💖💖作者：计算机毕业设计小途
💙💙个人简介：曾长期从事计算机专业培训教学，本人也热爱上课教学，语言擅长Java、微信小程序、Python、Golang、安卓Android等，开发项目包括大数据、深度学习、网站、小程序、安卓、算法。平常会做一些项目定制化开发、代码讲解、答辩教学、文档编写、也懂一些降重方面的技巧。平常喜欢分享一些自己开发中遇到的问题的解决办法，也喜欢交流技术，大家有技术代码这一块的问题可以问我！
💛💛想说的话：感谢大家的关注与支持！
💜💜
网站实战项目
 安卓/小程序实战项目
 大数据实战项目
 深度学习实战项目

@TOC

基于大数据的牛油果数据可视化分析系统介绍

《基于大数据的牛油果数据可视化分析系统》面向即将开展毕业设计的大四计算机专业学生，以Hadoop分布式文件系统为存储底座，利用Spark分布式计算引擎完成TB级牛油果交易与物性数据的清洗、聚合与建模，业务逻辑层提供Django与Spring Boot双版本后端，前端基于Vue、ElementUI与Echarts实现零门槛交互，系统内置用户、权限、数据管理三大模块，首页呈现实时数据总览，牛油果数据管理支持批量导入、版本回溯与字段级血缘追踪，概览分析用多维折线、面积图展示价格、销量、库存的时空分布，物性分析通过箱线图、热力图对比不同产地的糖度、硬度、酸度等指标，颜色分析以聚类结果映射色谱带，直观呈现成熟度和品质等级，多维特征分析整合Spark SQL与Pandas，对价格、重量、产地、外观评分进行皮尔逊相关性与主成分降维，学生可自由拖拽维度生成动态散点、雷达或桑基图，并一键导出JSON配置复现结果；整个流程从HDFS原始文件到可视化图表全程以Python/Java双栈代码示例标注，帮助学生在毕业设计中快速掌握大数据采集、存储、计算、可视化全链路技术。

基于大数据的牛油果数据可视化分析系统演示视频

[演示视频]https://www.bilibili.com/video/BV1WxtczaEHD/?spm_id_from=333.1387.homepage.video_card.click

基于大数据的牛油果数据可视化分析系统演示图片

登陆界面.png

用户管理.png

大屏上.png

大屏下.png

多为特征分析.png

牛油果概览分析.png

牛油果数据管理.png

牛油果物性分析.png

牛油果颜色分析.png

基于大数据的牛油果数据可视化分析系统代码展示

# 1. 牛油果概览分析：Spark SQL 计算每日价格均值与销量总和

def daily_overview():

    spark = SparkSession.builder.appName("avocado_overview").getOrCreate()

    df = spark.read.csv("hdfs://namenode:9000/avocado/raw/trade.csv", header=True, inferSchema=True)

    df = df.withColumn("date", to_date("Date", "yyyy-MM-dd"))

    overview = df.groupBy("date").agg(

        avg("AveragePrice").alias("avg_price"),

        sum("TotalVolume").alias("total_sales")

    ).orderBy("date")

    overview.write.mode("overwrite").json("hdfs://namenode:9000/avocado/result/overview")

    spark.stop()

# 2. 牛油果物性分析：Pandas 计算各产地糖度硬度箱线图五数

def box_plot_stats():

    df = pd.read_csv("hdfs://namenode:9000/avocado/raw/quality.csv", storage_options={"anon": True})

    df = df[["region", "brix", "firmness"]]

    grouped = df.groupby("region")[["brix", "firmness"]]

    stats = grouped.describe(percentiles=[0, 0.25, 0.5, 0.75, 1])

    stats.to_json("hdfs://namenode:9000/avocado/result/box_stats.json")

# 3. 多维特征分析：Spark MLlib PCA 降维后生成二维点返回前端

def pca_features():

    spark = SparkSession.builder.appName("avocado_pca").getOrCreate()

    df = spark.read.csv("hdfs://namenode:9000/avocado/raw/features.csv", header=True, inferSchema=True)

    vec_assembler = VectorAssembler(inputCols=["AveragePrice", "TotalVolume", "4046", "4225", "4770", "TotalBags"], outputCol="features")

    df_vec = vec_assembler.transform(df)

    pca = PCA(k=2, inputCol="features", outputCol="pca_features")

    model = pca.fit(df_vec)

    pca_result = model.transform(df_vec).select("region", "pca_features")

    pca_result.write.mode("overwrite").json("hdfs://namenode:9000/avocado/result/pca")

    spark.stop()# 1. 牛油果概览分析：Spark SQL 计算每日价格均值与销量总和

def daily_overview():

    spark = SparkSession.builder.appName("avocado_overview").getOrCreate()

    df = spark.read.csv("hdfs://namenode:9000/avocado/raw/trade.csv", header=True, inferSchema=True)

    df = df.withColumn("date", to_date("Date", "yyyy-MM-dd"))

    overview = df.groupBy("date").agg(

        avg("AveragePrice").alias("avg_price"),

        sum("TotalVolume").alias("total_sales")

    ).orderBy("date")

    overview.write.mode("overwrite").json("hdfs://namenode:9000/avocado/result/overview")

    spark.stop()

# 2. 牛油果物性分析：Pandas 计算各产地糖度硬度箱线图五数

def box_plot_stats():

    df = pd.read_csv("hdfs://namenode:9000/avocado/raw/quality.csv", storage_options={"anon": True})

    df = df[["region", "brix", "firmness"]]

    grouped = df.groupby("region")[["brix", "firmness"]]

    stats = grouped.describe(percentiles=[0, 0.25, 0.5, 0.75, 1])

    stats.to_json("hdfs://namenode:9000/avocado/result/box_stats.json")

# 3. 多维特征分析：Spark MLlib PCA 降维后生成二维点返回前端

def pca_features():

    spark = SparkSession.builder.appName("avocado_pca").getOrCreate()

    df = spark.read.csv("hdfs://namenode:9000/avocado/raw/features.csv", header=True, inferSchema=True)

    vec_assembler = VectorAssembler(inputCols=["AveragePrice", "TotalVolume", "4046", "4225", "4770", "TotalBags"], outputCol="features")

    df_vec = vec_assembler.transform(df)

    pca = PCA(k=2, inputCol="features", outputCol="pca_features")

    model = pca.fit(df_vec)

    pca_result = model.transform(df_vec).select("region", "pca_features")

    pca_result.write.mode("overwrite").json("hdfs://namenode:9000/avocado/result/pca")

    spark.stop()

基于大数据的牛油果数据可视化分析系统文档展示

文档.png