计算机毕业设计：Python农产品销售数据可视化分析系统 Django框架 数据分析 可视化 大数据 大模型 机器学习（建议收藏）✅

博主介绍：✌全网粉丝50W+，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、最全计算机大数据专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈

采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，前端结合 HTML 与 Echarts 可视化库实现数据展示。

功能模块

· 农产品价格区间分布

· 农产品销量分布

· 农产品不同省份销量分布

· 农产品不同省份数量分布

· 农产品词云图分析

· 农产品价格与销量的关系

· 农产品数据

· 首页

项目介绍

本系统基于 Django 框架构建农产品销售分析可视化平台，通过 MySQL 数据库存储和管理销售数据。系统提供农产品价格区间环形图、销量分布漏斗图、各省份销量与数量分布的中国地图热力图、关键词词云图、价格与销量关系折线图等可视化模块，帮助用户直观了解销售结构、地区差异与价格影响规律。数据中心模块以表格形式展示商品名称、价格、销量、店铺等信息，支持搜索与分页浏览，首页介绍系统架构与功能方向。

2、项目界面

（1）农产品价格区间分布

该页面为农产品数据分析可视化系统的商品价格区间分布模块，以环形图形式展示淘宝商品各价格区间的分布情况，可直观呈现不同价格段商品的占比与数量，辅助用户分析价格分布特征。

（2）农产品销量分布

该页面为农产品数据分析可视化系统的不同类别商品销量分布模块，以漏斗图形式直观展示淘宝各类农产品的销量分布情况，可清晰呈现不同类别商品的销量层级与占比，便于用户分析各类商品的销售情况。

（3）农产品不同省份销量分布-----中国地图

该页面为农产品数据分析可视化系统的不同省份商品销量分布模块，以中国地图热力图形式直观展示各省份农产品销量分布情况，通过颜色深浅区分销量等级，便于用户分析不同地区的销售差异与市场分布特征。

（4）农产品不同省份数量分布-----中国地图

该页面为农产品数据分析可视化系统的不同省份商品数量分布模块，以中国地图热力图形式展示各省份农产品商品数量分布情况，通过不同深浅的绿色区分数量等级，直观呈现各地商品数量差异，便于用户分析市场布局特征。

（5）农产品词云图分析

该页面为农产品数据分析可视化系统的词云可视化模块，以词云图形式直观展示农产品相关关键词的出现频次，搭配下方词频统计列表，清晰呈现各关键词的热度与分布情况，便于用户快速识别高频商品特征。

（6）农产品价格与销量的关系

该页面为农产品数据分析可视化系统的商品价格与销量关系模块，以折线图形式直观呈现淘宝商品价格区间与销量的对应关系，清晰展示不同价格段的销量分布趋势，便于用户分析价格对销量的影响规律。

（7）农产品数据

该页面为农产品数据分析可视化系统的数据中心模块，以表格形式展示淘宝农产品的商品信息，包含商品名称、简介、价格、发货地、销量、店铺等字段，支持搜索与分页浏览，便于用户快速查询和管理商品数据。

（8）首页

该页面为农产品数据分析可视化系统的首页，介绍了系统的技术栈与功能模块，展示了用户模块和数据可视化模块的说明，搭配背景图呈现系统定位，让用户快速了解系统整体架构与功能方向。

3、项目说明

一、技术栈简要说明

本系统采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，前端结合 HTML 与 Echarts 可视化库实现数据展示。

二、功能模块详细介绍

· 农产品价格区间分布

该页面为商品价格区间分布模块，以环形图形式展示淘宝商品各价格区间的分布情况，可直观呈现不同价格段商品的占比与数量，辅助用户分析价格分布特征，了解农产品定价结构。

· 农产品销量分布

该页面为不同类别商品销量分布模块，以漏斗图形式直观展示淘宝各类农产品的销量分布情况，可清晰呈现不同类别商品的销量层级与占比，便于用户分析各类商品的销售表现与市场热度。

· 农产品不同省份销量分布

该页面为不同省份商品销量分布模块，以中国地图热力图形式直观展示各省份农产品销量分布情况，通过颜色深浅区分销量等级，便于用户分析不同地区的销售差异与市场分布特征，识别高销量区域。

· 农产品不同省份数量分布

该页面为不同省份商品数量分布模块，以中国地图热力图形式展示各省份农产品商品数量分布情况，通过不同深浅的绿色区分数量等级，直观呈现各地商品数量差异，便于用户分析市场布局特征与商品覆盖密度。

· 农产品词云图分析

该页面为词云可视化模块，以词云图形式直观展示农产品相关关键词的出现频次，搭配下方词频统计列表，清晰呈现各关键词的热度与分布情况，便于用户快速识别高频商品特征与市场关注焦点。

· 农产品价格与销量的关系

该页面为商品价格与销量关系模块，以折线图形式直观呈现淘宝商品价格区间与销量的对应关系，清晰展示不同价格段的销量分布趋势，便于用户分析价格对销量的影响规律，为定价策略提供参考。

· 农产品数据

该页面为数据中心模块，以表格形式展示淘宝农产品的商品信息，包含商品名称、简介、价格、发货地、销量、店铺等字段，支持搜索与分页浏览，便于用户快速查询和管理商品数据，实现销售信息的集中查阅。

· 首页

该页面为系统首页，介绍了系统的技术栈与功能模块，展示了用户模块和数据可视化模块的说明，搭配背景图呈现系统定位，让用户快速了解系统整体架构与功能方向，提供导航入口。

三、项目总结

本系统基于 Django 框架构建农产品销售分析可视化平台，通过 MySQL 数据库存储和管理销售数据。系统提供农产品价格区间环形图、销量分布漏斗图、各省份销量与数量分布的中国地图热力图、关键词词云图、价格与销量关系折线图等可视化模块，帮助用户直观了解销售结构、地区差异与价格影响规律。数据中心模块以表格形式展示商品名称、价格、销量、店铺等信息，支持搜索与分页浏览，首页介绍系统架构与功能方向。该系统能够帮助农业从业者、销售商和决策者更直观地理解农产品销售情况，发现潜在的销售机会与挑战，为商业决策提供数据支持。

4、核心代码

@login_required
def ciyun(request):
    query1 = 'select * from 淘宝数据'


    df1 = query_database(query1)


    def cy(df):
        # 词云图数据处理
        titles = df['标题'].tolist()
        # 加载停用词表
        stopwords = set()
        with open(BASE_DIR + r'./app/StopWords.txt', 'r', encoding='utf-8') as f:
            for line in f:
                stopwords.add(line.strip())
        # 将数据进行分词并计算词频
        words = []
        for item in titles:
            if item:
                words += jieba.lcut(item.replace(' ', ''))
        word_counts = Counter([w for w in words if w not in stopwords])
        # 获取词频最高的词汇
        top20_words = word_counts.most_common()
        words_data = []
        for word in top20_words:
            words_data.append({'name': word[0], 'value': word[1]})
        return words_data

    word1 = cy(df1)

    return render(request, 'ciyun.html', locals())


@login_required
def jiage(request):
    query1 = 'select * from 淘宝数据'


    df1 = query_database(query1)


    def cy(df):
        # 商品价格区间分布
        data_res = [[], [], [], [], [], [], [], [], [], []]
        for data in df['价格'].values.tolist():
            print(data)
            if data <= 10:
                data_res[0].append(data)
            if 10 < data <= 20:
                data_res[1].append(data)
            if 20 < data <= 30:
                data_res[2].append(data)
            if 30 < data <= 40:
                data_res[3].append(data)
            if 40 < data <= 50:
                data_res[4].append(data)
            if 50 < data <= 60:
                data_res[6].append(data)
            if 60 < data <= 70:
                data_res[7].append(data)
            if 70 < data <= 80:
                data_res[8].append(data)
            if 80 < data:
                data_res[9].append(data)
        data_col = [f'商品价格0~10元',
                    f'商品价格10~20元',
                    f'商品价格20~30元',
                    f'商品价格30~40元',
                    f'商品价格40~50元',
                    f'商品价格50~60元',
                    f'商品价格60~70元',
                    f'商品价格70~80元',
                    f'商品价格80元以上的', ]
        data_num = [len(i) for i in data_res]
        data_price_interval = []
        for key, value in zip(data_col, data_num):
            data_price_interval.append({'name': key, 'value': value})
        return data_price_interval

    word1 = cy(df1)

    return render(request, 'jiage.html', locals())


@login_required
def xiaoliang(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    def cy(sales_df):
        # 商品销量分布情况
        data_dict = {}
        for i in sales_df:
            print(i)
            key = i[0]
            value = '0'
            if i[1]:
                value = str(i[1]).replace('万', '0000').replace('+', '').replace('评价', '').replace('.', '')
            if data_dict.get(key):
                data_dict[key] += int(value)
            else:
                data_dict[key] = int(value)

        sales_data = []
        sales_key = []
        for key, value in data_dict.items():
            sales_key.append(key)
            sales_data.append({'name': key, 'value': value})

        return sales_key, sales_data

    sales_key1, sales_data1 = cy(df1[['word', '销量']].values.tolist())

    return render(request, 'xiaoliang.html', locals())


@login_required
def map(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    # 地图销量数据处理
    addr = df1[['发货地', '销量']]
    addr_data = addr.groupby('发货地')['销量'].sum()
    map_data = []
    addr_dict = {}
    for key, value in addr_data.to_dict().items():
        key = key.split(' ')[0]
        if addr_dict.get(key):
            addr_dict[key] += value
        else:
            addr_dict[key] = value
    for key, value in addr_dict.items():
        map_data.append({'name': key, 'value': value})

    return render(request, 'map.html', locals())


@login_required
def map2(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    # 地图销量数据处理
    addr = df1['发货地'].value_counts()
    map_data = []
    addr_dict = {}
    for key, value in addr.to_dict().items():
        key = key.split(' ')[0]
        if addr_dict.get(key):
            addr_dict[key] += value
        else:
            addr_dict[key] = value
    for key, value in addr_dict.items():
        map_data.append({'name': key, 'value': value})

    return render(request, 'map2.html', locals())


@login_required
def jgxl(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    df1 = df1[['价格', '销量']]
    # 按价格升序排序
    df1 = df1.sort_values(by=['价格'])
    # 使用布尔索引选择需要删除的行
    rows_to_drop = df1['销量'] < 100
    # 使用 drop() 方法删除行
    df1 = df1.drop(df1[rows_to_drop].index)
    df1_data = [df1['价格'].tolist(), df1['销量'].tolist()]


    return render(request, 'jgxl.html', locals())


# ARIMA 时序预测模型   【销量预测】
@login_required
def predict(request):

    def arima_model_train_eval(history):
        # 构造 ARIMA 模型
        model = ARIMA(history, order=(1, 1, 1))
        # 基于历史数据训练
        model_fit = model.fit()
        # 预测接下来的3个时间步的值
        output = model_fit.forecast(steps=3)
        yhat = output
        return yhat

    query1 = 'select * from 预测数据'

    df = query_database(query1)
    df = df[['名称', '2022/10月销量', '2022/11月销量', '2022/12月销量', '2023/01月销量', '2023/02月销量', '2023/03月销量']]
    df = df.groupby('名称').sum()
    df = df.reset_index()
    print(df)
    year_data = ['2022/10月销量', '2022/11月销量', '2022/12月销量', '2023/01月销量', '2023/02月销量', '2023/03月销量', '2023/04月销量',
                 '2023/05月销量', '2023/06月销量']
    data = df.iloc[:, 1:].values.tolist()
    bingxiang = data[0] + arima_model_train_eval(data[0]).tolist()
    xiyiji = data[1] + arima_model_train_eval(data[1]).tolist()
    dianshi = data[2] + arima_model_train_eval(data[2]).tolist()

    return render(request, 'predict.html', locals())


@login_required
def userInfo(request):
    return render(request, 'user_info.html')


@login_required
def userUpdateInfo(request):
    if request.method == 'POST':
        try:
            user = request.user
            user.username = request.POST.get('fullName')
            user.gender = request.POST.get('gender')
            user.phone_number = request.POST.get('company')
            birthday = datetime.strptime(request.POST.get('birthday'), '%Y-%m-%d')
            user.birthday = birthday
            if request.FILES.get('profileImage'):
                user.avatar = request.FILES['profileImage']

            user.save()
            return JsonResponse({'code': 200, 'errmsg': '修改成功！！！'})
        except Exception as e:
            print(e)
            return JsonResponse({'code': 403, 'errmsg': '用户名已被使用'})


@login_required
def userUpdatePwd(request):
    if request.method == 'POST':
        password = request.POST.get('password')
        new_password = request.POST.get('newpassword')
        renew_password = request.POST.get('renewpassword')

        # 检查旧密码是否正确
        if not request.user.check_password(password):
            return JsonResponse({'code': 403, 'errmsg': '旧密码不正确！！！'})

        # 检查新密码和确认密码是否匹配
        if new_password != renew_password:
            return JsonResponse({'code': 403, 'errmsg': '新密码和确认密码不匹配！！！'})

        # 更新密码
        user = request.user
        user.set_password(new_password)
        user.save()
        return JsonResponse({'code': 200, 'errmsg': '密码已成功更新！！！'})

5、源码获取方式