# 数据分析应用功能扩展计划

## 功能扩展概述

为现有分捡磅秤数据分析应用添加以下功能：
1. 识别并提取count_in_range数据的所有极大值点
2. 记录每个极值点的精确时间戳
3. 统计每个极值点的超下限、范围内和超上限数值
4. 计算每个极值点的合格率
5. 计算整体查询时间范围内的合格率
6. 以表格形式呈现所有统计数据

## 技术实现计划

### 1. 扩展数据处理服务

**修改文件**：`app/services/data_processing_service.py`

**添加功能**：
- `identify_local_maxima` 方法：识别count_in_range数据的所有极大值点
- `calculate_pass_rate` 方法：计算每个数据点的合格率
- `calculate_overall_pass_rate` 方法：计算整体合格率
- `analyze_extreme_points` 方法：整合极值点分析和统计

### 2. 扩展Streamlit仪表盘

**修改文件**：`dashboard.py`

**添加功能**：
- 在数据查询结果处理后调用新的分析方法
- 添加"极值点分析"部分，展示极值点表格
- 在数据概览中添加整体合格率指标
- 优化表格展示，确保数据清晰易读

### 3. 具体实现细节

#### 极值点识别算法
- 使用滑动窗口方法识别局部极大值
- 比较每个数据点与其前后相邻点的值
- 提取所有满足极大值条件的数据点

#### 合格率计算
- 计算公式：合格率 = (count_in_range ÷ (count_under + count_in_range + count_over)) × 100%
- 确保所有计算结果保留两位小数
- 处理除数为零的情况

#### 数据展示
- 使用Streamlit的`st.dataframe`展示极值点分析结果
- 表格包含以下列：时间戳、超下限数值、范围内数值、超上限数值、合格率
- 添加数据排序和筛选功能

## 开发步骤

1. **修改数据处理服务**
   - 添加极值点识别方法
   - 添加合格率计算方法
   - 测试新功能的正确性

2. **修改Streamlit仪表盘**
   - 集成新的分析功能
   - 添加极值点分析结果展示
   - 优化用户界面布局

3. **功能测试**
   - 测试极值点识别的准确性
   - 验证合格率计算的正确性
   - 测试不同时间范围的数据处理

4. **性能优化**
   - 优化极值点识别算法，提高处理速度
   - 确保大数据集下的应用响应速度

## 预期成果

- 功能完整的极值点分析和合格率计算功能
- 清晰易读的统计数据表格
- 与现有应用无缝集成的用户界面
- 高性能的数据处理能力