基于Spark的急诊患者行为数据可视化分析系统-基于Python可视化的急诊患者流量预测与行为分析系统-面向智慧医院的急诊患者多维行为分析系统

计算机源启编程
17 阅读4分钟

注意：该项目只展示部分功能

1 开发环境

发语言：python 采用技术：Spark、Hadoop、Django、Vue、Echarts等技术框架 数据库：MySQL 开发环境：PyCharm

2 系统设计

当前急诊医疗面临患者流量激增、病情复杂多样、医疗资源紧张等挑战，传统管理模式难以实时响应动态需求。基于Spark大数据处理框架，整合Hadoop分布式存储、Python数据分析、Vue前端交互与ECharts可视化技术，构建了覆盖9216例急诊患者全周期行为的分析系统。系统通过采集患者年龄、性别、种族、等待时间、满意度、转诊科室等多维度数据，实现对急诊科工作负荷、就诊时间模式、科室资源需求、患者风险评估等关键指标的实时监测与深度挖掘，为精细化运营管理提供数据支撑。

医院急诊患者数据大屏可视化：集成急诊科工作负荷、患者年龄性别分布、就诊时间模式、等待时间分布等核心指标，实时呈现全局运行态势。 患者特征分析：涵盖年龄、性别、种族分布统计，并深度关联合并症情况，分析不同年龄段健康风险差异。 急诊行为分析：聚焦转诊科室流向、等待时间分段统计、就诊时段规律，揭示患者就医路径与系统响应效率。 患者满意度分析：量化满意度评分分布，关联等待时长、转诊科室、年龄组别及入院状态，定位服务体验关键影响因素。 医疗资源利用分析：评估各科室接诊压力与资源需求，结合时段流量预测，为动态调配医护力量提供依据。 多维度综合分析：构建患者聚类模型识别行为模式，建立风险评估体系划分风险等级，挖掘就诊模式关联规则，支持交叉维度洞察。

3 系统展示

3.1 大屏页面

ScreenShot_2025-12-05_160952_007.png

ScreenShot_2025-12-05_161041_562.png

3.3 分析页面

ScreenShot_2025-12-05_161111_163.png

ScreenShot_2025-12-05_161122_470.png

ScreenShot_2025-12-05_161135_961.png

ScreenShot_2025-12-05_161145_845.png

ScreenShot_2025-12-05_161157_032.png

ScreenShot_2025-12-05_161204_108.png

ScreenShot_2025-12-05_161221_634.png

3.4 基础页面

ScreenShot_2025-12-05_161033_696.png

ScreenShot_2025-12-05_161100_672.png

4 更多推荐

计算机专业毕业设计新风向，2026年大数据 + AI前沿60个毕设选题全解析，涵盖Hadoop、Spark、机器学习、AI等类型 计算机专业毕业设计选题深度剖析，掌握这些技巧，让你的选题轻松通过，文章附35个优质选题助你顺利通过开题！ 【避坑必看】26届计算机毕业设计选题雷区大全，这些毕设题目千万别选！选题雷区深度解析 紧跟风口！2026计算机毕设新赛道：精选三大热门领域下的创新选题， 拒绝平庸！毕设技术亮点+功能创新，双管齐下 纯分享！2026届计算机毕业设计选题全攻略(选题+技术栈+创新点+避坑),这80个题目覆盖所有方向，计算机毕设选题大全收藏 计算机专业毕业设计选题深度剖析，掌握这些技巧，让你的选题轻松通过，文章附35个优质选题助你顺利通过开题！

5 部分功能代码

# 从MySQL加载原始数据（总数据量9216条）
jdbc_url = "jdbc:mysql://localhost:3306/emergency_db"
connection_properties = {
    "user": "admin",
    "password": "your_password",
    "driver": "com.mysql.cj.jdbc.Driver"
}

df = spark.read.jdbc(
    url=jdbc_url,
    table="emergency_patients",
    properties=connection_properties
).select(
    "patient_id", "gender", "age", "ethnicity", 
    "referral_department", "waiting_time", "satisfaction_score",
    "visit_hour", "has_comorbidity", "is_admitted"
)

# 1. 等待时间分布计算（核心指标：短/中/长等待患者数量）
wait_time_stats = df.withColumn(
    "wait_category",
    F.when(F.col("waiting_time") <= 20, "短等待")
    .when(F.col("waiting_time") <= 40, "中等等待")
    .otherwise("长等待")
).groupBy("wait_category").agg(
    F.count("*").alias("patient_count"),
    F.avg("satisfaction_score").alias("avg_satisfaction")
).orderBy(F.col("patient_count").desc())

# 2. 年龄段与转诊科室交叉分析（用于热力图展示）
age_department_cross = df.withColumn(
    "age_group",
    F.when(F.col("age") <= 12, "儿童")
    .when(F.col("age") <= 18, "青少年")
    .when(F.col("age") <= 35, "青年")
    .when(F.col("age") <= 60, "中年")
    .otherwise("老年")
).groupBy("age_group", "referral_department").agg(
    F.count("*").alias("patient_count"),
    F.avg("waiting_time").alias("avg_wait_time"),
    F.avg("satisfaction_score").alias("avg_satisfaction")
).orderBy("age_group", "referral_department")

# 3. 时间段工作负荷分析（24小时接诊量统计）
hourly_workload = df.groupBy("visit_hour").agg(
    F.count("*").alias("patient_volume"),
    F.avg("waiting_time").alias("avg_waiting_time"),
    F.avg("satisfaction_score").alias("avg_satisfaction")
).orderBy("visit_hour")

# 4. 满意度关联因素计算（等待时间、是否入院、年龄段影响）
satisfaction_analysis = df.withColumn(
    "age_group",
    F.when(F.col("age") <= 12, "儿童")
    .when(F.col("age") <= 18, "青少年")
    .when(F.col("age") <= 35, "青年")
    .when(F.col("age") <= 60, "中年")
    .otherwise("老年")
).groupBy("age_group", "is_admitted").agg(
    F.count("*").alias("count"),
    F.avg("waiting_time").alias("avg_wait"),
    F.avg("satisfaction_score").alias("avg_satisfaction"),
    F.stddev("satisfaction_score").alias("satisfaction_std")
)

# 5. 高风险患者识别（等待时间>40分钟且满意度<4分）
high_risk_patients = df.filter(
    (F.col("waiting_time") > 40) & (F.col("satisfaction_score") < 4)
).withColumn(
    "risk_reason",
    F.concat(F.lit("长等待-"), F.col("waiting_time"), F.lit("分钟,低满意度-"), F.col("satisfaction_score"), F.lit("分"))
).select(
    "patient_id", "age", "referral_department", "waiting_time", "satisfaction_score", "risk_reason"
)

# 6. 科室资源需求压力指数计算（结合患者数量与等待时间）
department_pressure = df.groupBy("referral_department").agg(
    F.count("*").alias("total_patients"),
    F.avg("waiting_time").alias("avg_wait_time"),
    F.max("waiting_time").alias("max_wait_time"),
    (F.count("*") * F.avg("waiting_time") / 1000).alias("pressure_index")  # 压力指数 = 患者数×平均等待时间/1000
).orderBy(F.col("pressure_index").desc())

源码项目、定制开发、文档报告、PPT、代码答疑 希望和大家多多交流

avatar
文章
阅读
粉丝