当前位置：首页 > news >正文

基于大数据的美食分析可视化平台：美食大数据深度分析系统Python+Hadoop+Spark+LSTM预测（优秀项目）✅

news 2025/10/1 17:39:01

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅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、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍
技术栈：
Python语言、Django框架、MySQL数据库、深度学习TensorFlow的Keras构建 LSTM 模型、 LSTM 预测算法模型、Echarts可视化、selenium爬虫技术、大众点评数据
大数据技术：Hadoop、Spark、Hive
这个项目的研究背景：在美食消费市场蓬勃发展的当下，大众点评等平台积累了海量的美食相关数据，涵盖美食类型、价格、评价、地区等多方面信息。然而，这些数据分散且复杂，缺乏有效的整合与分析手段。传统方式难以挖掘数据背后的潜在规律和价值，无法为美食商家、消费者以及市场研究者提供有力支持。因此，开发一套综合的美食数据分析系统迫在眉睫。
这个项目的研究意义：本项目通过整合多种技术，构建美食数据分析可视化系统。对于美食商家，能依据数据分析结果了解市场需求、消费者偏好，优化菜品和服务，提升竞争力。消费者可借助系统获取更全面的美食信息，做出更合适的消费决策。市场研究者则能通过系统深入分析美食市场趋势，为行业发展提供参考，促进美食市场的健康、有序发展。
2、项目界面
（1）首页–数据概况

（2）美食类型分析

（3）美食价格分析

（4）美食评价分析

（5）美食地区分析

（6）美食词云图分析

（7）美食数据中心

（8）评价预测----- LSTM 预测算法模型

（9）注册登录

（10）数据采集

3、项目说明
本项目是一个综合性的美食数据分析可视化系统，集成了多种先进技术，旨在深度挖掘大众点评美食数据的价值。系统基于Python语言，利用Django框架搭建起稳定且功能丰富的Web平台。通过selenium爬虫技术，从大众点评等平台精准采集美食数据，并存储于MySQL数据库中，同时借助Hadoop、Spark、Hive等大数据技术对海量数据进行高效处理和存储。

系统首页的数据概况模块，以直观的方式展示整体数据的关键信息，如数据总量、更新时间等，让用户快速了解数据全貌。美食类型分析模块深入剖析不同美食类型的分布情况，以及各地区对美食类型的偏好差异，为商家调整菜品结构提供参考。美食价格分析模块则呈现美食价格的分布特征，以及价格与评分、人气等因素的关联，帮助消费者做出更合理的消费选择。

美食评价分析模块详细分析用户对美食的评价，包括好评率、差评率等，展示评价的分布情况及不同类型、地区美食的评价差异，让商家了解自身优势与不足。美食地区分析模块展示不同地区美食的分布状况，挖掘热门美食地区和各地区的美食偏好，为美食推广和旅游餐饮规划提供依据。美食词云图分析模块通过词云图直观呈现用户评价中的高频词汇，快速捕捉用户对美食的主要评价点。

美食数据中心为用户提供便捷的数据管理界面，可查看、筛选、导出详细的美食数据，满足多样化的数据需求。评价预测模块运用深度学习TensorFlow的Keras构建的LSTM预测算法模型，根据餐厅信息和历史评价等参数，预测未来评价趋势，为商家提前调整经营策略提供支持。此外，系统还具备注册登录功能，保障用户数据安全和个性化使用体验，数据采集模块则详细介绍了数据采集的流程和方法。

4、核心代码

#coding:utf8
#导包
from pyspark.sql import SparkSession
from pyspark.sql.functions import monotonically_increasing_id
from pyspark.sql.types import StructType,StructField,IntegerType,StringType,FloatType
from pyspark.sql.functions import count,mean,col,sum,when,max,min,avg
from pyspark.sql import functions as Fif __name__ == '__main__':#构建spark = SparkSession.builder.appName("sparkSQL").master("local[*]").\config("spark.sql.shuffle.partitions", 2). \config("spark.sql.warehouse.dir", "hdfs://node1:8020/user/hive/warehouse"). \config("hive.metastore.uris", "thrift://node1:9083"). \enableHiveSupport().\getOrCreate()sc = spark.sparkContext#读取fooddata = spark.read.table("fooddata")#需求一 价格TOP10评分top_ten_price = fooddata.orderBy(fooddata.avgPrice.desc()).limit(10)result1 = top_ten_price.select("title","start","avgPrice")df = result1.toPandas()# print(df)# sqlresult1.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "maxPriceTop"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result1.write.mode("overwrite").saveAsTable("maxPriceTop", "parquet")spark.sql("select * from maxPriceTop").show()#需求二 totalTyperesult2 = fooddata.groupby("totalType").count()# sqlresult2.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "typeCount"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result2.write.mode("overwrite").saveAsTable("typeCount", "parquet")spark.sql("select * from typeCount").show()#需求三 城市均价reuslt3 = fooddata.groupby("city").agg(F.avg("avgPrice").alias("averagePrice"))# sqlreuslt3.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "cityAvg"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt3.write.mode("overwrite").saveAsTable("cityAvg", "parquet")spark.sql("select * from cityAvg").show()#类型分析result4 = fooddata.groupby("totalType").agg(avg("totalComment").alias("commentAvg"))# sqlresult4.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "typeComment"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result4.write.mode("overwrite").saveAsTable("typeComment", "parquet")spark.sql("select * from typeComment").show()#需求五result5 = fooddata.groupby("totalType").agg(avg("tasterate").alias("avgTasterate"),avg("envsrate").alias("avgEnvsrate"),avg("serverate").alias("avgServerate"),)# sqlresult5.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "typeRate"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result5.write.mode("overwrite").saveAsTable("typeRate", "parquet")spark.sql("select * from typeRate").show()#需求6 精确类型result6 = fooddata.groupby("type").count()# sqlresult6.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "specificType"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result6.write.mode("overwrite").saveAsTable("specificType", "parquet")spark.sql("select * from specificType").show()#需求七 价格分析reuslt7 = fooddata.groupby("city").agg(max("avgPrice").alias("maxAvgPrice"))# sqlreuslt7.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "maxPriceCity"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt7.write.mode("overwrite").saveAsTable("maxPriceCity", "parquet")spark.sql("select * from maxPriceCity").show()#需求八 价格分类fooddata_with_category = fooddata.withColumn("prcieCategory",when(col("avgPrice").between(0,15),'0-15元').when(col("avgPrice").between(15, 50), '15-50元').when(col("avgPrice").between(50, 100), '50-100元').when(col("avgPrice").between(100, 200), '100-200元').when(col("avgPrice").between(200, 500), '200-500元').otherwise('500以上'))reuslt8 = fooddata_with_category.groupby("prcieCategory").count()# sqlreuslt8.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "categoryPrice"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt8.write.mode("overwrite").saveAsTable("categoryPrice", "parquet")spark.sql("select * from categoryPrice").show()# 类型均价reuslt9 = fooddata.groupby("totalType").agg(avg("avgPrice").alias("allAvgPrice"))# sqlreuslt9.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "typePrice"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt9.write.mode("overwrite").saveAsTable("typePrice", "parquet")spark.sql("select * from typePrice").show()#需求十 星级分布result10 = fooddata.groupby("start").count()# sqlresult10.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "startCount"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result10.write.mode("overwrite").saveAsTable("startCount", "parquet")spark.sql("select * from startCount").show()#需求十一fooddata_with_mixrate = fooddata.withColumn("mixrate",col("tasterate")+col("envsrate")+col("serverate"))reuslt11 = fooddata_with_mixrate.groupby("city").agg(avg("mixrate").alias("avgMixrate"))# sqlreuslt11.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "mixrateAvg"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt11.write.mode("overwrite").saveAsTable("mixrateAvg", "parquet")spark.sql("select * from mixrateAvg").show()# 价格最大最小result12 = fooddata.groupby("city").agg(max("avgPrice").alias("maxAvfPrice"),avg("avgPrice").alias("avgAvfPrice"),min("avgPrice").alias("minAvfPrice"),)# sqlresult12.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "mamCity"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()result12.write.mode("overwrite").saveAsTable("mamCity", "parquet")spark.sql("select * from mamCity").show()#需求十三total_comments_df = fooddata.groupby("address").agg(sum("totalComment").alias("sumTotalComment"))reuslt13 = total_comments_df.orderBy(col("sumTotalComment").desc()).limit(10)# sqlreuslt13.write.mode("overwrite"). \format("jdbc"). \option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \option("dbtable", "hotAddress"). \option("user", "root"). \option("password", "root"). \option("encoding", "utf-8"). \save()reuslt13.write.mode("overwrite").saveAsTable("hotAddress", "parquet")spark.sql("select * from hotAddress").show()