Python+Flask+Prophet 汽车之家二手车系统逻辑回归二手车推荐系统机器学习（逻辑回归+Echarts 源码+文档）✅

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅**感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。**🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：Python语言、Flask框架、Echarts可视化、Prophet时间序列预测算法、逻辑回归算法、requests爬虫、汽车之家二手车数据源（核心应用：二手车数据采集、口碑分析、销量预测、个性化推荐）
研究背景：当前汽车之家二手车平台数据海量，但存在三大核心痛点------数据分散在车型、口碑、销量等板块，人工整合分析效率低；传统口碑分析仅靠主观判断，无法量化"评分与售价""评价人数与车型热度"的关联；销量预测依赖经验，缺乏科学的时间序列模型支撑；同时个性化推荐缺失，用户需在海量车源中手动筛选，时间成本高，亟需"采集-分析-预测-推荐"一体化系统解决。
研究意义：技术层面，通过requests爬虫实现数据自动化采集，逻辑回归算法量化口碑与价格关联，Prophet算法提升销量预测精度，Echarts可视化降低数据理解门槛，Flask搭建稳定Web架构；用户层面，为买家提供精准推荐、为卖家提供销量预判、为管理员提供数据管控工具；行业层面，推动二手车市场从"经验驱动"转向"数据驱动"，提升交易透明度与运营效率，具备实际应用价值。

2、项目界面

数据可视化分析大屏
数据中心
汽车口碑分析1----评分、评价人数
汽车口碑分析2----评分与售价关系、各类型均价分析
汽车推荐
各品牌销量预测
后台管理
注册登录
数据采集

3、项目说明

本项目是基于Python+Flask框架开发的汽车之家二手车数据智能分析系统，整合requests爬虫、逻辑回归、Prophet时间序列算法与Echarts可视化，构建"数据采集-口碑分析-销量预测-个性化推荐-后台管理"的完整流程，旨在解决二手车市场数据利用低效、决策缺乏科学支撑的问题。

（1）系统架构与技术逻辑

架构设计：采用"前后端轻量协同"模式------后端基于Flask框架，负责三大核心任务：① requests爬虫采集汽车之家数据（车型、口碑、销量）；② 算法调度（逻辑回归分析口碑、Prophet预测销量）；③ 接口开发（为前端提供数据与功能支撑）；前端通过HTML+CSS构建交互界面，核心嵌入Echarts组件，将后端数据转化为可视化图表，支持用户操作与结果展示。
数据支撑：系统数据源聚焦汽车之家二手车板块，涵盖车辆基础信息（品牌、型号、售价、年份）、口碑数据（用户评分、评价内容、评价人数）、销量数据（各品牌月度/季度销量），经爬虫采集后清洗（去重、补缺失值），存储至数据库（如MySQL/SQLite），为后续模块提供高质量输入。

（2）核心功能模块详解

① 数据采集模块（基础支撑）

功能：实现汽车之家二手车数据的自动化采集与更新，解决"数据手动获取耗时"问题；
技术实现 ：
- 爬虫逻辑：用requests库模拟浏览器请求，解析汽车之家网页HTML结构，编写定向抽取规则，获取车型列表、用户口碑、历史销量等数据；
- 采集控制：支持两种模式------"数据采集"界面手动触发（用户点击"开始采集"）、定时自动运行（通过Flask调度任务，如每日凌晨更新前一天销量）；
- 数据预处理：采集后自动过滤无效数据（如重复车型、无评分的口碑），统一数据格式（如售价保留两位小数、销量按月份规整），确保数据可用性。

② 数据可视化模块（直观展示）

数据可视化分析大屏 ：
- 功能：作为系统宏观入口，整合口碑、销量、价格的核心指标，如"各品牌销量TOP10柱状图""二手车均价区间饼图""口碑评分分布折线图"；
- 价值：用户一眼把握二手车市场整体动态，为战略决策提供宏观参考；
数据中心 ：
- 功能：提供数据明细查询与管理，支持按"品牌、价格区间、评分"筛选车辆数据，展示原始数据表格（如"2023款丰田凯美瑞，售价18.5万，评分4.7"）；
- 价值：满足用户"精细化查数"需求，为后续口碑分析、推荐提供数据筛选基础。

③ 汽车口碑分析模块（逻辑回归应用）

功能：量化分析二手车口碑与关键指标的关联，避免"主观判断偏差"；
技术实现（逻辑回归算法） ：
- 分析维度1：以"评价人数"为因变量，"品牌、车型、评分"为自变量，构建逻辑回归模型，判断哪些因素对评价热度影响显著（如"豪华品牌评价人数通常更高"）；
- 分析维度2：以"评分"为因变量，"售价、车龄、配置"为自变量，模型输出"评分与售价的关联系数"（如"售价15-25万区间车型评分普遍高于10万以下车型"）；
可视化呈现：通过Echarts生成"评分与售价散点图""各类型车型均价柱状图"（如SUV、轿车均价对比），直观展示分析结果，辅助用户判断车型性价比。

④ 汽车推荐模块（逻辑回归驱动）

功能：基于用户需求实现个性化二手车推荐，解决"海量车源筛选难"问题；
技术实现 ：
- 需求采集：用户在推荐界面输入偏好（如"预算15-20万""SUV车型""评分≥4.5"）；
- 模型匹配：逻辑回归模型将用户需求转化为特征变量，与数据库中车辆特征进行匹配，按"匹配度+销量热度"排序；
结果展示：推荐列表展示车辆图文信息、评分、口碑摘要，支持点击查看详情，提升用户找车效率。

⑤ 各品牌销量预测模块（Prophet算法核心）

功能：预测未来一段时间（如3个月、6个月）各二手车品牌的销量趋势，为卖家库存规划提供依据；
技术实现（Prophet时间序列算法） ：
- 数据输入：将数据库中各品牌历史销量数据（如近2年每月销量）按品牌分组，作为Prophet模型输入；
- 模型训练：Prophet自动捕捉销量的"趋势性"（如逐年增长/下降）、"季节性"（如春节后销量高峰），无需复杂参数调优；
- 预测输出：生成各品牌销量预测曲线（含预测值与置信区间），通过Echarts在"销量预测"界面展示，支持对比不同品牌趋势；
价值：帮助卖家提前调整库存（如预测销量增长则增加备货），减少库存积压或缺货风险。

⑥ 后台管理与注册登录模块（系统运维）

后台管理（管理员专属） ：
- 数据管理：增删改查数据库车辆数据、口碑记录，导出分析结果为Excel；
- 用户管理：维护注册用户账号，划分权限（普通用户/管理员）；
- 爬虫监控：查看爬虫运行日志（如采集成功条数、失败原因），确保数据更新正常；
注册登录 ：
- 功能：用户通过账号密码认证，登录后获取对应权限（普通用户可使用推荐、查看分析；管理员可进入后台）；
- 安全保障：Flask实现密码加密存储，防止用户信息泄露。

4、核心代码

python 复制代码

import re
import time
import traceback
import requests
from bs4 import BeautifulSoup
import models
from sqlalchemy import and_
session = requests.session()
url = 'https://k.autohome.com.cn/'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36",
    "Referer": "https://k.autohome.com.cn/"
}

session.get(url=url,headers=headers,verify=False)


dicts_item = {
    '小型SUV': 'https://k.autohome.com.cn/suva01/',
    '紧凑型SUV': 'https://k.autohome.com.cn/suva1/',
    '中型SUV': 'https://k.autohome.com.cn/suvb1/',
    '中大型SUV': 'https://k.autohome.com.cn/suvc1/',
    '大型SUV': 'https://k.autohome.com.cn/suvd1/',
    '微型车': 'https://k.autohome.com.cn/a001/',
    '小型车': 'https://k.autohome.com.cn/a01/',
    '紧凑型车': 'https://k.autohome.com.cn/a1/',
    '中型车': 'https://k.autohome.com.cn/b1/',
    '中大型车': 'https://k.autohome.com.cn/c1/',
    '大型车': 'https://k.autohome.com.cn/d1/',
    'MPV': 'https://k.autohome.com.cn/mpv1/',
    '跑车': 'https://k.autohome.com.cn/s1/',
    '皮卡': 'https://k.autohome.com.cn/p1/',
    '微面': 'https://k.autohome.com.cn/mb1/'}

for _key,_url in dicts_item.items():
    time.sleep(3)
    headers = {
    }

    print(_url)
    h1 = session.get(url=_url + '#pvareaid=2099126',headers=headers,verify=False)
    print(h1.request.url)
    if h1.request.url == 'https://k.autohome.com.cn':
        print(1111)
        h1 = session.get(url=_url, headers=headers, verify=False)


    soup = BeautifulSoup(h1.text,'html.parser')
    lis = soup.select('ul.list-cont > li')
    # print(lis)
    for li in lis:
        time.sleep(1)
        try:
            img_url = li.select('img')[0].attrs.get('src')
            title = li.select('a.font-14-b')[0].text.strip()
            fenshu = li.select('span.red')[0].text.strip()
            renshu = li.select('a')[-1].text.strip()
            lianjie = li.select('a.font-14-b')[0].attrs.get('href')
            if not str(lianjie).startswith('http'):
                lianjie = 'https://k.autohome.com.cn' + lianjie + '#pvareaid=102519'

            print(img_url,title,fenshu,renshu,lianjie)
            print(lianjie)
            h2 = session.get(url=lianjie, headers=headers, verify=False)
            soup2 = BeautifulSoup(h2.text, 'html.parser')
            # print(soup2)
            subnav_name = soup2.select('div.header_toolbar__car__name__5SxJb a')[0].text
            brand = subnav_name.split('-')[0]
            Sub_brand = subnav_name.split('-')[1:]
            if len(Sub_brand) == 1:
                Sub_brand = Sub_brand[0]
            else:
                Sub_brand = '-'.join(Sub_brand)
            price = re.findall('seriesMinPrice":{"title":"(.*?)万',h2.text)[0]
            pingjias = soup2.select('ul.score_tag__Wq2Z4 > li')
            if not models.Automobile.query.filter(models.Automobile.url==lianjie).all():
                models.db.session.add(
                    models.Automobile(
                        title=title,
                        brand=brand,
                        Sub_brand=Sub_brand,
                        price=price,
                        pingfen=fenshu,
                        renshu=renshu,
                        img_url=img_url,
                        url=lianjie,
                        type=_key
                    )
                )
                models.db.session.commit()

            for pingjia in pingjias:
                print(pingjia)
                try:
                    text1 = pingjia.select("div")[0].text.strip()
                    renshu2 = re.findall('(\d+)',text1)
                    if renshu2:
                        renshu2 = renshu2[0]
                    else:
                        renshu2 = '0'
                    content = text1.replace(renshu2,'')
                    datas1 = models.Automobile.query.filter(models.Automobile.url==lianjie).all()[0]

                    print(content,renshu2)
                    if not models.PingLun.query.filter(
                        and_(models.PingLun.automobile_id == datas1.id, models.PingLun.content == content)).all():
                        print('插入数据',content,renshu2)
                        models.db.session.add(
                            models.PingLun(
                                content=content,
                                renshu = renshu2,
                                automobile_id = datas1.id
                            )
                        )
                        models.db.session.commit()
                except:
                    print(traceback.format_exc())
                    continue
        except:
            print(traceback.format_exc())
            continue

🍅✌**感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目编程以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！**🍅✌

5、源码获取方式

🍅**由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。**🍅

点赞、收藏、关注，不迷路，下方查看 👇🏻获取联系方式👇🏻

Python+Flask+Prophet 汽车之家二手车系统 逻辑回归 二手车推荐系统 机器学习（逻辑回归+Echarts 源码+文档）✅