feat: auto download

app.py

@@ -3,15 +3,18 @@ TODO
 """
 # 首先计算相对路径
 from pathlib import Path
+import os
+import urllib.request, zipfile
+import streamlit as st
+
 this_file = Path(__file__).resolve()
 this_directory = this_file.parent
+# 数据集文件夹路径
 data_cangzhou_folder = this_directory / "data/Cangzhou"
 data_static_folder = data_cangzhou_folder / "static"
 
-print(f"当前文件路径：{this_file}")
-print(f"当前文件夹路径：{this_directory}")
-print(f"ls .: {os.listdir(this_directory)}")
-print(f"ls data/Cangzhou: {os.listdir(data_cangzhou_folder)}")
+
+
 
 # 数据文件夹路径（静态数据）
 data_folder = data_static_folder
@@ -19,18 +22,32 @@ data_folder = data_static_folder
 # 然后
 import streamlit as st
 import pandas as pd
-import os
 from datetime import datetime
-
 import plotly.graph_objects as go
 import plotly.express as px
 
 # 设置页面配置为宽屏模式，以便能同时显示三个图表
 st.set_page_config(layout="wide")
 
+
+
+
 # 设置应用标题，参考数据集介绍，反映作业要求
 st.title("S&M-HSTPM2d5数据集可视化——清华大学数据可视化课程作业1")
 
+
+# 如果 data/Cangzhou 目录不存在，则下载并解压数据集
+if not (data_cangzhou_folder).exists():
+    st.info("Cangzhou 数据集不存在，正在下载中，请耐心等待……")
+    url = "https://zenodo.org/records/4028130/files/Cangzhou.zip?download=1"
+    local_zip = this_directory / "Cangzhou.zip"
+    urllib.request.urlretrieve(url, str(local_zip))
+    with zipfile.ZipFile(str(local_zip), "r") as zip_ref:
+         zip_ref.extractall(path=str(this_directory / "data"))
+    st.success("Cangzhou 数据集下载并解压完成！")
+    st.rerun()
+
+st.markdown("叶璨铭，2024214500，[email protected]")
 # 创建三个等宽的列，分别展示图(a)、图(b)和图(c)
 col1, col2, col3 = st.columns(3)
 
@@ -51,7 +68,7 @@ with col1:
         st.markdown("1. 使用 static 文件夹中的 .csv 文件，并筛选出时间戳在 2019-01-01 00:00:00 到 2019-01-01 12:00:00 之间的数据。")
         st.markdown("2. X 轴和 Y 轴分别表示时间和 PM2.5 浓度水平。")
         st.markdown("3. 为每个静态传感器绘制一条折线，并用不同颜色进行区分。")
-
+        
     # 定义过滤时间段
     start_dt = datetime(2019, 1, 1, 0, 0, 0)
     end_dt = datetime(2019, 1, 1, 12, 0, 0)
@@ -75,7 +92,7 @@ with col1:
                        labels={"variable": "传感器", "value": "PM2.5", "index": "时间"})
     fig_line.update_layout(xaxis_title="时间", yaxis_title="PM2.5水平")
     st.plotly_chart(fig_line, use_container_width=True)
-
+    
     with st.expander("详细说明"):
         st.markdown("**描述：** 本图展示了各静态传感器在2019年1月1日0:00至12:00期间的PM2.5浓度随时间变化的趋势。横轴表示时间，纵轴表示PM2.5数值，不同折线代表不同传感器的数据。")
         st.markdown("**解读：** 曲线波动反映了空气质量的时段变化，峰值可能预示短期污染事件，而持续低值表明空气较为清洁。传感器数据对比有助于区域污染差异的分析。")
@@ -144,7 +161,6 @@ with col2:
         st.markdown("**描述：** 本图利用Mobile文件夹中的CSV数据，在2019年1月2日10:00至10:20期间展示车辆传感器的位置分布。横轴表示经度，纵轴表示纬度，不同颜色代表不同传感器。")
         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): 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）3D直方图：展示整个城市在特定时段内的PM2.5分布")
@@ -152,7 +168,7 @@ with col3:
         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)