基于python商品比价分析系统+可视化爬虫协同过滤推荐算法商品对比 Django框架

qq_80213251

385人浏览 · 2025-03-10 23:42:29

qq_80213251 · 2025-03-10 23:42:29 发布

1、项目介绍

技术栈：
Python语言、Django框架、Echarts可视化、京东商品、requests爬虫、HTML、协同过滤推荐算法

2、项目界面

（1）商品对比页面
在这里插入图片描述

（2）商品数据可视化分析

在这里插入图片描述

（3）商品数据
在这里插入图片描述

（4）商品详情页面

在这里插入图片描述

（5）商品对比+比价分析

在这里插入图片描述

（6）商品推荐—协同过滤推荐算法
在这里插入图片描述

（6）个人信息

在这里插入图片描述

（7）后台数据管理

在这里插入图片描述

（8）注册登录
在这里插入图片描述

（9）数据采集

在这里插入图片描述

3、项目说明

项目概述
该项目是一个基于京东商品数据的分析与比价系统。利用Python语言和Django框架搭建后端，通过requests爬虫从京东获取商品数据，再借助Echarts进行数据可视化，并使用HTML构建前端页面。系统具备商品对比、数据可视化分析、商品详情查看、用户管理以及后台数据管理等功能。
功能模块
商品对比页面：允许用户选择不同商品进行对比，展示商品的关键信息如价格、参数等，帮助用户快速了解商品差异。
商品数据可视化分析：以图表形式展示商品数据的分析结果，如销量趋势、价格分布等，为用户和商家提供直观的市场洞察。
商品数据：列出商品的基本信息，方便用户浏览和筛选，查找所需商品。
商品详情页面：展示商品的详细信息，包括图片、描述、规格参数等，让用户深入了解商品。
商品对比+比价分析：结合商品对比和价格分析，为用户提供全面的购买参考，帮助用户找到性价比高的商品。
个人信息：用户可查看和管理自己的账号信息、浏览历史等，增强用户体验。
后台数据管理：管理员可在此添加、修改、删除商品信息，管理用户数据和订单数据，进行数据统计分析。
注册登录：提供用户注册和登录功能，保障用户数据安全，实现个性化服务。
数据采集：展示爬虫采集数据的状态和结果，管理员可设置爬虫参数，控制数据采集过程。

4、核心代码


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

#1.构建用户-->商品的倒排
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 构造商品-->商品的共现矩阵
# 2.2 计算商品与商品的相似矩阵
def similarity(data):
    # 2.1 构造商品：商品的共现矩阵
    N={};#喜欢商品i的总人数
    C={};#喜欢商品i也喜欢商品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 计算商品与商品的相似矩阵
    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，给用户推荐商品
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]:#获得与商品i相似的k个商品
            if j not in data[user].keys():#该相似的商品不在用户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，商品
    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']
    # uid_score_bid = ['1,4,257', '1,4,62', '2,4,61', '2,4,64', '2,4,68', '2,4,67']

    data=loadData(uid_score_bid);#获得数据
    W=similarity(data);#计算商品相似矩阵
    a = recommandList(data,W,'A',5,10);#推荐
    print(a)