Update app.py

app.py

@@ -6,13 +6,13 @@ import requests
 import json
 from datetime import datetime
 
-# تنظیمات صفحه
+# تنظیمات اولیه
 st.set_page_config(page_title="تجزیه و تحلیل سری زمانی", layout="wide")
 
 # تابع برای خواندن داده‌ها
 @st.cache_data
 def load_data():
-    # اینجا می‌توانید داده‌ها را از Hugging Face بارگیری کنید یا از یک فایل CSV استفاده کنید
+    # اینجا می‌توانید داده‌ها را از Hugging Face بارگذاری کنید
     data = pd.read_json("tableConvert.com_w440rj.json")
     data['Date'] = pd.to_datetime(data['Date'] + ' ' + data['time'])
     data.drop(columns=['time'], inplace=True)
@@ -23,24 +23,29 @@ def get_weather_forecast(api_key, lat, lon):
     url = f"http://api.openweathermap.org/data/2.5/forecast?lat={lat}&lon={lon}&appid={api_key}&units=metric"
     response = requests.get(url)
     data = response.json()
-    forecast = pd.DataFrame(data['list'])
-    forecast['dt_txt'] = pd.to_datetime(forecast['dt_txt'])
-    forecast = forecast[['dt_txt', 'main.temp']]
-    forecast.rename(columns={'dt_txt': 'Date', 'main.temp': 'T[°C]'}, inplace=True)
-    return forecast
+    forecast = []
+    for item in data['list']:
+        forecast.append({
+            'Date': datetime.fromtimestamp(item['dt']),
+            'Temperature': item['main']['temp'],
+            'Humidity': item['main']['humidity'],
+            'Wind Speed': item['wind']['speed'],
+            'Weather': item['weather'][0]['description']
+        })
+    return pd.DataFrame(forecast)
 
-# بارگیری داده‌ها
+# بارگذاری داده‌ها
 data = load_data()
 
 # صفحه اصلی
-st.title("تجزیه و تحلیل سری زمانی دما")
+st.title("تجزیه و تحلیل سری زمانی")
 
 # نمایش داده‌ها به صورت جدول
 st.subheader("داده‌ها")
 st.write(data)
 
-# فیلترهای سریع
-st.sidebar.subheader("فیلترها")
+# فیلترها
+st.sidebar.header("فیلترها")
 start_date = st.sidebar.date_input("تاریخ شروع", data['Date'].min())
 end_date = st.sidebar.date_input("تاریخ پایان", data['Date'].max())
 filtered_data = data[(data['Date'] >= pd.to_datetime(start_date)) & (data['Date'] <= pd.to_datetime(end_date))]
@@ -49,35 +54,35 @@ filtered_data = data[(data['Date'] >= pd.to_datetime(start_date)) & (data['Date'
 st.subheader("داده‌های فیلتر شده")
 st.write(filtered_data)
 
-# نمودار خطی تغییرات دما
-st.subheader("نمودار خطی تغییرات دما")
+# نمودار خطی
+st.subheader("نمودار خطی دما در طول زمان")
 fig = px.line(filtered_data, x='Date', y='T[°C]', title='تغییرات دما در طول زمان')
 st.plotly_chart(fig)
 
-# هیستوگرام توزیع دما
-st.subheader("هیستوگرام توزیع دما")
-fig_hist = px.histogram(filtered_data, x='T[°C]', nbins=20, title='توزیع دما')
-st.plotly_chart(fig_hist)
+# هیستوگرام
+st.subheader("هیستوگرام دما")
+fig = px.histogram(filtered_data, x='T[°C]', nbins=20, title='توزیع دما')
+st.plotly_chart(fig)
 
-# تحلیل آماری
-st.subheader("تحلیل آماری")
+# تجزیه و تحلیل آماری
+st.subheader("تجزیه و تحلیل آماری")
 st.write(f"میانگین دما: {filtered_data['T[°C]'].mean():.2f} °C")
 st.write(f"حداقل دما: {filtered_data['T[°C]'].min()} °C")
 st.write(f"حداکثر دما: {filtered_data['T[°C]'].max()} °C")
 st.write(f"انحراف معیار دما: {filtered_data['T[°C]'].std():.2f}")
 
 # پیش‌بینی با استفاده از OpenWeatherMap API
-st.subheader("پیش‌بینی دما برای 5 روز آینده")
+st.subheader("پیش‌بینی آب و هوا")
 api_key = "ed47316a45379e2221a75f813229fb46"
 lat = 31.534442
 lon = 48.724416
-forecast = get_weather_forecast(api_key, lat, lon)
-st.write(forecast)
+forecast_data = get_weather_forecast(api_key, lat, lon)
+st.write(forecast_data)
 
 # نمودار پیش‌بینی
 st.subheader("نمودار پیش‌بینی دما")
-fig_forecast = px.line(forecast, x='Date', y='T[°C]', title='پیش‌بینی دما برای 5 روز آینده')
-st.plotly_chart(fig_forecast)
+fig = px.line(forecast_data, x='Date', y='Temperature', title='پیش‌بینی دما برای 5 روز آینده')
+st.plotly_chart(fig)
 
 # ذخیره گزارش
 st.subheader("ذخیره گزارش")