django电影推荐系统

电影推荐

启动

./bin/pycharm.sh

django-admin startproject movie_recommendation_project

cd movie_recommendation_project/

python manage.py movie_recommendation_app

python manage.py startapp movle_recommendation_app

ls

python manage.py runserver

Using the URLconf defined in movie_recommendation_project.urls, Django tried these URL patterns, in this order:

admin/
movie/

The empty path didn't match any of these.

You're seeing this error because you have DEBUG = True in your Django settings file. Change that to False, and Django will display a standard 404 page.

第二步

def recommendation(request):
    # 创建Spark会话
    spark = SparkSession.builder.appName("MovieRecommendation").getOrCreate()

    # 加载电影评分数据集
    data_path = "/home/hadoop/Downloads/movie_recommend/movie_recommend/personalRatings.dat"  # 替换为实际数据文件的路径
    # 使用正确的分隔符来读取数据
    ratings = spark.read.csv(data_path, header=False, sep="::", inferSchema=True)

    # 为数据集添加列名
    ratings = ratings.withColumnRenamed("_c0", "userId") \
    .withColumnRenamed("_c1", "movieId") \
    .withColumnRenamed("_c2", "rating") \
    .withColumnRenamed("_c3", "timestamp")

    # ratings.show(10)
    # 创建ALS推荐模型
    als = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", coldStartStrategy="drop")
    model = als.fit(ratings)

    # 为某个用户生成电影推荐
    user_id = 3  # 替换为您要为其生成推荐的用户ID
    user_ratings = ratings.filter(ratings["userId"] == user_id)
    # user_ratings.show()
    user_unrated_movies = ratings.filter(ratings["userId"] != user_id).distinct()
    # user_unrated_movies = ratings.filter(ratings["userId"] != user_id).select("movieId").distinct()
    # user_unrated_movies.show()
    recommendations = model.transform(user_unrated_movies)

    # 获取前N个推荐电影
    top_n_recommendations = recommendations.orderBy("prediction", ascending=False).limit(10)
    # top_n_recommendations.show()
    # for recommendation2 in top_n_recommendations.collect():
    #     print(recommendation2.movieId)

    # 在视图中进行数据转换
    recommendation_data = [{"movieId": row.movieId, "prediction": row.prediction} for row in top_n_recommendations.collect()]

    # 将数据传递给模板
    context = {
        "user_id": user_id,
        "recommendations": recommendation_data  # 使用转换后的数据
    }

    return render(request, "recommendation.html", context)

1::3::3::978301968

1::4::4::978300275

1::5::5::978824291

1::6::3::978302268

1::7::5::978302039

1::8::5::978300719

2::7::7::978302037

2::8::8::978300718

3::1::5::978300760

3::2::3::978302109

4::7::5::178302039

4::8::5::178300719

html

<!DOCTYPE html>
<html>
<head>
    <title>电影推荐</title>
</head>
<body>
    <h1>电影推荐结果</h1>
    <p>为用户 {{ user_id }} 推荐的电影：</p>
    <ul>
        {% for recommendation in recommendations %}
            <li>电影ID: {{ recommendation.movieId }}, 推荐评分: {{ recommendation.prediction }}</li>
        {% endfor %}
    </ul>
</body>
</html>

第三步

结课

DiVoMiner®-让研究更容易

Django（含 flask）框架下 web 软件任务分工（供参考）

:最多 5 个人一组（得分：100%、90%、

80%、70%、70%），最少 1 个人一组。最后一次实践课展示答辩软件。

数据集导入功能（设置 csv、excel、txt 等格式文件导入按钮，点击可上传导入数据集），

数据集不少于 5000 条，选文本等非结构数据（新浪微博评论、抖音视频评论、领导留

言板数据、裁判文书数据等）加分

数据集统计信息可视化：（

1）基本信息：数据量、行、列数目等（

2）类别数据的占比饼

图

等等，

可参考：

https://me.divominer.cn/projects3. 数据预处理选项按钮（可选择处理哪些列，预处理结果保存为新的列，设置缺失值处理，

数值型数据标准化，类别型数据编码等按钮，按后完成相应操作，文本数据预处理可以

自行增加更多按钮，实现更多预处理功能）

实现如下功能之一即可：分类、聚类、回归、情感分析、主题挖掘等。设置模型选择下

拉菜单，可选择相应模型，选择后，对相应模型进行分析，分析参考思路：

设置数据分析报告模板（word 文件模板），分析完一键生成分析报告，对应的可视化图、

模型结果、模型评价等信息存入 word 模板，并对话框提示分析报告存放位置。（参考如

下图）。

软件封装成 exe 文件

django

render函数通常需要三个参数，但也可以接受可选参数。这些参数的一般形式如下：

pythonCopy code
render(request, template_name, context, content_type=None, status=None, using=None)

request : 这是HTTP请求对象，通常是request参数。它包含有关用户请求的信息，如请求的URL、HTTP方法、用户的会话等。
template_name : 这是要渲染的模板文件的名称。它通常是一个字符串，指定要使用的模板文件的路径，相对于您的Django应用中的模板目录。例如，如果您的模板文件位于应用的templates目录下，可以提供模板文件的相对路径。
context: 这是一个字典，其中包含要传递到模板中以供渲染的数据。这些数据可以在模板中使用，以动态生成页面内容。
content_type (可选): 这是响应的内容类型（Content Type），通常为字符串，用于指定响应的MIME类型。如果未指定，Django将使用默认的MIME类型。
status (可选): 这是HTTP响应的状态码，通常是一个整数。如果未指定，Django将使用默认的200 OK状态码。
using (可选): 这是一个字符串，用于指定要使用的模板引擎的名称。如果您使用的是Django的默认模板引擎，通常不需要指定此参数。如果您在项目中配置了多个模板引擎，可以使用此参数来指定要使用的模板引擎的名称。

urls

urlpatterns = [ path('', views.movie, name='movie'), path('recommendation/', views.recommendation, name='recommendation'), path('chart/', views.chart, name='chart'), ]解释一下这个

这是一个典型的Django应用中的URL映射（URL patterns）定义，它指定了不同URL路径与视图函数之间的映射关系。让我解释这个URL映射的每一部分：

urlpatterns 是一个列表，其中包含了Django应用的所有URL模式。
path('', views.movie, name='movie') 是一个URL模式定义。它包括以下三个部分：

- ' ' ：这是URL模式的路径部分。在这种情况下，它是空字符串，表示应用的根URL路径（例如，**http://example.com/**）。
- views.movie ：这是与该URL路径关联的视图函数。在这里，它指定了名为movie 的视图函数，通常位于views.py文件中。
- name='movie' ：这是该URL模式的名称，以便在代码中引用或生成URL时使用。它被设置为**'movie'**，允许您在其他地方引用此URL模式，例如，从模板或其他视图函数中生成链接。

同样的逻辑适用于后续的两个URL模式：

- path('recommendation/', views.recommendation, name='recommendation') ：这个URL模式将路径"/recommendation/"映射到名为recommendation 的视图函数，并分配了名字**'recommendation'**。
- path('chart/', views.chart, name='chart') ：这个URL模式将路径"/chart/"映射到名为chart 的视图函数，并分配了名字**'chart'**。

总之，这个URL映射定义允许Django应用在根路径（空路径）、"/recommendation/"和"/chart/"路径上响应不同的视图函数，并为每个路径分配了一个独特的名称，以便在代码中引用和生成URL。这有助于管理应用中的不同URL路径和视图之间的关系。

diango项目创建

django==2.1

pylint

pylint-django

autopep8

pip install -r requirements.txt

pip config set global.index-url Simple Index

创建

django-admin startproject TradingMonitorcd

cd TradingMonitor/

python manage.py migrate

为这个系统添加管理员账户： python3 manage.py createsuperuser

python manage.py createsuperuser #配置用户

原文链接：如何使用虚拟环境搭建一个Django项目_虚拟环境中如何创建django项目-CSDN博客

python manage.py runserver

可视化大屏幕

https://github.com/CavalryZsl/Echarts-Django

开发一个整合了Django和PySpark的微博舆情分析软件需要进行一系列的步骤。以下是一个简要的计划，涵盖了主要的开发任务和步骤。请注意，这只是一个起点，实际的开发可能需要根据具体需求进行调整和扩展。

步骤一：环境准备

安装Python、Django和PySpark。
创建Django项目和应用程序。

步骤二：数据收集

使用Django创建一个爬虫或集成微博API，从微博获取舆情数据。
将数据存储到数据库中，例如使用Django的模型定义。

步骤三：数据清洗和预处理

使用PySpark进行数据清洗和预处理。
处理缺失值、去重、文本分词等。
将清洗后的数据保存回数据库。

步骤四：情感分析

使用PySpark MLlib或其他情感分析库对微博文本进行情感分析。
将分析结果与原始数据关联，存储到数据库中。

步骤五：创建Django视图和模板

创建Django视图处理用户请求，与数据库交互。
使用Django模板渲染前端页面，展示分析结果和可视化。

步骤六：用户认证和权限管理

实现用户认证和授权功能，确保只有授权用户可以访问敏感数据和功能。

步骤七：前端交互和可视化

使用前端框架（如Vue.js或React）创建交互式的用户界面。
利用图表库（如Plotly或Chart.js）展示舆情分析结果。

步骤八：部署

部署Django应用程序和PySpark分析任务。
使用Docker等工具容器化应用，简化部署过程。

补充建议：

性能优化： 对PySpark任务进行性能优化，考虑分布式计算等。
异常处理： 添加适当的异常处理机制，确保系统稳定性。
日志记录： 在关键部分添加日志记录，以便追踪和调试问题。
安全性： 考虑数据的加密、用户身份验证等安全性问题。

以上步骤是一个基本的框架，实际项目中可能需要根据具体需求和团队技能进行调整。在开发过程中，及时测试和迭代是非常重要的，以确保软件的质量和稳定性。