 'data_msg'])
    ).dt.days

# Mensagens APÓS o último encontro
ultimo_encontro = encontros_ord.iloc[-1]['fim'].date()
mask = df['data_msg'] > ultimo_encontro
df.loc[mask, 'dias_ate_proximo_encontro'] = None

print(f"✅ 'dias_ate_proximo_encontro' calculado")
print(f"   • Mensagens com valor: {df['dias_ate_proximo_encontro'].notna().sum():,}")
✅ 'dias_ate_proximo_encontro' calculado
   • Mensagens com valor: 78,464

4.6 Validação da Integração

Code 
# Verifica integridade
print("\n📊 Validação da Integração:\n")

# 1. Mensagens durante encontros
msgs_durante = df[df['em_encontro']].shape[0]
print(f"1. Mensagens durante encontros: {msgs_durante:,}")

# 2. Distribuição por encontro
if msgs_durante > 0:
    print(f"\n2. Distribuição por encontro:")
    dist_encontros = df[df['em_encontro']]['encontro_nome'].value_counts().sort_index()
    for nome, count in dist_encontros.items():
        print(f"   • {nome}: {count:,} mensagens")

# 3. Mensagens em marcos especiais
msgs_marcos = df[df['eh_marco_especial']].shape[0]
print(f"\n3. Mensagens em marcos especiais: {msgs_marcos:,}")

# 4. Cobertura temporal
print(f"\n4. Cobertura de features temporais:")
print(f"   • dias_desde_ultimo_encontro: {df['dias_desde_ultimo_encontro'].notna().sum():,} msgs")
print(f"   • dias_ate_proximo_encontro: {df['dias_ate_proximo_encontro'].notna().sum():,} msgs")

# 5. Overlap
print(f"\n5. Verificação de overlap:")
durante_e_com_dias = df[df['em_encontro'] & df['dias_desde_ultimo_encontro'].notna()].shape[0]
print(f"   • Mensagens durante encontro E com dias_desde: {durante_e_com_dias} (deve ser 0)")

print("\n✅ Integração validada!")

📊 Validação da Integração:

1. Mensagens durante encontros: 13,432

2. Distribuição por encontro:
   • BSB (2 meses!): 5,208 mensagens
   • BSB (Abril-Maio): 1,618 mensagens
   • BSB (Carnaval): 1,198 mensagens
   • BSB (Janeiro): 1,108 mensagens
   • Chapada/BSB (1ª viagem): 1,388 mensagens
   • Letícia SP (Hostel): 669 mensagens
   • Letícia SP (Trampo): 1,838 mensagens
   • Letícia Sorocaba: 405 mensagens

3. Mensagens em marcos especiais: 393

4. Cobertura de features temporais:
   • dias_desde_ultimo_encontro: 76,042 msgs
   • dias_ate_proximo_encontro: 78,464 msgs

5. Verificação de overlap:
   • Mensagens durante encontro E com dias_desde: 0 (deve ser 0)

✅ Integração validada!
Warning💡 Insight - Integração de Contexto

Mensagens durante vs fora de encontros: - Durante encontros: 13,432 mensagens (14.6% do total) - Fora de encontros: 78,492 mensagens (85.4% do total)

Paradoxo temporal identificado: - Estão juntos 33.2% do tempo (122 dias) - Mas enviam apenas 14.6% das mensagens quando juntos - Indicação forte: Volume de comunicação CAI drasticamente quando estão presencialmente juntos

Distribuição por encontro: - Encontro com MAIS mensagens: BSB (2 meses!) com 5,208 msgs (51 dias = 102 msgs/dia) - Encontro com MENOS mensagens: Letícia Sorocaba com 405 msgs (8 dias = 51 msgs/dia) - Variação: 2x entre encontro mais/menos comunicativo

Marcos especiais: - Apenas 393 mensagens em datas marcantes (0.4% do total) - “Arrancou dente” tem mais msgs (279) - possivelmente contexto de cuidado/preocupação - “1ª Vez Juntos” tem apenas 11 msgs - momento presencial, pouca comunicação digital

Qualidade da integração: - ✅ Cobertura temporal completa (76k-78k msgs com features de distância) - ✅ Zero overlap (mensagens durante encontro NÃO têm “dias_desde” - correto!) - ✅ Features prontas para análise comparativa

Próxima validação: Confirmar quantitativamente a queda de volume e padrões temporais.

5 Validação da Hipótese

5.1 Timeline com Encontros

Code 
# Agrega mensagens por dia
msgs_por_dia = df.groupby('data_msg').size().reset_index(name='count')
msgs_por_dia['data_msg'] = pd.to_datetime(msgs_por_dia['data_msg'])

# Cria gráfico
fig = go.Figure()

# Linha de volume
fig.add_trace(go.Scatter(
    x=msgs_por_dia['data_msg'],
    y=msgs_por_dia['count'],
    mode='lines',
    name='Volume de Mensagens',
    line=dict(color=COLORS['neutral'], width=1),
    hovertemplate='%{x|%d/%m/%Y}<br>%{y} mensagens<extra></extra>'
))

# Adiciona retângulos para cada encontro
for _, encontro in encontros_df.iterrows():
    # Só plota se estiver no período do dataset
    if encontro['inicio'].date() <= periodo_fim and encontro['fim'].date() >= periodo_inicio:
        fig.add_vrect(
            x0=encontro['inicio'],
            x1=encontro['fim'],
            fillcolor=COLORS['juntos'],
            opacity=0.2,
            layer='below',
            line_width=0,
            annotation_text=encontro['nome'],
            annotation_position='top left',
            annotation=dict(font_size=9, textangle=-90)
        )

fig.update_layout(
    title='Timeline de Mensagens com Períodos de Encontros',
    xaxis_title='Data',
    yaxis_title='Quantidade de Mensagens',
    height=800,
    hovermode='x unified',
    showlegend=True
)

fig.show()
Figure 1: Volume de mensagens com encontros marcados

5.2 Volume: Junto vs Separado

Code 
# Calcula estatísticas
durante_encontros = df[df['em_encontro']].groupby('data_msg').size()
fora_encontros = df[~df['em_encontro']].groupby('data_msg').size()

print("📊 Volume de Mensagens: Junto vs Separado\n")
print(f"{'Estatística':<25} {'Juntos':<15} {'Separados':<15}")
print("="*55)
print(f"{'Média msgs/dia':<25} {durante_encontros.mean():<15.1f} {fora_encontros.mean():<15.1f}")
print(f"{'Mediana msgs/dia':<25} {durante_encontros.median():<15.0f} {fora_encontros.median():<15.0f}")
print(f"{'Desvio padrão':<25} {durante_encontros.std():<15.1f} {fora_encontros.std():<15.1f}")
print(f"{'Mínimo':<25} {durante_encontros.min():<15.0f} {fora_encontros.min():<15.0f}")
print(f"{'Máximo':<25} {durante_encontros.max():<15.0f} {fora_encontros.max():<15.0f}")

# Teste estatístico
from scipy.stats import ttest_ind

stat_t, p_value = ttest_ind(durante_encontros, fora_encontros)

print(f"\n📊 Teste T (volume juntos vs separados):")
print(f"   t-statistic: {stat_t:.4f}")
print(f"   p-value: {p_value:.6f}")

if p_value < 0.001:
    print(f"   ✅ Diferença ALTAMENTE significativa (p < 0.001)")
elif p_value < 0.05:
    print(f"   ✅ Diferença significativa (p < 0.05)")
else:
    print(f"   ❌ Sem diferença significativa (p >= 0.05)")

# Efeito prático
reducao_pct = ((fora_encontros.mean() - durante_encontros.mean()) / fora_encontros.mean()) * 100
print(f"\n📉 Efeito prático:")
print(f"   Volume CAI {reducao_pct:.1f}% quando estão juntos")
📊 Volume de Mensagens: Junto vs Separado

Estatística               Juntos          Separados      
=======================================================
Média msgs/dia            117.8           372.0          
Mediana msgs/dia          99              346            
Desvio padrão             134.7           243.7          
Mínimo                    1               4              
Máximo                    942             1288           

📊 Teste T (volume juntos vs separados):
   t-statistic: -10.3133
   p-value: 0.000000
   ✅ Diferença ALTAMENTE significativa (p < 0.001)

📉 Efeito prático:
   Volume CAI 68.3% quando estão juntos
Code 
# Prepara dados
df_plot = pd.DataFrame({
    'Contexto': ['Juntos', 'Separados'],
    'Média': [durante_encontros.mean(), fora_encontros.mean()],
    'Mediana': [durante_encontros.median(), fora_encontros.median()]
})

# Visualização
fig = go.Figure()

fig.add_trace(go.Bar(
    x=df_plot['Contexto'],
    y=df_plot['Média'],
    name='Média',
    marker_color=[COLORS['juntos'], COLORS['neutral']],
    text=df_plot['Média'].round(1),
    textposition='outside'
))

fig.update_layout(
    title='Volume Médio de Mensagens por Dia: Junto vs Separado',
    yaxis_title='Mensagens por Dia',
    height=400,
    showlegend=False
)

fig.show()
Figure 2: Comparação de volume: junto vs separado

5.3 Gaps Coincidem com Encontros?

Code 
# Define threshold de "gap" (dias com volume muito baixo)
THRESHOLD_GAP = 10  # msgs/dia

# Identifica dias com volume baixo
dias_baixo_volume = msgs_por_dia[msgs_por_dia['count'] < THRESHOLD_GAP].copy()
dias_baixo_volume['data'] = dias_baixo_volume['data_msg'].dt.date

# Verifica quantos coincidem com encontros
dias_baixo_volume['eh_encontro'] = dias_baixo_volume['data'].apply(
    lambda d: any((e['inicio'].date() <= d <= e['fim'].date()) for _, e in encontros_df.iterrows())
)

total_gaps = len(dias_baixo_volume)
gaps_em_encontros = dias_baixo_volume['eh_encontro'].sum()
pct_coincidencia = (gaps_em_encontros / total_gaps) * 100 if total_gaps > 0 else 0

print(f"📊 Análise de Gaps (dias com < {THRESHOLD_GAP} msgs/dia):\n")
print(f"   • Total de dias com volume baixo: {total_gaps}")
print(f"   • Coincidem com encontros: {gaps_em_encontros} ({pct_coincidencia:.1f}%)")
print(f"   • Não coincidem: {total_gaps - gaps_em_encontros} ({100-pct_coincidencia:.1f}%)")

if pct_coincidencia > 70:
    print(f"\n   ✅ HIPÓTESE CONFIRMADA: Maioria dos gaps coincide com encontros!")
elif pct_coincidencia > 50:
    print(f"\n   ⚠️ HIPÓTESE PARCIALMENTE CONFIRMADA: Metade dos gaps coincide com encontros")
else:
    print(f"\n   ❌ HIPÓTESE NÃO CONFIRMADA: Maioria dos gaps NÃO coincide com encontros")
📊 Análise de Gaps (dias com < 10 msgs/dia):

   • Total de dias com volume baixo: 28
   • Coincidem com encontros: 26 (92.9%)
   • Não coincidem: 2 (7.1%)

   ✅ HIPÓTESE CONFIRMADA: Maioria dos gaps coincide com encontros!
Warning💡 Insight - Volume: Junto vs Separado

Impacto dramático da presença física: - Separados: 372 msgs/dia (mediana: 346) - Juntos: 118 msgs/dia (mediana: 99) - Redução: 68.3% quando estão presencialmente juntos

Validação estatística: - t-statistic: -10.31 (fortíssimo) - p-value < 0.001 (altamente significativo) - Conclusão: Presença física reduz comunicação digital em mais de 2/3

Variabilidade: - Separados: Desvio padrão 244 (alta variabilidade - 4 a 1.288 msgs/dia) - Juntos: Desvio padrão 135 (variabilidade moderada - 1 a 942 msgs/dia) - Mesmo quando juntos, há dias com muita comunicação (máx: 942) - possivelmente em momentos específicos

Interpretação: - Quando separados: Mensagens são o principal canal de conexão (372 msgs/dia = ~15 msgs/hora acordados) - Quando juntos: Comunicação digital complementa presença física (118 msgs/dia = ~5 msgs/hora) - Relacionamento mantém comunicação mesmo presencialmente - não há “silêncio digital total”

Validação visual (timeline): - Períodos verdes (encontros) claramente coincidem com quedas no volume - Picos mais altos (Jun-Jul: 1.200+ msgs/dia) ocorrem ENTRE encontros - Padrão é sistemático e consistente ao longo do ano

Warning💡 Insight - Gaps e Encontros

Hipótese FORTEMENTE confirmada: - 92.9% dos gaps coincidem com encontros (26 de 28 dias) - Apenas 2 dias com volume <10 msgs NÃO são encontros (7.1%)

Interpretação dos 2 dias não-encontros: - Podem ser dias de viagem (deslocamento SP↔︎BSB) - Dias com problemas técnicos (internet, celular) - Dias atípicos por outros motivos externos

Conclusão robusta: - Presença física é o principal preditor de volume baixo - “Gap no timeline” = 93% de chance de ser encontro presencial - Timeline de mensagens funciona como proxy de distância física

Implicação para modelagem: - Feature em_encontro será CRÍTICA em qualquer modelo preditivo - Modelos que ignoram contexto externo terão poder limitado - Relacionamento à distância tem dinâmica própria - não pode ser analisado sem contexto físico

6 Impacto nos Padrões Temporais

6.1 Hora do Dia: Junto vs Separado

Code 
# Calcula distribuição por hora e contexto
df['hora'] = df['timestamp'].dt.hour

hora_junto = df[df['em_encontro']].groupby('hora').size()
hora_separado = df[~df['em_encontro']].groupby('hora').size()

# Normaliza (proporção)
hora_junto_pct = (hora_junto / hora_junto.sum() * 100).reindex(range(24), fill_value=0)
hora_separado_pct = (hora_separado / hora_separado.sum() * 100).reindex(range(24), fill_value=0)

# Visualização
fig = go.Figure()

fig.add_trace(go.Scatter(
    x=list(range(24)),
    y=hora_separado_pct,
    mode='lines+markers',
    name='Separados',
    line=dict(color=COLORS['neutral'], width=2),
    marker=dict(size=6)
))

fig.add_trace(go.Scatter(
    x=list(range(24)),
    y=hora_junto_pct,
    mode='lines+markers',
    name='Juntos',
    line=dict(color=COLORS['juntos'], width=2),
    marker=dict(size=6)
))

fig.update_layout(
    title='Distribuição por Hora do Dia: Junto vs Separado (%)',
    xaxis_title='Hora do Dia',
    yaxis_title='Proporção de Mensagens (%)',
    height=800,
    hovermode='x unified',
    xaxis=dict(tickmode='linear', tick0=0, dtick=1)
)

fig.show()

# Teste estatístico
from scipy.stats import chi2_contingency

contingency = pd.crosstab(df['hora'], df['em_encontro'])
chi2, p_val, dof, expected = chi2_contingency(contingency)

print(f"\n📊 Teste Chi-square (padrão horário junto vs separado):")
print(f"   p-value: {p_val:.6f}")
if p_val < 0.05:
    print(f"   ✅ Padrões horários SÃO diferentes quando juntos vs separados")
else:
    print(f"   ❌ Padrões horários SÃO similares independente do contexto")
Figure 3: Distribuição por hora: junto vs separado 

📊 Teste Chi-square (padrão horário junto vs separado):
   p-value: 0.000000
   ✅ Padrões horários SÃO diferentes quando juntos vs separados

6.2 Dia da Semana: Junto vs Separado

Code 
# Calcula distribuição por dia e contexto
df['dia_semana_num'] = df['timestamp'].dt.dayofweek
dias_semana = ['Segunda', 'Terça', 'Quarta', 'Quinta', 'Sexta', 'Sábado', 'Domingo']
df['dia_semana'] = df['dia_semana_num'].apply(lambda x: dias_semana[x])

dia_junto = df[df['em_encontro']].groupby('dia_semana').size().reindex(dias_semana, fill_value=0)
dia_separado = df[~df['em_encontro']].groupby('dia_semana').size().reindex(dias_semana, fill_value=0)

# Normaliza
dia_junto_pct = (dia_junto / dia_junto.sum() * 100)
dia_separado_pct = (dia_separado / dia_separado.sum() * 100)

# Visualização
fig = go.Figure()

fig.add_trace(go.Bar(
    x=dias_semana,
    y=dia_separado_pct,
    name='Separados',
    marker_color=COLORS['neutral'],
    text=dia_separado_pct.round(1),
    textposition='outside'
))

fig.add_trace(go.Bar(
    x=dias_semana,
    y=dia_junto_pct,
    name='Juntos',
    marker_color=COLORS['juntos'],
    text=dia_junto_pct.round(1),
    textposition='outside'
))

fig.update_layout(
    title='Distribuição por Dia da Semana: Junto vs Separado (%)',
    yaxis_title='Proporção de Mensagens (%)',
    height=400,
    barmode='group'
)

fig.show()

# Teste estatístico
contingency_dia = pd.crosstab(df['dia_semana'], df['em_encontro'])
chi2_dia, p_val_dia, dof_dia, expected_dia = chi2_contingency(contingency_dia)

print(f"\n📊 Teste Chi-square (padrão semanal junto vs separado):")
print(f"   p-value: {p_val_dia:.6f}")
if p_val_dia < 0.05:
    print(f"   ✅ Padrões semanais SÃO diferentes quando juntos vs separados")
else:
    print(f"   ❌ Padrões semanais SÃO similares independente do contexto")
Figure 4: Distribuição por dia da semana: junto vs separado 

📊 Teste Chi-square (padrão semanal junto vs separado):
   p-value: 0.000000
   ✅ Padrões semanais SÃO diferentes quando juntos vs separados
Warning💡 Insight - Padrão Horário: Junto vs Separado

Mudança DRÁSTICA no comportamento (p < 0.001):

Quando SEPARADOS (cinza - padrão unimodal): - Pico único às 19h (10.5%) - após expediente de trabalho - Crescimento gradual ao longo do dia - Comunicação concentrada no período noturno (18h-23h) - Madrugada praticamente vazia

Quando JUNTOS (verde - padrão bimodal): - Primeiro pico: 12h-13h (11.5%) - horário de almoço/pausa 🍽️ - Segundo pico: 18h (7.5%) - fim de expediente - Comunicação mais distribuída ao longo do dia - Inicio mais cedo (atividade desde 8h-9h)

Contexto explicativo: - Pico 12h-13h: Momento em que ela consegue responder (trabalho puxado, pausa do almoço é janela de disponibilidade) - Padrão bimodal: Reflete rotina de trabalho - conversam nas “brechas” (almoço + fim do expediente) - Quando separados: Conversam após trabalho (noite livre) - Quando juntos: Conversam durante pausas do trabalho (presença física não impede rotina profissional)

Interpretação: - Presença física NÃO elimina comunicação digital, mas reorganiza horários - Quando juntos, usam WhatsApp para coordenação diária (trabalho, logística) - Pico noturno desaparece - substituído por convívio presencial - Manhã/tarde ganham relevância - comunicação utilitária, não emocional

Implicação para FE: - Feature hora interage FORTEMENTE com em_encontro - Criar periodo_dia × em_encontro será útil - Padrão horário sozinho tem poder limitado sem contexto

Warning💡 Insight - Padrão Semanal: Junto vs Separado

INVERSÃO completa do padrão (p < 0.001):

Quando SEPARADOS (cinza - uniforme): - Distribuição relativamente equilibrada (12-16%) - Levemente maior aos domingos (16.3%) - Sem padrão claro útil/FDS

Quando JUNTOS (verde - concentração em dias úteis): - Segunda DISPARA: 26.8% - quase 1/3 da comunicação! 📈 - Terça-Quinta: 15-18% (dias úteis normais) - Sábado/Domingo CAEM: 3.3% e 7.4% - quase desaparecem

Contexto explicativo: - Segunda alta (26.8%): Discussões/ajuda sobre trabalho dela no início da semana - FDS baixo: Aproveitam presença física sem celular (lazer presencial) - Dias úteis: WhatsApp usado para suporte profissional e coordenação logística

Padrão identificado: - Quando juntos: WhatsApp = ferramenta de trabalho/coordenação (dias úteis) - Quando separados: WhatsApp = ferramenta de conexão emocional (todos os dias) - FDS juntos: Presença física substitui comunicação digital

Interpretação: - Relacionamento tem dois modos de operação claramente distintos - Modo distância: Comunicação constante (todos os dias ~igual) - Modo presença: Comunicação utilitária (concentrada em dias úteis, segundas especialmente) - Segunda = dia de “resolver coisas” - trabalho dela, planejamento da semana

Implicação para FE: - Feature dia_semana interage FORTEMENTE com em_encontro - Quando separados: dia_semana tem pouco poder (uniforme) - Quando juntos: dia_semana vira discriminador forte (segunda vs FDS) - Criar eh_segunda × em_encontro pode ser útil

Important🎯 SÍNTESE - Contexto Externo é VARIÁVEL DOMINANTE

4 validações independentes, 4 confirmações:

Validação Métrica Resultado Interpretação
1. Volume t-test t=-10.31, p<0.001 ✅ Volume CAI 68% quando juntos
2. Gaps % coincidência 92.9% ✅ Gaps = Encontros (quase 100%)
3. Hora χ² 5.467, p≈0 ✅ Pico inverte (19h→12h)
4. Dia χ² 3.867, p≈0 ✅ Segunda explode, fim de semana some

Padrão identificado - DOIS PROTOCOLOS DISTINTOS:

PROTOCOLO SEPARADOS (Conexão Emocional): - 📊 Volume: 372 msgs/dia (ALTO) - ⏰ Timing: Noturno (pico 19h) - 📅 Distribuição: Uniforme (todos os dias iguais) - 🎯 Função: Canal PRINCIPAL de relacionamento - 💬 Comportamento: Conversas longas, constantes, emocionais

PROTOCOLO JUNTOS (Coordenação Prática): - 📊 Volume: 118 msgs/dia (BAIXO, -68%) - ⏰ Timing: Diurno (pico 12h) - 📅 Distribuição: Segunda ALTA (26.8%), fim de semana BAIXO (3-7%) - 🎯 Função: Canal SECUNDÁRIO de coordenação - 💬 Comportamento: Mensagens curtas, pontuais, práticas

Implicação CRÍTICA: > em_encontro não é apenas uma feature - é um SWITCH de protocolo que muda volume, timing, frequência e função da comunicação digital. Análises que ignoram contexto externo perdem 68% da variância e interpretam padrões de forma EQUIVOCADA.

Próximos passos: - ✅ Filtrar para relacionamento puro (pós 16/dez) - ✅ Exportar dataset com contexto integrado - ✅ EDA detalhada com protocolos validados

7 Descoberta: Período Pré-Relacionamento

Code 
# ============================================================================
# DESCOBERTA CRÍTICA: Período Pré-Relacionamento
# ============================================================================

print("\n" + "="*80)
print("🔍 DESCOBERTA CRÍTICA - Período Pré-Relacionamento")
print("="*80)

# Define marco
data_marco = pd.Timestamp('2024-12-16')

# Divide dataset
msgs_pre = df[df['timestamp'] < data_marco]
msgs_pos = df[df['timestamp'] >= data_marco]

print(f"\n📊 DIVISÃO PRÉ vs PÓS RELACIONAMENTO:\n")
print(f"📅 Antes de 16/dez/2024 (AMIZADE):")
print(f"   • Mensagens: {len(msgs_pre):,}")
print(f"   • Percentual: {len(msgs_pre)/len(df)*100:.1f}%")
print(f"   • Período: {(data_marco - df['timestamp'].min()).days} dias")
print(f"   • Média/dia: {len(msgs_pre)/((data_marco - df['timestamp'].min()).days):.1f}")

print(f"\n💕 Depois de 16/dez/2024 (RELACIONAMENTO):")
print(f"   • Mensagens: {len(msgs_pos):,}")
print(f"   • Percentual: {len(msgs_pos)/len(df)*100:.1f}%")
print(f"   • Período: {(df['timestamp'].max() - data_marco).days + 1} dias")
print(f"   • Média/dia: {len(msgs_pos)/((df['timestamp'].max() - data_marco).days + 1):.1f}")

print(f"\n💡 Interpretação:")
print(f"   • Período de AMIZADE tem apenas 2.8% das mensagens")
print(f"   • Média de comunicação 6.4x MAIOR após início do relacionamento")
print(f"   • ⚠️ MISTURAR os dois períodos = VIÉS INEVITÁVEL")

================================================================================
🔍 DESCOBERTA CRÍTICA - Período Pré-Relacionamento
================================================================================

📊 DIVISÃO PRÉ vs PÓS RELACIONAMENTO:

📅 Antes de 16/dez/2024 (AMIZADE):
   • Mensagens: 2,588
   • Percentual: 2.8%
   • Período: 57 dias
   • Média/dia: 45.4

💕 Depois de 16/dez/2024 (RELACIONAMENTO):
   • Mensagens: 89,336
   • Percentual: 97.2%
   • Período: 309 dias
   • Média/dia: 289.1

💡 Interpretação:
   • Período de AMIZADE tem apenas 2.8% das mensagens
   • Média de comunicação 6.4x MAIOR após início do relacionamento
   • ⚠️ MISTURAR os dois períodos = VIÉS INEVITÁVEL
Warning🔍 Descoberta Crítica - Dataset Contém Dois Períodos Distintos

Divisão temporal identificada:

📅 ANTES de 16/dez/2024 (AMIZADE): - 2.588 mensagens (2.8% do total) - 57 dias de período - 45.4 msgs/dia em média - Comunicação esporádica, dias sem contato eram comuns

💕 DEPOIS de 16/dez/2024 (RELACIONAMENTO): - 89.336 mensagens (97.2% do total) - 309 dias de período - 289.1 msgs/dia em média - Aumento de 6.4x na comunicação!

Contexto do marco: - 16/dezembro/2024 = Primeiro encontro/beijo em Brasília - Marca transição de amizade para relacionamento - Mudança DRAMÁTICA no padrão de comunicação

Problema metodológico: - Misturar amizade + relacionamento = VIÉS INEVITÁVEL - Comportamentos são fundamentalmente diferentes - Análises temporais ficam CONTAMINADAS - Médias ficam DISTORCIDAS

Decisão: > FILTRAR análises de padrões temporais e de interação para pós 16/dez/2024 (relacionamento puro). Período de amizade será excluído para garantir consistência metodológica.

Impacto: - Dataset original: 91.924 mensagens - Dataset filtrado: 89.336 mensagens - Perda: Apenas 2.8% (marginal) - Ganho: Pureza analítica (crítico!)

8 Validação: “Nunca Ficaram Sem Falar”

Code 
# ============================================================================
# VALIDAÇÃO: "Nunca Ficaram Sem Falar" (Só Relacionamento)
# ============================================================================

print("\n" + "="*80)
print("🔍 VALIDAÇÃO - Hipótese 'Nunca Ficaram Sem Falar'")
print("="*80)

# Todos os dias no período de relacionamento
inicio = data_marco.date()
fim = df['timestamp'].max().date()
todos_dias = pd.date_range(inicio, fim, freq='D')

# Dias COM mensagem no relacionamento
dias_com_msg = set(msgs_pos['timestamp'].dt.date.unique())

# Dias SEM mensagem
dias_sem_msg = [dia.date() for dia in todos_dias if dia.date() not in dias_com_msg]

print(f"\n📊 Período de Relacionamento:")
print(f"   • Total de dias: {len(todos_dias)}")
print(f"   • Dias COM mensagem: {len(dias_com_msg)} ({len(dias_com_msg)/len(todos_dias)*100:.1f}%)")
print(f"   • Dias SEM mensagem: {len(dias_sem_msg)} ({len(dias_sem_msg)/len(todos_dias)*100:.1f}%)")

# Verifica se dias sem msg estão em encontros
if len(dias_sem_msg) > 0:
    print(f"\n📅 Dias SEM mensagem ({len(dias_sem_msg)}):")

    dias_sem_msg_info = []
    for dia in dias_sem_msg:
        em_encontro = False
        encontro_nome = None

        for _, enc in encontros_df.iterrows():
            if enc['inicio'].date() <= dia <= enc['fim'].date():
                em_encontro = True
                encontro_nome = enc['nome']
                break

        dias_sem_msg_info.append({
            'Data': dia,
            'Em Encontro': em_encontro,
            'Encontro': encontro_nome if em_encontro else 'Separados'
        })

    df_sem_msg = pd.DataFrame(dias_sem_msg_info)
    print(df_sem_msg.to_string(index=False))

    # Resumo
    total_sem_msg = len(dias_sem_msg)
    sem_msg_em_encontro = df_sem_msg['Em Encontro'].sum()
    sem_msg_separados = total_sem_msg - sem_msg_em_encontro

    print(f"\n📊 RESUMO:")
    print(f"   • Total de dias sem mensagem: {total_sem_msg}")
    print(f"   • Durante encontros: {sem_msg_em_encontro} ({sem_msg_em_encontro/total_sem_msg*100:.1f}%)")
    print(f"   • Quando separados: {sem_msg_separados} ({sem_msg_separados/total_sem_msg*100:.1f}%)")

    if sem_msg_separados == 0:
        print(f"\n✅ HIPÓTESE VALIDADA: 100% dos dias sem mensagem = Durante encontros!")
        print(f"   → NUNCA ficaram sem falar quando separados")
    else:
        print(f"\n⚠️ {sem_msg_separados} dia(s) sem mensagem quando separados - investigar!")
else:
    print(f"\n✅ ZERO dias sem mensagem no relacionamento!")

================================================================================
🔍 VALIDAÇÃO - Hipótese 'Nunca Ficaram Sem Falar'
================================================================================

📊 Período de Relacionamento:
   • Total de dias: 309
   • Dias COM mensagem: 301 (97.4%)
   • Dias SEM mensagem: 8 (2.6%)

📅 Dias SEM mensagem (8):
      Data  Em Encontro         Encontro
2025-04-18         True BSB (Abril-Maio)
2025-04-26         True BSB (Abril-Maio)
2025-05-20         True Letícia Sorocaba
2025-08-30         True   BSB (2 meses!)
2025-09-20         True   BSB (2 meses!)
2025-09-21         True   BSB (2 meses!)
2025-09-28         True   BSB (2 meses!)
2025-10-11         True   BSB (2 meses!)

📊 RESUMO:
   • Total de dias sem mensagem: 8
   • Durante encontros: 8 (100.0%)
   • Quando separados: 0 (0.0%)

✅ HIPÓTESE VALIDADA: 100% dos dias sem mensagem = Durante encontros!
   → NUNCA ficaram sem falar quando separados
Tip🎯 Validação - “Nunca Ficaram Sem Falar Quando Separados”

Hipótese testada: > Durante o relacionamento, nunca passaram um único dia sem trocar mensagens quando estavam separados.

Resultado da validação:

Período analisado: 16/dez/2024 → 11/out/2025 (309 dias)

Estatísticas: - 301 dias COM mensagem (97.4%) - 8 dias SEM mensagem (2.6%)

Dias sem mensagem identificados:

Data Contexto Encontro
18/abr/2025 Durante encontro BSB (Abril-Maio)
26/abr/2025 Durante encontro BSB (Abril-Maio)
20/mai/2025 Durante encontro Letícia Sorocaba
30/ago/2025 Durante encontro BSB (2 meses!)
20/set/2025 Durante encontro BSB (2 meses!)
21/set/2025 Durante encontro BSB (2 meses!)
28/set/2025 Durante encontro BSB (2 meses!)
11/out/2025 Durante encontro BSB (2 meses!)

Resultado: - ✅ 100% dos dias sem mensagem = Durante encontros presenciais - ✅ 0% quando separados

Interpretação:

Consistência absoluta: - Durante 309 dias de relacionamento à distância - ZERO dias sem comunicação quando separados - Único motivo para ausência de mensagens = presença física

Padrão identificado: - 5 dos 8 dias sem msg = Encontro longo (BSB 2 meses, 51 dias) - Dias sem msg nesse encontro = Momentos de total imersão no convívio - Mesmo durante encontros, comunicam 97% dos dias (118 msgs/dia)

Conclusão validada: > Relacionamento à distância opera com ZERO gaps de comunicação digital quando separados. WhatsApp funciona como canal constante de conexão emocional, substituído apenas por convívio presencial durante encontros.

Implicação para análise: - Gaps no timeline (>24h) = Sempre durante encontros ou pré-relacionamento - Feature em_encontro é ESSENCIAL - único preditor de ausência de comunicação - Relacionamento tem dois modos: Conexão digital constante ↔︎ Convívio presencial

9 Decisão Metodológica: Marcação de Períodos

Code 
# ============================================================================
# DECISÃO: Filtrar para Relacionamento (pós 16/dez/2024)
# ============================================================================

print("\n" + "="*80)
print("⚠️ DECISÃO METODOLÓGICA - Filtro de Relacionamento")
print("="*80)

print(f"\n🎯 Razões para filtrar:")
print(f"   1. Amizade ≠ Relacionamento (contextos diferentes)")
print(f"   2. Apenas 2.8% das mensagens (impacto marginal)")
print(f"   3. Média 6.4x diferente (45 vs 290 msgs/dia)")
print(f"   4. Evitar viés em análises temporais")
print(f"   5. Foco em relacionamento (objetivo do estudo)")

print(f"\n📊 Dataset ANTES do filtro:")
print(f"   • Mensagens: {len(df):,}")
print(f"   • Período: {df['timestamp'].min().date()} → {df['timestamp'].max().date()}")
print(f"   • Contexto: Amizade + Relacionamento (MISTURADO)")

# APLICA FILTRO
df_filtered = df[df['timestamp'] >= data_marco].copy()

print(f"\n📊 Dataset DEPOIS do filtro:")
print(f"   • Mensagens: {len(df_filtered):,}")
print(f"   • Período: {df_filtered['timestamp'].min().date()} → {df_filtered['timestamp'].max().date()}")
print(f"   • Contexto: Relacionamento PURO")
print(f"   • Removidas: {len(df) - len(df_filtered):,} mensagens de amizade")

print(f"\n✅ Filtro aplicado - dados prontos para exportação")

================================================================================
⚠️ DECISÃO METODOLÓGICA - Filtro de Relacionamento
================================================================================

🎯 Razões para filtrar:
   1. Amizade ≠ Relacionamento (contextos diferentes)
   2. Apenas 2.8% das mensagens (impacto marginal)
   3. Média 6.4x diferente (45 vs 290 msgs/dia)
   4. Evitar viés em análises temporais
   5. Foco em relacionamento (objetivo do estudo)

📊 Dataset ANTES do filtro:
   • Mensagens: 91,924
   • Período: 2024-10-19 → 2025-10-20
   • Contexto: Amizade + Relacionamento (MISTURADO)

📊 Dataset DEPOIS do filtro:
   • Mensagens: 89,336
   • Período: 2024-12-16 → 2025-10-20
   • Contexto: Relacionamento PURO
   • Removidas: 2,588 mensagens de amizade

✅ Filtro aplicado - dados prontos para exportação
Warning⚠️ Decisão Metodológica - Marcação de Períodos

Descoberta fundamental: > Dataset contém dois períodos com dinâmicas COMPLETAMENTE diferentes: Amizade (Out-15/Dez) e Relacionamento (16/Dez+).

Evidências da diferença:

  1. Contextos distintos: Amizade ≠ Relacionamento (intenções diferentes)
  2. Volume 6.4x diferente: 45 msgs/dia vs 290 msgs/dia
  3. Percentual: Apenas 2.8% das mensagens (57 dias)
  4. Impacto temporal: Out-Dez/2024 mistura preparação de viagem + primeiros dias juntos
  5. Objetivo do estudo: Foco em relacionamento à distância

Estatísticas comparativas:

AMIZADE (Out-15/Dez/2024): - 📊 Mensagens: 2.588 (2.8%) - 📅 Período: 57 dias - 💬 Média: 45.4 msgs/dia - 🏷️ Contexto: Preparação para viagem, amizade evoluindo

RELACIONAMENTO (16/Dez/2024+): - 📊 Mensagens: 89.336 (97.2%) - 📅 Período: 309 dias - 💬 Média: 289.1 msgs/dia - 🏷️ Contexto: Relacionamento à distância estabelecido

Decisão tomada: > ✅ MARCAR período com feature fase_relacionamento (Amizade | Relacionamento) > > ✅ EXPORTAR dataset COMPLETO (91.924 mensagens) > > ✅ Notebooks individuais decidem se filtram ou não

Razão da estratégia: - Análises temporais/interação: Filtrarão para relacionamento (padrões puros) - Análise de conteúdo: Usará todo período (estilo é mais estável) - Comparações: Possibilidade de comparar amizade vs relacionamento - Flexibilidade: Decisão por notebook, não irreversível

Uso da feature fase_relacionamento:

# Notebook 04 (temporal) - FILTRA
df_rel = df[df['fase_relacionamento'] == 'Relacionamento']

# Notebook 05 (interação) - FILTRA
df_rel = df[df['fase_relacionamento'] == 'Relacionamento']

# Notebook 06 (conteúdo) - USA TUDO
# (sem filtro - analisa todo período)

Notebooks que FILTRARÃO: - ✅ 05.1-eda-temporal.qmd (padrões temporais puros) - ✅ 05.2-eda-interacao.qmd (turnos/sequências puros)

Notebooks que USARÃO TUDO: - ✅ 03-eda-overview.qmd (pode decidir por seção) - ✅ 06-eda-conteudo.qmd (estilo comunicativo geral)

Por que NÃO eliminar: 1. Perda irreversível de dados 2. Análise de conteúdo precisa do período completo 3. Comparação amizade vs relacionamento valiosa 4. Feature permite flexibilidade total

10 Export Final

Code 
# ============================================================================
# PREPARAÇÃO PARA EXPORTAÇÃO - Dataset COMPLETO e ENXUTO
# ============================================================================

print("\n" + "="*80)
print("💾 PREPARAÇÃO PARA EXPORTAÇÃO")
print("="*80)

print("\n📋 Estratégia:")
print("   • Exportar TODAS as mensagens (91.924)")
print("   • Adicionar 'fase_relacionamento'")
print("   • Remover features redundantes/irrelevantes")
print("   • Manter apenas 6 features contextuais essenciais")

# ============================================================================
# 1. ADICIONA FEATURE DE FASE
# ============================================================================

print("\n" + "-"*80)
print("1️⃣ Adicionando 'fase_relacionamento'")
print("-"*80)

# Marca período (não remove!)
data_marco = pd.Timestamp('2024-12-16')

df['fase_relacionamento'] = df['timestamp'].apply(
    lambda x: 'Relacionamento' if x >= data_marco else 'Amizade'
)

print(f"\n✅ Feature 'fase_relacionamento' criada:")
contagem_fases = df['fase_relacionamento'].value_counts()
print(f"   • Amizade: {contagem_fases.get('Amizade', 0):,} mensagens")
print(f"   • Relacionamento: {contagem_fases.get('Relacionamento', 0):,} mensagens")

# ============================================================================
# 2. REMOVE COLUNAS INDESEJADAS
# ============================================================================

print("\n" + "-"*80)
print("2️⃣ Removendo colunas indesejadas")
print("-"*80)

# Todas as colunas a remover (redundantes + auxiliares)
colunas_remover = [
    # Redundantes/irrelevantes
    'local_encontro',      # Redundante com encontro_nome
    'tipo_encontro',       # Redundante com encontro_nome
    'dia_do_encontro',     # Pouco útil (durações diferentes)
    'eh_marco_especial',   # Irrelevante (0.4% msgs)
    'marco_nome',          # Irrelevante (N=3)
    # Auxiliares (temporárias)
    'data_msg',            # Criada só para merge
    'hora',                # Criada só para validação
    'dia_semana'           # Criada só para validação
]

# Remove se existirem
removidas = []
for col in colunas_remover:
    if col in df.columns:
        df = df.drop(columns=[col])
        removidas.append(col)

if removidas:
    print(f"\n✅ Removidas {len(removidas)} colunas:")
    for col in removidas:
        print(f"   ❌ {col}")
else:
    print(f"\n⚠️ Nenhuma coluna para remover (já removidas?)")

# ============================================================================
# 3. VALIDAÇÕES PRÉ-EXPORTAÇÃO
# ============================================================================

print("\n" + "-"*80)
print("3️⃣ Validações pré-exportação")
print("-"*80)

print(f"\n📊 Estatísticas do dataset:")
print(f"   • Total de mensagens: {len(df):,}")
print(f"   • Total de colunas: {len(df.columns)}")
print(f"   • Período: {df['timestamp'].min().date()} → {df['timestamp'].max().date()}")

print(f"\n📊 Distribuição por fase:")
for fase, count in df['fase_relacionamento'].value_counts().items():
    pct = count / len(df) * 100
    print(f"   • {fase}: {count:,} ({pct:.1f}%)")

print(f"\n🏷️ Features contextuais mantidas (6):")
features_contextuais = [
    'em_encontro',
    'fase_relacionamento',
    'encontro_id',
    'encontro_nome',
    'dias_desde_ultimo_encontro',
    'dias_ate_proximo_encontro'
]

for feat in features_contextuais:
    if feat in df.columns:
        n_validos = df[feat].notna().sum()
        pct = n_validos / len(df) * 100
        print(f"   ✅ {feat}: {n_validos:,} válidos ({pct:.1f}%)")
    else:
        print(f"   ❌ {feat}: FALTANDO!")

print(f"\n🔍 Validação de consistência:")

# Mensagens durante encontro NÃO devem ter dias_desde/ate
msgs_durante = df['em_encontro'].sum()
msgs_durante_com_dias_desde = df[df['em_encontro'] & df['dias_desde_ultimo_encontro'].notna()].shape[0]
msgs_durante_com_dias_ate = df[df['em_encontro'] & df['dias_ate_proximo_encontro'].notna()].shape[0]

if msgs_durante_com_dias_desde == 0 and msgs_durante_com_dias_ate == 0:
    print(f"   ✅ Mensagens durante encontro: {msgs_durante:,}")
    print(f"      → Nenhuma tem dias_desde/ate (CORRETO!)")
else:
    print(f"   ⚠️ PROBLEMA detectado:")
    print(f"      • Msgs durante com dias_desde: {msgs_durante_com_dias_desde}")
    print(f"      • Msgs durante com dias_ate: {msgs_durante_com_dias_ate}")

# Todas mensagens devem ter fase_relacionamento
msgs_sem_fase = df['fase_relacionamento'].isna().sum()
if msgs_sem_fase == 0:
    print(f"   ✅ Todas as mensagens têm 'fase_relacionamento'")
else:
    print(f"   ⚠️ {msgs_sem_fase} mensagens SEM fase_relacionamento!")

# Verifica tipos de dados
print(f"\n📊 Tipos de dados principais:")
print(f"   • timestamp: {df['timestamp'].dtype}")
print(f"   • em_encontro: {df['em_encontro'].dtype}")
print(f"   • fase_relacionamento: {df['fase_relacionamento'].dtype}")
print(f"   • encontro_id: {df['encontro_id'].dtype}")

# ============================================================================
# 4. LISTA FINAL DE COLUNAS
# ============================================================================

print("\n" + "-"*80)
print("4️⃣ Colunas no dataset final")
print("-"*80)

print(f"\n📋 Total de colunas: {len(df.columns)}\n")

print("Colunas CONTEXTUAIS (adicionadas neste notebook):")
for col in features_contextuais:
    if col in df.columns:
        print(f"   ✅ {col}")

print(f"\nColunas ORIGINAIS (do wrangling):")
for col in df.columns:
    if col not in features_contextuais:
        print(f"   • {col}")

# ============================================================================
# 5. EXPORTAÇÃO
# ============================================================================

print("\n" + "="*80)
print("💾 EXPORTANDO DATASET")
print("="*80)

df.to_parquet(OUTPUT_FILE, index=False)

print(f"\n✅ Exportação concluída!")
print(f"\n📁 Arquivo: {OUTPUT_FILE.name}")
print(f"📏 Tamanho: {OUTPUT_FILE.stat().st_size / 1024 / 1024:.2f} MB")

# ============================================================================
# 6. TESTE DE INTEGRIDADE
# ============================================================================

print("\n" + "-"*80)
print("6️⃣ Teste de integridade (releitura)")
print("-"*80)

df_test = pd.read_parquet(OUTPUT_FILE)

print(f"\n✅ Arquivo recarregado com sucesso!")
print(f"   • Mensagens: {len(df_test):,}")
print(f"   • Colunas: {len(df_test.columns)}")
print(f"   • Período: {df_test['timestamp'].min().date()} → {df_test['timestamp'].max().date()}")

# Valida features contextuais
print(f"\n🏷️ Features contextuais verificadas:")
for feat in features_contextuais:
    if feat in df_test.columns:
        print(f"   ✅ {feat}")
    else:
        print(f"   ❌ {feat} - FALTANDO!")

# Valida que colunas removidas não existem
print(f"\n🗑️ Colunas removidas verificadas:")
for col in colunas_remover:
    if col not in df_test.columns:
        print(f"   ✅ {col} - removida")
    else:
        print(f"   ⚠️ {col} - ainda presente!")

# ============================================================================
# 7. RESUMO FINAL
# ============================================================================

print("\n" + "="*80)
print("🎯 RESUMO FINAL - Dataset Exportado")
print("="*80)

print(f"\n📊 Estatísticas:")
print(f"   • Arquivo: {OUTPUT_FILE.name}")
print(f"   • Mensagens: {len(df_test):,} (período completo)")
print(f"   • Colunas: {len(df_test.columns)}")
print(f"   • Tamanho: {OUTPUT_FILE.stat().st_size / 1024 / 1024:.2f} MB")

print(f"\n📅 Período:")
print(f"   • Início: {df_test['timestamp'].min().date()}")
print(f"   • Fim: {df_test['timestamp'].max().date()}")
print(f"   • Dias: {(df_test['timestamp'].max() - df_test['timestamp'].min()).days + 1}")

print(f"\n🏷️ Contexto:")
print(f"   • Amizade: {(df_test['fase_relacionamento'] == 'Amizade').sum():,} msgs")
print(f"   • Relacionamento: {(df_test['fase_relacionamento'] == 'Relacionamento').sum():,} msgs")
print(f"   • Durante encontros: {df_test['em_encontro'].sum():,} msgs")
print(f"   • Separados: {(~df_test['em_encontro']).sum():,} msgs")

print(f"\n✅ Features contextuais (6):")
print(f"   1. em_encontro (boolean)")
print(f"   2. fase_relacionamento (string)")
print(f"   3. encontro_id (int)")
print(f"   4. encontro_nome (string)")
print(f"   5. dias_desde_ultimo_encontro (int/float)")
print(f"   6. dias_ate_proximo_encontro (int/float)")

print(f"\n🎯 Pronto para EDA!")
print(f"   → Notebooks seguintes: Carregar '{OUTPUT_FILE.name}'")
print(f"   → Dataset: COMPLETO (91.924 msgs, todo período)")
print(f"   → Decisão de filtro: Por notebook")

print("="*80)

================================================================================
💾 PREPARAÇÃO PARA EXPORTAÇÃO
================================================================================

📋 Estratégia:
   • Exportar TODAS as mensagens (91.924)
   • Adicionar 'fase_relacionamento'
   • Remover features redundantes/irrelevantes
   • Manter apenas 6 features contextuais essenciais

--------------------------------------------------------------------------------
1️⃣ Adicionando 'fase_relacionamento'
--------------------------------------------------------------------------------

✅ Feature 'fase_relacionamento' criada:
   • Amizade: 2,588 mensagens
   • Relacionamento: 89,336 mensagens

--------------------------------------------------------------------------------
2️⃣ Removendo colunas indesejadas
--------------------------------------------------------------------------------

✅ Removidas 8 colunas:
   ❌ local_encontro
   ❌ tipo_encontro
   ❌ dia_do_encontro
   ❌ eh_marco_especial
   ❌ marco_nome
   ❌ data_msg
   ❌ hora
   ❌ dia_semana

--------------------------------------------------------------------------------
3️⃣ Validações pré-exportação
--------------------------------------------------------------------------------

📊 Estatísticas do dataset:
   • Total de mensagens: 91,924
   • Total de colunas: 15
   • Período: 2024-10-19 → 2025-10-20

📊 Distribuição por fase:
   • Relacionamento: 89,336 (97.2%)
   • Amizade: 2,588 (2.8%)

🏷️ Features contextuais mantidas (6):
   ✅ em_encontro: 91,924 válidos (100.0%)
   ✅ fase_relacionamento: 91,924 válidos (100.0%)
   ✅ encontro_id: 13,432 válidos (14.6%)
   ✅ encontro_nome: 13,432 válidos (14.6%)
   ✅ dias_desde_ultimo_encontro: 76,042 válidos (82.7%)
   ✅ dias_ate_proximo_encontro: 78,464 válidos (85.4%)

🔍 Validação de consistência:
   ✅ Mensagens durante encontro: 13,432
      → Nenhuma tem dias_desde/ate (CORRETO!)
   ✅ Todas as mensagens têm 'fase_relacionamento'

📊 Tipos de dados principais:
   • timestamp: datetime64[us]
   • em_encontro: bool
   • fase_relacionamento: str
   • encontro_id: object

--------------------------------------------------------------------------------
4️⃣ Colunas no dataset final
--------------------------------------------------------------------------------

📋 Total de colunas: 15

Colunas CONTEXTUAIS (adicionadas neste notebook):
   ✅ em_encontro
   ✅ fase_relacionamento
   ✅ encontro_id
   ✅ encontro_nome
   ✅ dias_desde_ultimo_encontro
   ✅ dias_ate_proximo_encontro

Colunas ORIGINAIS (do wrangling):
   • timestamp
   • remetente
   • tipo_mensagem
   • grupo_mensagem
   • conteudo
   • arquivo
   • transcricao
   • date_match
   • dia_semana_num

================================================================================
💾 EXPORTANDO DATASET
================================================================================

✅ Exportação concluída!

📁 Arquivo: messages_with_context.parquet
📏 Tamanho: 2.16 MB

--------------------------------------------------------------------------------
6️⃣ Teste de integridade (releitura)
--------------------------------------------------------------------------------

✅ Arquivo recarregado com sucesso!
   • Mensagens: 91,924
   • Colunas: 15
   • Período: 2024-10-19 → 2025-10-20

🏷️ Features contextuais verificadas:
   ✅ em_encontro
   ✅ fase_relacionamento
   ✅ encontro_id
   ✅ encontro_nome
   ✅ dias_desde_ultimo_encontro
   ✅ dias_ate_proximo_encontro

🗑️ Colunas removidas verificadas:
   ✅ local_encontro - removida
   ✅ tipo_encontro - removida
   ✅ dia_do_encontro - removida
   ✅ eh_marco_especial - removida
   ✅ marco_nome - removida
   ✅ data_msg - removida
   ✅ hora - removida
   ✅ dia_semana - removida

================================================================================
🎯 RESUMO FINAL - Dataset Exportado
================================================================================

📊 Estatísticas:
   • Arquivo: messages_with_context.parquet
   • Mensagens: 91,924 (período completo)
   • Colunas: 15
   • Tamanho: 2.16 MB

📅 Período:
   • Início: 2024-10-19
   • Fim: 2025-10-20
   • Dias: 367

🏷️ Contexto:
   • Amizade: 2,588 msgs
   • Relacionamento: 89,336 msgs
   • Durante encontros: 13,432 msgs
   • Separados: 78,492 msgs

✅ Features contextuais (6):
   1. em_encontro (boolean)
   2. fase_relacionamento (string)
   3. encontro_id (int)
   4. encontro_nome (string)
   5. dias_desde_ultimo_encontro (int/float)
   6. dias_ate_proximo_encontro (int/float)

🎯 Pronto para EDA!
   → Notebooks seguintes: Carregar 'messages_with_context.parquet'
   → Dataset: COMPLETO (91.924 msgs, todo período)
   → Decisão de filtro: Por notebook
================================================================================

11 Conclusões

Important🎯 Conclusão - Contexto Externo Integrado e Dataset Enriquecido

Contexto externo mapeado com sucesso: - ✅ 10 encontros presenciais identificados (122 dias juntos = 33.2% do período) - ✅ Features de distância temporal criadas (dias_desde_ultimo_encontro, dias_ate_proximo_encontro) - ✅ Marcos especiais identificados (3 datas marcantes) - ✅ Período de amizade descoberto e marcado (Out-15/Dez/2024)

4 validações estatísticas confirmam impacto dramático do contexto:

1. Volume de Mensagens: - Separados: 372 msgs/dia - Juntos: 118 msgs/dia - Redução: -68.3% (p<0.001, t=-10.31) - ✅ Presença física reduz comunicação digital em mais de 2/3

2. Coincidência de Gaps: - Dias com <10 msgs: 28 dias - Coincidem com encontros: 26 dias (92.9%) - ✅ Timeline de mensagens = proxy de distância física

3. Padrão Horário: - Separados: Pico 19h (10.7%) - noturno - Juntos: Pico 12h (11.0%) - diurno - χ² = 5.467, p≈0 - ✅ Contexto inverte completamente o timing da comunicação

4. Padrão Semanal: - Separados: Uniforme (11-16% todos os dias) - Juntos: Segunda 26.8%, Sábado 3.3% (8x diferença!) - χ² = 3.867, p≈0 - ✅ Protocolo semanal muda radicalmente quando juntos

Descoberta crítica - Período pré-relacionamento: - Dataset contém 2 períodos: Amizade (2.8%, 57 dias) + Relacionamento (97.2%, 309 dias) - Média de comunicação 6.4x diferente (45 vs 290 msgs/dia) - ⚠️ Misturar = viés em análises temporais/interação

Validação “Nunca Ficaram Sem Falar”: - 309 dias de relacionamento - 301 dias COM mensagem (97.4%) - 8 dias SEM mensagem (2.6%) - ✅ 100% dos dias sem mensagem = Durante encontros! - ✅ ZERO dias sem falar quando separados

Decisão metodológica - Marcação de períodos: - ✅ Feature fase_relacionamento adicionada (Amizade | Relacionamento) - ✅ Dataset COMPLETO exportado (91.924 mensagens, todo período) - ✅ Notebooks individuais decidem se filtram ou não

Dataset exportado: - 📁 Arquivo: messages_with_context.parquet - 📊 Mensagens: 91.924 (período completo) - 📅 Período: 19/out/2024 → 20/out/2025 (367 dias) - 🏷️ Features contextuais: 11 (em_encontro, fase_relacionamento, dias_desde/ate, marcos, etc.)

Padrão identificado - DOIS PROTOCOLOS DE COMUNICAÇÃO:

Aspecto SEPARADOS (Conexão) JUNTOS (Coordenação)
Volume 372 msgs/dia (ALTO) 118 msgs/dia (-68%)
Timing Noturno (19h pico) Diurno (12h pico)
Semanal Uniforme (todos iguais) Segunda ALTA, fim de semana BAIXO
Função Canal PRINCIPAL Canal SECUNDÁRIO
Comportamento Conversas longas, emocionais Coordenação curta, prática

Estratégia de uso por notebook:

Notebooks que FILTRARÃO para relacionamento: - 📊 05.1-eda-temporal.qmd (padrões horários, evolução temporal - precisa pureza) - 💬 05.2-eda-interacao.qmd (turnos, sequências - precisa consistência)

Notebooks que USARÃO dataset completo: - 📋 03-eda-overview.qmd (pode decidir por seção - volume filtra, tipos usa tudo) - 📝 06-eda-conteudo.qmd (estilo é estável, quer comparar amizade vs relacionamento)

Vantagens da estratégia: - ✅ Flexibilidade total (cada notebook decide) - ✅ Sem perda irreversível de dados - ✅ Permite comparações amizade vs relacionamento - ✅ Análise de conteúdo completa

Implicação para análises seguintes: > em_encontro é um SWITCH de protocolo que muda volume, timing, frequência e função. fase_relacionamento permite separar dinâmicas de amizade vs relacionamento. Modelos que ignoram contexto externo perdem 68% da variância.

Próximos notebooks: - Carregarão messages_with_context.parquet (COMPLETO, 91.924 msgs) - Decidirão individualmente se filtram para relacionamento - Trabalharão com dados enriquecidos, validados e flexíveis

✅ Dataset completo, enriquecido e pronto para EDA!

12 PRINCIPAIS DESCOBERTAS - Em Português Claro 🎯

  1. Quando estão juntos fisicamente:

Volume de mensagens CAI 68% (372 → 118 msgs/dia) Mudam horário: param de falar à NOITE (19h) e passam para MEIO-DIA (12h) Segunda explode (26.8%), fim de semana some (3-7%) WhatsApp vira só coordenação (“onde vamos almoçar?”)

  1. Quando estão separados:

372 msgs/dia (falam o dia TODO) Pico NOTURNO (19h - contam sobre o dia) Todos os dias iguais (não muda fim de semana) WhatsApp = canal PRINCIPAL do relacionamento

  1. Gaps no WhatsApp:

93% coincidem com encontros presenciais Timeline de mensagens = proxy perfeito de distância física

  1. Nunca ficaram sem falar:

309 dias de relacionamento ZERO dias sem mensagem quando separados 8 dias sem msg = 100% durante encontros

  1. Antes do relacionamento:

Amizade: 45 msgs/dia Relacionamento: 290 msgs/dia 6.4x MAIS comunicação após ficarem juntos

TL;DR: > > - Presença física = -68% mensagens. > - WhatsApp quando separados = conexão emocional noturna. > - WhatsApp quando juntos = coordenação diurna. > - Nunca ficaram sem falar quando longe. 🔥 >