大数据毕业设计：租房推荐系统 python 租房大数据 爬虫+可视化大屏 计算机毕业设计（附源码+文档）✅

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、项目介绍

技术栈：
租房大数据分析可视化平台 毕业设计 python 爬虫 推荐系统

Django框架、vue前端框架、scrapy爬虫、贝壳租房网
租房大数据分析可视化平台是一个基于Django框架和vue前端框架开发的系统，使用scrapy爬虫技术从贝壳租房网上获取租房数据，并通过数据分析和可视化技术展示给用户。

该系统的主要功能包括：

  1. 数据爬取：使用scrapy爬虫技术从贝壳租房网上获取租房数据，包括房源信息、租金、位置等。

  2. 数据存储：将爬取到的租房数据存储到数据库中，方便后续的数据分析和展示。

  3. 数据分析：对爬取到的租房数据进行分析，包括租金分布、地理位置分布、房屋面积分布等。

  4. 可视化展示：将数据分析的结果通过图表、地图等形式展示给用户，方便用户了解租房市场的情况。

  5. 推荐系统：根据用户的需求和偏好，通过数据分析和机器学习算法为用户推荐符合其需求的租房信息。

通过该系统，用户可以方便地了解租房市场的情况，包括租金水平、地理位置分布等，同时还可以根据自己的需求和偏好获取个性化的租房推荐。

2、项目界面

（1）租房数据可视化大屏

在这里插入图片描述

（2）租房推荐

在这里插入图片描述

（3）租房数据详情页
在这里插入图片描述

（4）房屋数据

在这里插入图片描述

（5）注册登录界面

在这里插入图片描述

（6）数据爬取页面

在这里插入图片描述

3、项目说明

租房大数据分析可视化平台是一个基于Django框架和vue前端框架开发的系统，使用scrapy爬虫技术从贝壳租房网上获取租房数据，并通过数据分析和可视化技术展示给用户。

该系统的主要功能包括：

  1. 数据爬取：使用scrapy爬虫技术从贝壳租房网上获取租房数据，包括房源信息、租金、位置等。

  2. 数据存储：将爬取到的租房数据存储到数据库中，方便后续的数据分析和展示。

  3. 数据分析：对爬取到的租房数据进行分析，包括租金分布、地理位置分布、房屋面积分布等。

  4. 可视化展示：将数据分析的结果通过图表、地图等形式展示给用户，方便用户了解租房市场的情况。

  5. 推荐系统：根据用户的需求和偏好，通过数据分析和机器学习算法为用户推荐符合其需求的租房信息。

通过该系统，用户可以方便地了解租房市场的情况，包括租金水平、地理位置分布等，同时还可以根据自己的需求和偏好获取个性化的租房推荐。

4、核心代码

python">
from .models import *
import json
from django.http.response import HttpResponse
from django.shortcuts import render
from django.http import JsonResponse
from datetime import datetime, time
from django.core.paginator import Paginator
from django.db.models import Q
import simplejson
from collections import Counter
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from pyecharts.charts import Map, Grid, Bar, Line, Pie, TreeMap
from pyecharts.faker import Faker
from pyecharts.commons.utils import JsCode
from pyecharts.options.charts_options import MapItem
from django.db.models import Q, Count, Avg, Min, Max


def to_dict(l, exclude=tuple()):
    # 将数据库模型 变为 字典数据 的工具类函数
    def transform(v):
        if isinstance(v, datetime):
            return v.strftime("%Y-%m-%d %H:%M:%S")
        return v

    def _todict(obj):
        j = {
            k: transform(v)
            for k, v in obj.__dict__.items()
            if not k.startswith("_") and k not in exclude
        }
        return j

    return [_todict(i) for i in l]


def unique_fields(request):
    body = request.json
    field = body.get("field")
    data = [i[0] for i in Rental.objects.values_list(field).distinct()]
    return JsonResponse(data, safe=False)


def get_list(request):
    # 列表
    body = request.json
    pagesize = body.get("pagesize", 10)
    page = body.get("page", 1)
    orderby = body.get("orderby", "-id")
    notin = ["pagesize", "page", "total", "orderby"]
    query = {
        k: v for k, v in body.items() if k not in notin and (v != "" and v is not None)
    }
    q = Q(**query)
    objs = Rental.objects.filter(q).order_by(orderby)
    paginator = Paginator(objs, pagesize)
    pg = paginator.page(page)
    result = to_dict(pg.object_list)
    return JsonResponse(
        {
            "total": paginator.count,
            "result": result,
        }
    )


def get_detail(request):
    # 详情
    body = request.json
    id = body.get("id")
    o = Rental.objects.get(pk=id)
    his = History.objects.filter(userId=request.user.id).order_by("-createTime").first()
    if not (his and his.rentalId == o.id):
        History(userId=request.user.id, rentalId=o.id).save()
    return JsonResponse(to_dict([o])[0])


def history_recommand(request):
    rentalIds = (
        History.objects.filter(userId=request.user.id)
        .values_list("rentalId")
        .distinct()
    )
    rentals = []
    # 根据历史查看记录推荐
    if rentalIds:
        rentalIds = [i[0] for i in rentalIds]
        location = [
            i[0]
            for i in Rental.objects.filter(id__in=rentalIds).values_list("location")
        ]
        locations = ["-".join(i.split("-")[:2]) for i in location]
        most_common_cates = list(dict(Counter(locations).most_common(2)).keys())
        q = Q()
        for i in most_common_cates:
            q |= Q(location__icontains=i)
        rentals = Rental.objects.filter(q).order_by("?")[:5]
    # 没有记录则随机推荐
    else:
        rentals = Rental.objects.order_by("?")[:5]
    return JsonResponse(to_dict(rentals), safe=False)


def type_pie(request):
    data = {
        i["type"]: i["count"]
        for i in Rental.objects.values("type").annotate(count=Count("id"))
        if "租" in i["type"]
    }
    # 用饼图展示数据
    c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
        .add(
            "",
            list(data.items()),
            label_opts=opts.LabelOpts(is_show=False),
            radius=["40%", "75%"],
        )
        .set_global_opts(
            title_opts=opts.TitleOpts(title="租房类型统计", pos_left="40%"),
            legend_opts=opts.LegendOpts(
                type_="scroll", pos_right="80%", orient="vertical"
            ),
        )
    )
    # 返回数据
    return HttpResponse(c.dump_options(), content_type="application/json")


def orientation_map(request):
    data = [
        {"name": i["orientation"], "value": i["count"]}
        for i in Rental.objects.values("orientation").annotate(count=Count("id"))
    ]

    # 用饼图展示数据
    c = (
        TreeMap(init_opts=opts.InitOpts(width="1280px", height="720px"))
        .add(
            series_name="option",
            data=data,
            visual_min=300,
            leaf_depth=1,
            # 标签居中为 position = "inside"
            label_opts=opts.LabelOpts(position="inside"),
        )
        .set_global_opts(
            legend_opts=opts.LegendOpts(is_show=False),
            title_opts=opts.TitleOpts(title="房屋朝向分析", pos_left="leafDepth"),
        )
    )
    # 返回数据
    return HttpResponse(c.dump_options(), content_type="application/json")


def level_bar(request):
    data = {
        i["level"]: i["count"]
        for i in Rental.objects.values("level").annotate(count=Count("id"))
        if i["level"]
    }

    # 用柱状图展示统计数据
    c = (
        Bar()
        .add_xaxis([i[0] for i in data.items()])
        .add_yaxis(
            "",
            [i[1] for i in data.items()],
            label_opts=opts.LabelOpts(is_show=False),
            bar_max_width=50,
        )
        .reversal_axis()
        .set_global_opts(
            title_opts=opts.TitleOpts(title="楼层类型分析"),
            # datazoom_opts=opts.DataZoomOpts(orient="vertical"),
            yaxis_opts=opts.AxisOpts(
                type_="category",
                axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"),
            ),
        )
    )
    # 返回数据
    return HttpResponse(c.dump_options(), content_type="application/json")


def price_bar(request):
    data = {}
    data["1000以下"] = Rental.objects.filter(price__lte=1000).count()
    data["1000-2000"] = Rental.objects.filter(price__gte=1000, price__lte=2000).count()
    data["2000-3000"] = Rental.objects.filter(price__gte=2000, price__lte=3000).count()
    data["3000-4000"] = Rental.objects.filter(price__gte=3000, price__lte=4000).count()
    data["4000-5000"] = Rental.objects.filter(price__gte=4000, price__lte=5000).count()
    data["5000-6000"] = Rental.objects.filter(price__gte=5000, price__lte=6000).count()
    data["6000-7000"] = Rental.objects.filter(price__gte=6000, price__lte=7000).count()
    data["7000以上"] = Rental.objects.filter(price__gte=7000).count()

    # 用柱状图展示统计数据
    c = (
        Bar()
        .add_xaxis([i[0] for i in data.items()])
        .add_yaxis(
            "",
            [i[1] for i in data.items()],
            label_opts=opts.LabelOpts(is_show=False),
            bar_max_width=50,
            color="#5689ff",
        )
        .set_global_opts(
            title_opts=opts.TitleOpts(title="房源价格分布"),
            # datazoom_opts=opts.DataZoomOpts(orient="vertical"),
            xaxis_opts=opts.AxisOpts(
                type_="category",
                axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"),
            ),
        )
    )
    # 返回数据
    return HttpResponse(c.dump_options(), content_type="application/json")


def province_map(request):
    data = {
        i["province"] + "省": i["count"]
        for i in Rental.objects.values("province").annotate(count=Count("id"))
    }
    dd = [MapItem(name=i[0], value=i[1]) for i in data.items()]
    m = (
        Map()
        .add("房源数量", dd, "china", is_roam=False, is_map_symbol_show=False)
        .set_global_opts(
            title_opts=opts.TitleOpts(
                title="房源数量分布",
            ),
            visualmap_opts=opts.VisualMapOpts(
                max_=1000,
                is_piecewise=False,
            ),
            legend_opts=opts.LegendOpts(
                is_show=False, textstyle_opts=opts.TextStyleOpts(color="white")
            ),
        )
    )
    return HttpResponse(m.dump_options(), content_type="aplication/text")

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻


http://www.niftyadmin.cn/n/5305789.html

相关文章

简易留言板功能

简易留言板功能

在Web开发中，留言板是一个常见的功能，它允许用户在网站上留下他们的信息或反馈。虽然现在有很多现成的留言板解决方案，但了解如何从头开始实现它仍然很有价值。本文将引导您逐步实现一个简易的留言板功能，只使用JavaScript、HTML和…
阅读更多...
Unity3D DOTS如何基于ECS的骨骼动画播放与切换 详解

Unity3D DOTS如何基于ECS的骨骼动画播放与切换 详解

前言 Unity3D DOTS（Data-Oriented Technology Stack）是Unity引擎的一套新的技术堆栈，旨在优化游戏的性能和可伸缩性。其中，ECS（Entity Component System）是一种新的编程模型，用于处理游戏中的实…
阅读更多...
java基础之---动态代理

java基础之---动态代理

1、代理是什么？ 在不改变源代码的情况下，对类进行了功能等扩展。在代理类的前后方法添加任何你想要添加的内容。 2、静态代理跟动态代理区别 静态代理是在编译期确定。 动态代理需要在运行期确定的。反射是动态代理的一种。经常被用在框架中&#xff…
阅读更多...
MyBatis自定义类型处理器 TypeHandler（通俗易懂，效率起飞），处理jsonb、数组、枚举类型。支持MybatisPlus

MyBatis自定义类型处理器 TypeHandler（通俗易懂，效率起飞），处理jsonb、数组、枚举类型。支持MybatisPlus

一 使用场景 在项目开发过程中，我们经常遇到这样的情况：Java 对象中的数据类型与数据库中的字段类型不一致。这时，我们需要在保存数据到数据库和从数据库检索数据时进行类型转换。例如： 对于一些数据库特有的数据类型&#xff0…
阅读更多...
【Electron】Vite+Ts 项目内配置路径别名 “@/“

【Electron】Vite+Ts 项目内配置路径别名 “@/“

如果你在Vite项目内使用绝对路径 "/" 出现这样报错 [plugin:vite:import-analysis] Failed to resolve import "/components/HelloWorld.vue" from "src\App.vue". Does the file exist? C:/Users/ttatt/Desktop/te/getLive/gitee/webElectron/…
阅读更多...
Ubuntu 安装MySQL以及基本使用

Ubuntu 安装MySQL以及基本使用

前言 MySQL是一个开源数据库管理系统，通常作为流行的LAMP（Linux，Apache，MySQL，PHP / Python / Perl）堆栈的一部分安装。它使用关系数据库和SQL（结构化查询语言）来管理其数据。 安装…
阅读更多...
OpenVPN - 从源码构建openvpn的rpm包步骤（未完待续）

OpenVPN - 从源码构建openvpn的rpm包步骤（未完待续）

centos安装rpm-build yum install -y rpm-build 从openvpn官网下载源码：我以下载openvpn-2.5.8.tar.gz为例 参考网址：https://openvpn.net/community-resources/installing-openvpn/ openvpn-2.5.8.tar.gz放置在rpmbuild/SOURCES路径下 目录如下&…
阅读更多...
基于群居蜘蛛算法优化的Elman神经网络数据预测 - 附代码

基于群居蜘蛛算法优化的Elman神经网络数据预测 - 附代码

基于群居蜘蛛算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于群居蜘蛛算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于群居蜘蛛优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&…
阅读更多...
最新文章

Copyright @ 2022~2023