毕业设计：python汽车数据分析可视化系统协同过滤推荐算法二手车推荐系统汽车推荐系统爬虫技术（源码+文档）✅

源码之家

1173人浏览 · 2024-02-23 20:26:27

源码之家 · 2024-02-23 20:26:27 发布

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌

毕业设计：2023-2024年计算机毕业设计1000套（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕业设计选题汇总

1、项目介绍

Flask框架、requests爬虫、基于用户的协同过滤推荐算法、Echarts可视化、汽车之家网

二手车数据分析系统推荐系统

2、项目界面

（1）汽车数据分析可视化

在这里插入图片描述

（2）个品牌上架销售数量分析

在这里插入图片描述
（3）奔驰汽车数据分析

在这里插入图片描述

（4）二手车数据
在这里插入图片描述

（5）丰田汽车数据分析
在这里插入图片描述

（6）注册登录界面
在这里插入图片描述

3、项目说明

汽车之家网二手车推荐系统可以采用以下技术方案：

Flask框架：作为Web应用框架，可以实现后端API接口的搭建。

requests爬虫：使用requests库爬取汽车之家网站的二手车信息，例如车型、价格、里程数、颜色、车龄等。

基于用户的协同过滤推荐算法：通过对用户的历史行为以及喜好进行分析，结合其他用户的行为和喜好，给用户推荐与其兴趣相似的二手车信息。

Echarts可视化：使用Echarts将数据可视化呈现，例如展示用户的历史记录和推荐的二手车信息，让用户更直观地了解推荐结果。

数据库存储：将爬取到的二手车信息和用户历史行为存储在数据库中，例如MySQL或MongoDB。

整体流程如下：

使用requests爬取汽车之家网站的二手车信息，并将数据存储在数据库中。

对用户历史行为和喜好进行分析，建立基于用户的协同过滤推荐算法模型。

根据用户的历史记录和喜好，使用协同过滤推荐算法给用户推荐二手车信息。

将推荐结果使用Echarts进行可视化呈现，让用户更直观地了解推荐结果。

用户可以通过前端页面进行交互，例如输入自己的喜好、查看历史记录和推荐结果等。后端API接口将接收并处理用户请求，返回相应的数据给前端展示。

需要注意的是，在实际开发中，还需要考虑数据安全、缓存优化、性能优化和异常处理等问题。

4、核心代码


#!/usr/bin/python
# -*- coding: UTF-8 -*-
from math import sqrt
import operator

#1.构建用户-->物品的倒排
def loadData(files):
    data ={};
    for line in files:
        user,score,item=line.split(",");
        data.setdefault(user,{});
        data[user][item]=score;
    return data

#2.计算
# 2.1 构造物品-->物品的共现矩阵
# 2.2 计算物品与物品的相似矩阵
def similarity(data):
    # 2.1 构造物品：物品的共现矩阵
    N={};#喜欢物品i的总人数
    C={};#喜欢物品i也喜欢物品j的人数
    for user,item in data.items():
        for i,score in item.items():
            N.setdefault(i,0);
            N[i]+=1;
            C.setdefault(i,{});
            for j,scores in item.items():
                if j not in i:
                    C[i].setdefault(j,0);
                    C[i][j]+=1;


    #2.2 计算物品与物品的相似矩阵
    W={};
    for i,item in C.items():
        W.setdefault(i,{});
        for j,item2 in item.items():
            W[i].setdefault(j,0);
            W[i][j]=C[i][j]/sqrt(N[i]*N[j]);
    return W

#3.根据用户的历史记录，给用户推荐物品
def recommandList(data,W,user,k=3,N=10):
    rank={};
    for i,score in data[user].items():#获得用户user历史记录，如A用户的历史记录为{'a': '1', 'b': '1', 'd': '1'}
        for j,w in sorted(W[i].items(),key=operator.itemgetter(1),reverse=True)[0:k]:#获得与物品i相似的k个物品
            if j not in data[user].keys():#该相似的物品不在用户user的记录里
                rank.setdefault(j,0);
                rank[j]+=float(score) * w;

    return sorted(rank.items(),key=operator.itemgetter(1),reverse=True)[0:N];

if __name__=='__main__':
    #用户，兴趣度，物品
    # uid_score_bid = ['A,1,a', 'A,1,b', 'A,1,d', 'B,1,b', 'B,1,c', 'B,1,e']

    uid_score_bid = ['5,1,5','2,1,5', '2,1,38', '2,1,40', '2,1,44', '2,1,63', '2,1,107', '2,1,6', '2,1,14', '2,1,27', '2,1,32', '2,1,56', '2,1,77', '2,1,89', '2,1,92', '2,1,94', '2,1,111', '2,1,123', '2,1,124', '4,1,9', '4,1,15', '4,1,20', '4,1,22', '4,1,85', '4,1,95', '4,1,99', '4,1,131', '4,1,5', '4,1,38', '4,1,40', '4,1,44', '4,1,63', '4,1,107', '4,1,13', '4,1,17', '4,1,58', '4,1,8', '4,1,18', '4,1,21', '4,1,26', '4,1,34', '4,1,48', '4,1,51', '4,1,64', '4,1,70', '4,1,79', '4,1,84', '4,1,101', '4,1,106', '4,1,116', '4,1,117', '4,1,119', '4,1,126', '2,1,8', '2,1,18', '2,1,21', '2,1,26', '2,1,34', '2,1,48', '2,1,51', '2,1,64', '2,1,70', '2,1,79', '2,1,84', '2,1,101', '2,1,106', '2,1,116', '2,1,117', '2,1,119', '2,1,126']

    data=loadData(uid_score_bid);#获得数据
    W=similarity(data);#计算物品相似矩阵
    recommandList(data,W,'4',3,10);#推荐