feat: 第三题基本完成

app.py

@@ -77,7 +77,7 @@ with col1:
     
 # 图(b): 车辆移动散点图（移动传感器数据）
 with col2:
-    st.header("(b) A Scatter Plot that shows how vehicles carrying mobile sensors move in the city.")
+    st.header("（b）散点图：展示车辆搭载移动传感器在城市中的移动情况")
     with st.expander("绘制要求"):
         st.markdown("1. 使用 mobile 文件夹中的 .csv 文件，并筛选出时间戳在 2019-01-02 10:00:00 到 2019-01-02 10:20:00 之间的数据。")
         st.markdown("2. X 轴和 Y 轴分别表示经度和纬度。")
@@ -140,10 +140,70 @@ with col2:
         st.markdown("**解读：** 通过调整散点透明度（早期数据较透明），图中显示了车辆移动的时间演变趋势，为探索城市中车辆行驶路径提供依据。")
 
 
-# 图(c): 第三个图表（预留，用于展示其他分析）
+# 图(c): 3D直方图——展示整个城市在特定时段内的PM2.5分布
 with col3:
-    st.header("(c) [预留] 第三个图表")
+    st.header("（c）3D直方图：展示整个城市在特定时段内的PM2.5分布")
+    with st.expander("绘制要求"):
+        st.markdown("1. 使用 mobile 和 static 文件夹中的 .csv 文件，并筛选出时间戳在 2019-01-01 09:00:00 到 2019-01-01 09:10:00 之间的数据。")
+        st.markdown("2. 将数据的GPS坐标转换为网格坐标（例如采用 0.01 度的分辨率），并在相同网格内聚合数据。")
+        st.markdown("3. X 轴、Y 轴和 Z 轴分别表示经度、纬度和PM2.5数值。")
+
+    # 定义过滤时间段
+    start_c = datetime(2019, 1, 1, 9, 0, 0)
+    end_c = datetime(2019, 1, 1, 9, 10, 0)
+    
+    # 读取 static 文件夹中的 CSV 文件数据
+    csv_files_static = [f for f in os.listdir(data_folder) if f.endswith('.csv')]
+    data_list = []
+    for file in csv_files_static:
+        file_path = os.path.join(data_folder, file)
+        df = load_and_filter_data(file_path, start_c, end_c)
+        if not df.empty:
+            data_list.append(df)
+    
+    # 读取 mobile 文件夹中的 CSV 文件数据
+    csv_files_mobile = [f for f in os.listdir(str(this_directory / "data/Cangzhou/Mobile")) if f.endswith('.csv')]
+    mobile_folder = str(this_directory / "data/Cangzhou/Mobile")
+    for file in csv_files_mobile:
+        file_path = os.path.join(mobile_folder, file)
+        df = load_and_filter_data(file_path, start_c, end_c)
+        if not df.empty:
+            data_list.append(df)
+    
+    # 合并所有数据
+    if data_list:
+        df_all = pd.concat(data_list, ignore_index=True)
+    else:
+        df_all = pd.DataFrame(columns=["timestamp", "pm2d5", "lat", "lon"])
+    
+    # 将 GPS 坐标转换为网格坐标（采用 0.01 度分辨率）
+    resolution = 0.01
+    df_all["lon_grid"] = df_all["lon"].round(2)
+    df_all["lat_grid"] = df_all["lat"].round(2)
+    
+    # 聚合每个网格内的PM2.5数据（计算平均值）
+    df_group = df_all.groupby(["lon_grid", "lat_grid"]).agg({"pm2d5": "mean"}).reset_index()
+    
+    # 绘制3D直方图：由于 Plotly 不支持原生 Bar3d，这里采用 3D 表面图展示网格数据
+    # 将聚合数据转换为适合表面图的矩阵
+    if not df_group.empty:
+        pivot = df_group.pivot(index="lat_grid", columns="lon_grid", values="pm2d5")
+        pivot = pivot.fillna(0)
+        # 创建3D表面图，x轴为经度、y轴为纬度、z轴为PM2.5平均值
+        fig3 = go.Figure(data=[go.Surface(z=pivot.values, x=pivot.columns, y=pivot.index, colorscale='Viridis')])
+    else:
+        fig3 = go.Figure()
+    fig3.update_layout(
+        scene=dict(
+            xaxis_title="经度",
+            yaxis_title="纬度",
+            zaxis_title="PM2.5"
+        ),
+        title="PM2.5分布3D表面图"
+    )
+    st.plotly_chart(fig3, use_container_width=True)
+    
     with st.expander("详细说明"):
-        st.markdown("**描述：** 此图为预留图表，可用于展示PM2.5分布或其他数据分析结果。")
-        st.markdown("**解读：** 后续将根据数据分析补充图表内容及详细解释。")
-    st.write("在这里添加您的第三个图表")
+        st.markdown("**描述：** 本图通过汇总 mobile 和 static 两种传感器数据，展示了 2019-01-01 09:00 至 09:10 期间整个城市内PM2.5浓度的分布。")
+        st.markdown("**解读：** 基于GPS坐标转换为网格坐标后，对相同网格中的数据进行聚合，直观展示不同区域的空气质量水平，从而为进一步的环境分析提供参考。")
+