宜居城市数据可视化分析系统-简介
本系统是一个基于Hadoop大数据平台与Django后端框架构建的宜居城市数据可视化分析平台，旨在通过多维度数据整合与深度分析，为城市宜居性评估提供客观、直观的数据支持。系统采用Python作为核心开发语言，利用Hadoop的HDFS进行海量城市数据的分布式存储，并借助Spark强大的计算引擎对数据进行高效处理与分析，涵盖了经济生活、公共服务、环境质量三大核心维度及综合指数评估。在具体实现上，系统通过Spark SQL与Pandas、NumPy等库对人均可支配收入、房价收入比、教育与医疗资源、PM2.5浓度、人均绿地面积等关键指标进行清洗、转换和聚合计算，最终通过Django框架将分析结果以API形式提供给前端。前端运用Echarts等可视化组件，将复杂的数据转化为直观的图表、地图和排名，如不同行政级别城市的经济压力对比、全国PM2.5分布热力图、幸福指数关键影响因素权重图等，让用户能够清晰地洞察各城市的优势与短板，从而为个人选择居住地或城市管理者制定优化政策提供有价值的参考。
宜居城市数据可视化分析系统-技术
大数据框架：Hadoop+Spark（本次没用Hive，支持定制） 开发语言：Python+Java（两个版本都支持） 后端框架：Django+Spring Boot(Spring+SpringMVC+Mybatis)（两个版本都支持） 前端：Vue+ElementUI+Echarts+HTML+CSS+JavaScript+jQuery 数据库：MySQL
宜居城市数据可视化分析系统-背景
选题背景 随着咱们国家经济的飞速发展，大家的生活水平确实是提高了不少，但想法也慢慢变了。以前可能更看重哪里赚钱多，一门心思往大城市扎，现在呢，越来越多的人开始琢磨起“生活品质”这回事。房子贵不贵、上班堵不堵、空气好不好、孩子上学老人看病方不方便，这些事儿成了很多人选择一个城市时更关心的点。这种从“生存”到“生活”的观念转变，让“宜居城市”成了一个热门话题。可是，光听别人说或者看些零散的报道，很难对一个城市有个全面的认识。网上信息又杂又乱，到底哪个城市真正适合自己，或者一个城市的宜居水平到底处在什么位置，大家心里其实挺迷糊的。所以，怎么用一种更科学、更客观的方式来评价和展示一个城市的宜居程度，就成了一个挺有现实需求的课题。
选题意义 这个系统嘛，它的意义还挺实在的。对于咱们普通老百姓来说，比如正要毕业找工作的大学生，或者考虑换城市发展的家庭，它就像一个贴心的“城市参谋”。系统把一堆复杂的数据变成了简单明了的图表，收入、房价、环境、公共服务这些关键信息一目了然，能帮大家在做决定时有个更靠谱的参考，而不是凭感觉瞎猜。从另一个角度看，这个项目对于城市规划者或者研究者来说，或许也能提供一点小小的启发。它把影响居民幸福感的各种因素都摆出来，还分析了它们之间的关系，这有助于发现城市发展中的短板，看看到底是经济压力大还是环境问题更影响大家的幸福感。当然，作为计算机专业的毕业设计，它的意义在于完整地走了一遍大数据项目的流程，从数据存储、处理分析到最终的系统实现，把课堂上学到的Hadoop、Spark、Django这些技术真正用起来，锻炼了解决实际问题的能力，这本身就是一件很有价值的事。
宜居城市数据可视化分析系统-视频展示
[video(video-j2CWWfje-1764078873757)(type-csdn)(url-live.csdn.net/v/embed/502…)]
宜居城市数据可视化分析系统-图片展示
宜居城市数据可视化分析系统-代码展示
from pyspark.sql import SparkSession
from pyspark.ml.feature import VectorAssembler
from pyspark.ml.regression import RandomForestRegressor
spark = SparkSession.builder.appName("LivableCityAnalysis").getOrCreate()
def analyze_happiness_driving_factors(df):
feature_cols = ['disposable_income', 'housing_price_to_income_ratio', 'education_satisfaction', 'medical_resource_index', 'pm25', 'green_space_per_capita', 'pension_coverage_rate', 'police_per_10k_people', 'commute_time']
assembler = VectorAssembler(inputCols=feature_cols, outputCol="features")
data = assembler.transform(df.na.drop(subset=feature_cols + ['happiness_index']))
rf = RandomForestRegressor(featuresCol='features', labelCol='happiness_index', numTrees=10)
model = rf.fit(data)
importances = model.featureImportances.toArray()
feature_importance_list = list(zip(feature_cols, importances))
sorted_features = sorted(feature_importance_list, key=lambda x: x[1], reverse=True)
print("幸福指数关键影响因素排名:")
for feature, importance in sorted_features:
print(f"{feature}: {importance:.4f}")
return sorted_features
def analyze_income_vs_housing_by_tier(df):
df.createOrReplaceTempView("city_data")
result_df = spark.sql("""
SELECT
city_tier,
AVG(disposable_income) as avg_income,
AVG(housing_price_to_income_ratio) as avg_housing_ratio
FROM city_data
GROUP BY city_tier
ORDER BY avg_income DESC
""")
pandas_df = result_df.toPandas()
print("不同行政级别城市收入与房价对比:")
print(pandas_df)
return pandas_df
def analyze_pm25_by_province(df):
province_pm25 = df.groupBy("province").agg({"pm25": "avg"}).withColumnRenamed("avg(pm25)", "avg_pm25")
sorted_province_pm25 = province_pm25.orderBy("avg_pm25", ascending=True)
print("各省份PM2.5年均值排名 (从低到高):")
sorted_province_pm25.show(50, truncate=False)
return sorted_province_pm25
宜居城市数据可视化分析系统-结语
这个项目算是我对大数据技术栈的一次完整实践，从数据存储到分析再到可视化，走了一遍全流程。虽然它只是一个毕业设计，功能也还有提升空间，但我希望这个分析城市的思路和实现过程，能给正在做毕设的你带来一点点启发和帮助。感谢大家的观看！
如果你觉得这个基于Hadoop+Django的宜居城市分析系统对你的毕设选题有帮助，别忘了给我点个赞、收个藏、转个发！你有什么更好的想法或者问题吗？欢迎在评论区留言，我们一起交流讨论，共同进步！
