建材企业网站营销怎么做,开发公司年度工作总结及明年工作计划,wordpress引入html代码,顺义网站做的比较好的公司温馨提示#xff1a;文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目简介 本项目通过集成网络爬虫技术#xff0c;实时获取海量汽车数据#xff1b;运用先进的ARIMA时序建模算法对数据进行深度挖掘和分析#xff1b;结合flask web系统和echarts可视化工具#xff0c;… 温馨提示文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目简介 本项目通过集成网络爬虫技术实时获取海量汽车数据运用先进的ARIMA时序建模算法对数据进行深度挖掘和分析结合flask web系统和echarts可视化工具为用户提供直观、易用的操作界面。系统主要包含汽车销量分析、汽车品牌车系分析、汽车评分分析、汽车指导价分析、汽车价格预测和汽车个性化推荐等功能模块旨在为汽车行业从业者、消费者及研究人员提供全面、准确的数据支持和服务。 B站详情及代码资料下载基于大数据的汽车信息可视化分析预测与推荐系统_哔哩哔哩_bilibili 基于大数据的汽车信息可视化分析预测与推荐系统 2. 汽车信息采集 利用 requests、beautifulsoup等工具包模拟采集并解析各品牌汽车的品牌、车系、评分、级别、车身结构、发动机、变速箱、指导价、销量等多维数据经过数据清洗和格式化并进行数据的存储
response requests.get(url, headersheaders)
response.encoding gbk
soup BeautifulSoup(response.text, lxml)
cars soup.select(div.list-cont)brand_cars []
for car in cars:try:car_info {品牌: brand}name car.select(a.font-bold)[0].textscore car.select(span.score-number)if len(score) 0:score 暂无else:score score[0].textcar_info[车系] namecar_info[评分] scoreul car.select(ul.lever-ul)[0]for li in ul.select(li):data li.text.replace(\xa0, ).replace(nbsp;, ).replace( , ).strip().split()if 颜色 in data[0]: continueif len(data) 2: continuecar_info[data[0]] data[1]price car.select(span.font-arial)[0].textprice price.split(-)if len(price) 1:car_info[最低指导价] price[0]car_info[最高指导价] price[0]else:car_info[最低指导价] price[0] 万car_info[最高指导价] price[1]car_info[链接] urlbrand_cars.append(car_info)except:print(error...)continue 汽车销量数据采集
def factory_car_sell_count_spider():中国汽车分厂商每月销售量https://XXXXXXX/factory.htmlbase_url https://XXXXXXX/factory-{}-{}-{}.htmlyear_month 201506factory_month_sell_counts []now_date datetime.now().strftime(%Y%m)while year_month now_date:for page_i in range(1, 5):try:url base_url.format(year_month, year_month, page_i)print(url)resp requests.get(url, headersheaders)resp.encoding utf8soup BeautifulSoup(resp.text, lxml)table soup.select(table.xl-table-def)trs table[0].find_all(tr)for tr in trs:tds tr.find_all(td)if len(tds) 4: continue# 厂商logo......factory_month_sell_counts.append((year_month, factory_logo, factory, sell_count, ratio))time.sleep(1)except:print(error...)continue# 下个月份......
3. 基于大数据的汽车信息可视化分析预测与推荐系统
3.1 系统首页与注册登录 3.2 汽车销量分析 该功能模块使用Python中的Pandas库对汽车销量数据进行分析和可视化。首先通过读取汽车销量数据将数据加载到Pandas的DataFrame对象中。然后利用Pandas提供的数据处理和分析功能对销量数据进行统计分析最后利用echarts库生成柱状图和饼状图直观地展示汽车销量的分布情况和占比情况。 3.3 汽车品牌车系分析 分析不同汽车品牌的车系数量、与汽车类型的分布情况 3.4 汽车评分分析 分析不同品牌汽车、不同车系、车型级别的评分分布情况 3.5 汽车指导价分析 分析不同汽车不同车系、续航里程等因素下的指导价分布情况 3.6 基于决策树算法的汽车价格预测 利用 Xgboost 构建决策树回归算法实现对汽车指导价的预测建模
df_columns dataset.columns.values
print(--- cv train to choose best_num_boost_round)
all_y np.log1p(all_y)dtrain xgb.DMatrix(all_x, labelall_y, feature_namesdf_columns)xgb_params {learning_rate: 0.01,max_depth: 4,eval_metric: rmse,objective: reg:linear,nthread: -1,silent: 1,booster: gbtree
}cv_result xgb.cv(dict(xgb_params),dtrain,num_boost_round4000,early_stopping_rounds100,verbose_eval100,show_stdvFalse,)
best_num_boost_rounds len(cv_result)
mean_train_logloss cv_result.loc[best_num_boost_rounds -11: best_num_boost_rounds - 1, train-rmse-mean].mean()
mean_test_logloss cv_result.loc[best_num_boost_rounds -11: best_num_boost_rounds - 1, test-rmse-mean].mean()
print(best_num_boost_rounds {}.format(best_num_boost_rounds))print(mean_train_rmse {:.7f} , mean_valid_rmse {:.7f}\n.format(mean_train_logloss, mean_test_logloss))
print(--- training on total dataset to predict test and submit)
model xgb.train(dict(xgb_params),dtrain,num_boost_roundbest_num_boost_rounds)
# 特征重要程度
feature_importance model.get_fscore()
feature_importance sorted(feature_importance.items(), keylambda d: d[1], reverseTrue)
3.7 汽车个性化推荐
3.7.1 基于内容的汽车品牌车型推荐 基于内容的汽车推荐基于用户选择的汽车品牌、车型级别、和价格区间进行符合筛选条件的汽车车型推荐 3.7.2 基于用户行为的汽车车型推荐 针对用户选择喜欢的车型数据构建用户画像特征向量、汽车特征向量通过计算向量余弦相似度进行汽车车型的推荐
def cos_sim(x, y):余弦相似性input: x(mat):以行向量的形式存储可以是用户或者商品y(mat):以行向量的形式存储可以是用户或者商品output: x和y之间的余弦相似度x x.reshape(1, -1)y y.reshape(1, -1)numerator x * y.T # x和y之间的内积denominator np.sqrt(x * x.T) * np.sqrt(y * y.T)return (numerator / (denominator 0.000001))[0, 0]def similarity(data):计算矩阵中任意两行之间的相似度input: data(mat):任意矩阵output: w(mat):任意两行之间的相似度m np.shape(data)[0] # 用户的数量# 初始化相似度矩阵w np.mat(np.zeros((m, m)))for i in range(m):for j in range(i, m):if j ! i:# 计算任意两行之间的相似度w[i, j] cos_sim(data[i,], data[j,])w[j, i] w[i, j]else:w[i, j] 0return wdef top_k(predict, k):为用户推荐前k个商品input: predict(list):排好序的商品列表k(int):推荐的商品个数output: top_recom(list):top_k个商品top_recom []len_result len(predict)if k len_result:top_recom predictelse:for i in range(k):top_recom.append(predict[i])4. 总结 本项目通过集成网络爬虫技术实时获取海量汽车数据运用先进的ARIMA时序建模算法对数据进行深度挖掘和分析结合flask web系统和echarts可视化工具为用户提供直观、易用的操作界面。系统主要包含汽车销量分析、汽车品牌车系分析、汽车评分分析、汽车指导价分析、汽车价格预测和汽车个性化推荐等功能模块旨在为汽车行业从业者、消费者及研究人员提供全面、准确的数据支持和服务。 欢迎大家点赞、收藏、关注、评论啦 由于篇幅有限只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :) 精彩专栏推荐订阅 1. Python数据挖掘精品实战案例 2. 计算机视觉 CV 精品实战案例 3. 自然语言处理 NLP 精品实战案例
