毕业设计汽车智能推荐与数据可视化系统 Django框架 可视化 协同过滤算法 数据分析 大数据 机器学习（建议收藏）✅

1、项目介绍

技术栈
python语言，mysql数据库，django框架，echarts可视化，两种协同过滤推荐算法，html

功能模块

• 首页展示模块
• 数据可视化模块
• 车型详情模块
• 汽车推荐模块
• 品牌分类模块
• 后台管理模块
• 评论交互模块

项目介绍
本项目是面向大数据方向毕业设计的汽车推荐系统，以python为核心开发语言，依托django框架搭建web架构，搭配mysql数据库存储汽车相关数据，通过html搭建前端交互界面。系统集成两种协同过滤推荐算法，可基于用户偏好或车型特性完成个性化推荐，同时借助echarts生成多类数据可视化图表，直观呈现汽车品牌、价格、上市趋势等分析结果，配套完整后台管理功能，实现数据维护与系统运营，满足汽车推荐与数据分析的全流程需求。

2、项目界面

（1）汽车数据
该页面是基于Python的汽车推荐系统首页，设有搜索提交功能，包含热度排序模块展示热门车型，新上市车型模块呈现新款车型，同时提供标签、数据可视化、登录、注册、后台管理等导航入口。

（2）汽车数据品牌数量
该页面是基于Python的汽车推荐系统的数据可视化页面，设有搜索提交功能，通过柱状图与折线图结合的双轴图表，直观展示不同汽车品牌的数量与价格分布情况，同时保留首页、标签、登录等导航入口。

（3）汽车数据品牌词云图分析
该页面是基于Python的汽车推荐系统的数据可视化页面，设有搜索提交功能，数据可视化下拉菜单包含品牌数量&价格、品牌评分词云等多个可视化选项，主体以词云图直观呈现各汽车品牌的评分相关热度分布，同时保留首页、标签等导航入口。

（4）汽车品牌数据占比
该页面是基于Python的汽车推荐系统数据可视化界面，顶部有系统标题、搜索提交栏及青绿色导航栏，导航栏包含数据可视化下拉菜单，主体以饼图直观展示各汽车品牌的占比分布，支持鼠标交互查看详情，整体布局清晰，直观呈现品牌分布数据。

（5）汽车数据详情页面
该页面是基于Python的汽车推荐系统详情页，顶部有系统标题、搜索提交栏及管理员导航栏，主体展示车型详细信息，包含图片、品牌、价格、评分、标签及用户评价，提供收藏、打分功能，底部设有基于物品推荐的汽车推荐模块，右侧展示新上市车型列表。

（6）基于用户推荐汽车+基于物品推荐汽车
该页面是基于Python的汽车推荐系统的推荐与评论模块，左侧展示基于物品推荐的汽车列表，支持换一批操作，右侧呈现基于用户推荐的汽车列表，同样支持换一批，下方设有评论输入框与提交评论按钮，方便用户发表评论。

（7）汽车品牌分类
该页面是基于Python的汽车推荐系统的标签页，顶部设有系统标题、搜索提交栏与导航栏，主体区域以汽车分类模块展示各汽车品牌标签，方便用户按品牌筛选，右侧同步展示新上市车型列表，便于用户快速查看新款车型信息。

（8）汽车上市数量
该页面是基于Python的汽车推荐系统的数据可视化页面，顶部设有系统标题、搜索提交栏与导航栏，数据可视化下拉菜单包含多个可视化选项，主体以折线图直观展示不同年份的汽车发行数量变化趋势，呈现汽车发行数量的时间分布情况。

（9）后台数据管理
该页面是基于Python的汽车推荐系统后台管理首页，左侧为导航栏，主体区域设有快捷操作入口，可快速进入偏好、标签、汽车、用户、评分信息、评论、评论点赞等管理模块，下方展示最近动作记录，呈现管理员的操作日志。

3、项目说明

一、技术栈简要说明
本项目采用Python作为核心开发语言，搭配MySQL数据库实现汽车相关数据的稳定存储与高效查询，通过Django框架搭建Web应用架构，利用HTML构建交互友好的前端界面，借助Echarts可视化库生成多样化数据图表，集成两种协同过滤推荐算法，完成个性化汽车推荐功能开发，适配大数据方向毕业设计需求。

二、功能模块详细介绍

• 首页展示模块：作为系统入口，设有搜索与提交功能，包含热度排序和新上市车型两个核心展示区域，分别呈现热门车型和最新上市车型，同时提供标签、数据可视化、登录、注册、后台管理等导航入口，方便用户快速跳转至各功能模块，整体布局清晰，操作便捷。
• 数据可视化模块：包含多个子页面，可通过柱状图与折线图结合的双轴图表展示不同汽车品牌的数量与价格分布，用词云图呈现各汽车品牌的评分相关热度，用饼图展示汽车品牌占比分布且支持鼠标交互查看详情，用折线图展示不同年份汽车发行数量的变化趋势，直观呈现汽车相关数据的分析结果。
• 车型详情模块：展示具体车型的完整信息，包括车型名称、品牌、价格、发行日期、综合评分、标签及用户评价，支持用户对车型进行收藏和打分操作，底部设有基于物品的汽车推荐模块，右侧同步展示新上市车型列表，为用户提供更多相关车型参考。
• 汽车推荐模块：分为基于用户和基于物品两种推荐方式，左侧展示基于物品推荐的汽车列表，右侧呈现基于用户推荐的汽车列表，两个列表均支持“换一批”操作，方便用户切换推荐结果，下方设有评论输入框和提交按钮，允许用户发表对车型的评价。
• 品牌分类模块：以标签形式展示各类汽车品牌，方便用户按品牌快速筛选车型，右侧同步展示新上市车型列表，用户可在筛选品牌的同时，快速查看最新上市的相关车型，提升筛选效率和用户体验。
• 后台管理模块：为管理员提供系统运维入口，左侧设有导航栏，主体区域包含快捷操作入口，可快速进入偏好、标签、汽车、用户、评分信息、评论、评论点赞等管理子模块，下方展示管理员最近操作日志，便于管理员进行数据维护和系统管理。
• 评论交互模块：嵌入在推荐模块页面中，提供评论输入框和提交按钮，用户可输入对车型的评价并提交，同时可查看其他用户的评论内容，实现用户之间的互动交流，为其他用户选择车型提供参考。

三、项目总结
本项目是一款适配大数据方向毕业设计的Python汽车推荐系统，整合了数据展示、可视化分析、个性化推荐、后台管理等全流程功能，依托Python、MySQL、Django等技术栈，实现了汽车数据的高效管理与直观呈现，通过两种协同过滤推荐算法满足用户个性化需求。系统界面简洁友好，操作便捷，功能完善，既实现了汽车数据的可视化分析，又提供了精准的个性化推荐服务，同时配套完整的后台管理功能，可满足汽车推荐与数据管理的实际需求，也为大数据相关方向的毕业设计提供了完整的实践案例，具有一定的实用性和参考价值。

4、核心代码

# -*-coding:utf-8-*-importos os.environ["DJANGO_SETTINGS_MODULE"]="recommend.settings"importdjango django.setup()fromitem.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 获得初始化数据def__init__(self,all_user):self.all_user=all_user# 通过用户名获得列表，仅调试使用defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(self,user1,user2):# 数据格式为：新能源汽车id，浏览此sum_xy=0.0# user1,user2 每项打分的成绩的累加n=0# 公共浏览次数sum_x=0.0# user1 的打分总和sum_y=0.0# user2 的打分总和sumX2=0.0# user1每项打分平方的累加sumY2=0.0# user2每项打分平方的累加forcar1,score1inuser1.items():ifcar1inuser2.keys():# 计算公共的浏览次数n+=1sum_xy+=score1*user2[car1]sum_x+=score1 sum_y+=user2[car1]sumX2+=pow(score1,2)sumY2+=pow(user2[car1],2)ifn==0:# print("p氏距离为0")return0molecule=sum_xy-(sum_x*sum_y)/n# 分子denominator=sqrt((sumX2-pow(sum_x,2)/n)*(sumY2-pow(sum_y,2)/n))# 分母ifdenominator==0:return0r=molecule/denominatorreturnr# 计算与当前用户的距离，获得最临近的用户defnearest_user(self,current_user,n=1):distances={}# 用户，相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!=current_user:distance=self.pearson(self.all_user[current_user],self.all_user[user])# 计算两个用户的相似度distances[user]=distance closest_distance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True)# 最相似的N个用户print("closest user:",closest_distance[:n])returnclosest_distance[:n]# 给用户推荐新能源汽车defrecommend(self,username,n=3):recommend={}nearest_user=self.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户forcars,scoresinself.all_user[user].items():# 推荐的用户的新能源汽车列表ifcarsnotinself.all_user[username].keys():# 当前username没有看过ifcarsnotinrecommend.keys():# 添加到推荐列表中recommend[cars]=scores*score# 对推荐的结果按照新能源汽车# 浏览次数排序returnsorted(recommend.items(),key=operator.itemgetter(1),reverse=True)# 基于用户的推荐defrecommend_by_user_id(user_id):user_prefer=UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id',flat=True)current_user=User.objects.get(id=user_id)# 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找# 没有的话，就按照浏览度推荐15个ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:car_list=xiangmu.objects.filter(tags__in=user_prefer)[:15]else:car_list=xiangmu.objects.order_by("-c9")[:15]returncar_list# 选取评分最多的10个用户users_rate=Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')user_ids=[user_rate['user']foruser_rateinusers_rate]user_ids.append(user_id)users=User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户all_user={}foruserinusers:rates=user.rate_set.all()#查出10名用户的数据rate={}# 用户有给新能源汽车打分 在rate和all_user中进行设置ifrates:foriinrates:rate.setdefault(str(i.car.id),i.mark)#填充新能源汽车数据all_user.setdefault(user.username,rate)else:# 用户没有为新能源汽车打过分，设为0all_user.setdefault(user.username,{})user_cf=UserCf(all_user=all_user)recommend_list=[each[0]foreachinuser_cf.recommend(current_user.username,15)]car_list=list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])other_length=15-len(car_list)ifother_length>0:fix_list=xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')forfixinfix_list:iffixnotincar_list:car_list.append(fix)iflen(car_list)>=15:breakreturncar_list# 计算相似度defsimilarity(car1_id,car2_id):car1_set=Rate.objects.filter(car_id=car1_id)# car1的打分用户数car1_sum=car1_set.count()# car_2的打分用户数car2_sum=Rate.objects.filter(car_id=car2_id).count()# 两者的交集common=Rate.objects.filter(user_id__in=Subquery(car1_set.values('user_id')),car=car2_id).values('user_id').count()# 没有人给当前新能源汽车打分ifcar1_sum==0orcar2_sum==0:return0similar_value=common/sqrt(car1_sum*car2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_by_item_id(user_id,k=15):# 前三的tag，用户评分前三的新能源汽车user_prefer=UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id',flat=True)user_prefer=list(user_prefer)[:3]print('user_prefer',user_prefer)current_user=User.objects.get(id=user_id)# 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找# 没有的话，就按照浏览度推荐15个ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:car_list=xiangmu.objects.filter(tags__in=user_prefer)[:15]else:car_list=xiangmu.objects.order_by("-c9")[:15]print('from here')returncar_list# most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(car__rate__user_id=user_id).order_by('-tags_sum')# 选用户最喜欢的标签中的新能源汽车，用户没看过的30部，对这30部新能源汽车，计算距离最近un_watched=xiangmu.objects.filter(~Q(rate__user_id=user_id),tags__in=user_prefer).order_by('?')[:30]# 看过的新能源汽车watched=Rate.objects.filter(user_id=user_id).values_list('car_id','mark')distances=[]names=[]# 在未看过的新能源汽车中找到forun_watched_carinun_watched:forwatched_carinwatched:ifun_watched_carnotinnames:names.append(un_watched_car)distances.append((similarity(un_watched_car.id,watched_car[0])*watched_car[1],un_watched_car))#加入相似的新能源汽车distances.sort(key=lambdax:x[0],reverse=True)print('this is distances',distances[:15])recommend_list=[]formark,carindistances:iflen(recommend_list)>=k:breakifcarnotinrecommend_list:recommend_list.append(car)# print('this is recommend list', recommend_list)# 如果得不到有效数量的推荐 按照未看过的新能源汽车中的热度进行填充print('recommend list',recommend_list)returnrecommend_listif__name__=='__main__':# similarity(2003, 2008)print(recommend_by_item_id(1799))