117-基于Python的印度犯罪数据可视化分析系统

基于 Python 的印度犯罪数据可视化分析系统技术文档

1. 项目概述

1.1 项目名称

基于 Python 的印度犯罪数据可视化分析系统

1.2 项目定位

本系统面向课程设计、数据分析展示和基础管理场景，围绕 india_crime.csv 数据集构建一个集数据清洗、数据库存储、统计分析、趋势预测、热点推荐、用户认证与后台维护于一体的 Web 可视化平台。

系统既关注"图表展示"，也强调"分析处理逻辑"：

在前台提供多页面、多维度的犯罪数据分析能力
在后台提供用户管理、主数据管理和内容管理能力
在分析层提供趋势预测与治理建议功能
在展示层提供中文对照、主题化 UI、本地图片轮播和公告卡片等能力

1.3 建设目标

本项目的核心目标包括：

将英文原始犯罪数据清洗后导入 MySQL，形成可复用的结构化分析底座。
基于 FastAPI 提供统一的页面路由和数据接口。
基于 Bootstrap + ECharts 构建多页面专题分析界面。
支持交叉筛选、联动分析、月度趋势预测和治理推荐。
提供后台管理功能，使系统不仅能"看数据"，还能"管数据"和"管内容"。

2. 技术栈说明

2.1 后端技术栈

技术	作用
FastAPI	Web 框架，负责页面路由、接口路由、表单提交与依赖注入
Uvicorn	ASGI 服务启动器
SQLAlchemy 2.x	ORM 与数据库访问层
PyMySQL	MySQL 驱动
pandas	数据清洗、统计分析、透视表与时间序列处理
NumPy	预测计算中的线性拟合与数值运算
passlib	用户密码哈希与校验
Starlette SessionMiddleware	会话登录态管理
Jinja2	服务端模板渲染

2.2 前端技术栈

技术	作用
Bootstrap 5.3.3	页面布局、表单、按钮、表格和响应式基础样式
ECharts 5.5.1	柱状图、折线图、热力图、散点图、树图、饼图等可视化呈现
原生 JavaScript	图表渲染、下拉筛选、接口调用和页面联动
CSS 自定义主题	"印度城市夜景 + 犯罪情报板"视觉风格

2.3 数据库与存储

组件	说明
MySQL	业务主库
数据库名	`design_117_crime`
主机	`localhost`
用户名	`root`
密码	`123456`

2.4 当前核心依赖版本

项目 requirements.txt 中已声明的主要版本如下：

fastapi==0.116.1
uvicorn==0.24.0
sqlalchemy==2.0.23
pymysql==1.4.6
pandas==3.0.2
jinja2==3.1.2

3. 系统总体架构

系统采用"前后端分层但不完全分离"的实现方式：

后端使用 FastAPI 同时提供 HTML 页面与 JSON 数据接口
前端页面由 Jinja2 模板生成基础结构
页面中的图表由浏览器端 JS 调用 /api/* 接口获取数据后用 ECharts 渲染
MySQL 作为唯一持久化数据源
pandas 作为分析计算引擎

整体流程如下：

系统启动。
自动检查并创建数据库。
自动建表。
若案件数据表为空，则从 CSV 清洗并导入 MySQL。
建立分析缓存 DataFrame。
用户访问页面。
页面通过接口获取分析结果。
ECharts 将结果绘制为图表。
管理员在后台修改数据或内容后，系统刷新分析缓存，使前台图表同步更新。

4. 项目目录结构

text 复制代码

code/
├─ app/
│  ├─ analytics.py          # 分析引擎与统计、预测、推荐逻辑
│  ├─ config.py             # 配置项与数据库连接参数
│  ├─ data_loader.py        # CSV 清洗、字段派生、后台表单标准化
│  ├─ database.py           # 引擎、会话工厂、建库逻辑
│  ├─ display.py            # 中英对照显示映射
│  ├─ main.py               # FastAPI 入口
│  ├─ models.py             # ORM 数据模型
│  ├─ security.py           # 登录、鉴权、密码校验、会话处理
│  ├─ site_data.py          # 默认管理员、轮播图、公告初始化
│  ├─ web.py                # 模板上下文、静态资源版本号、公共页面上下文
│  ├─ routers/
│  │  ├─ api.py             # JSON 分析接口
│  │  ├─ auth.py            # 登录、注册、退出
│  │  ├─ admin.py           # 后台管理
│  │  └─ pages.py           # 前台页面
│  ├─ static/
│  │  ├─ css/app.css        # 全局主题样式
│  │  ├─ js/*.js            # 各分析页图表脚本
│  │  └─ images/hero/       # 本地轮播图与主题图片
│  └─ templates/            # Jinja2 页面模板
├─ data/
│  └─ india_crime.csv       # 原始案件数据集
├─ tests/
│  ├─ test_app.py           # 接口、页面、后台流程测试
│  └─ browser_acceptance.py # 浏览器级验收脚本
├─ run.py                   # 启动脚本
├─ README.md
└─ 项目技术文档.md

5. 系统功能模块

5.1 前台分析模块

系统当前包含 7 个核心分析页面：

全景概览
时间深挖
城市对比
犯罪类型
人群与处置
交叉分析
预测与推荐

每个页面都围绕一个主维度深挖，同时通过筛选、热力图、结构图或散点图实现跨维度分析。

5.2 账户模块

登录
注册
退出登录
个人中心

5.3 后台管理模块

后台首页
用户管理
数据管理
内容管理

5.4 内容展示模块

首页轮播图
顶部警务通报卡片
主题图片本地化展示
中文化标签和图表文本

6. 数据集与业务建模

6.1 原始数据集特点

当前系统的数据源为 data/india_crime.csv。该数据集具有以下特点：

以案件记录为粒度，一行表示一条案件记录
涵盖城市、罪种、领域、受害者信息、武器、警力与结案状态
同时包含报案时间、案发时间和结案时间
原始 Date of Occurrence 字段存在日月格式混用问题

因此，系统在导入前必须进行统一清洗和字段标准化。

6.2 核心数据表设计

系统主要包含 4 张业务表。

6.2.1 `crime_records`

案件主数据表，是系统的分析核心。

字段	含义
`id`	主键
`report_number`	案件编号，唯一
`reported_at`	报案时间
`occurrence_at`	案件发生时间
`occurrence_reference_at`	经过格式修正后的参考案发时间
`occurrence_date_raw`	原始案发日期字段
`occurrence_time_raw`	原始案发时间字段
`city`	城市
`crime_code`	犯罪编码
`crime_description`	犯罪描述
`crime_domain`	犯罪领域
`victim_age`	受害者年龄
`age_group`	年龄分组
`victim_gender`	性别
`weapon_used`	使用武器
`police_deployed`	出警人数
`case_closed`	是否结案
`closed_at`	结案时间
`closure_days`	结案耗时天数
`report_delay_hours`	报案延迟小时数
`reported_year`	报案年份
`reported_month`	报案月份
`reported_month_label`	报案年月标签
`reported_weekday`	报案星期
`occurrence_year`	发生年份
`occurrence_month`	发生月份
`occurrence_month_label`	发生年月标签
`occurrence_weekday`	发生星期
`occurrence_hour`	发生小时
`occurrence_hour_bucket`	发生时段分桶

6.2.2 `users`

用户表，用于登录认证与角色管理。

字段	含义
`id`	主键
`username`	用户名
`email`	邮箱
`password_hash`	密码哈希
`role`	角色，支持 `admin`、`analyst`、`viewer`
`is_active`	是否启用
`created_at`	创建时间
`last_login_at`	最近登录时间

6.2.3 `site_slides`

首页轮播图配置表。

字段	含义
`title`	主标题
`subtitle`	副标题
`badge`	角标
`image_path`	本地图片路径
`cta_text`	按钮文本
`cta_link`	跳转链接
`sort_order`	排序
`is_active`	是否启用

6.2.4 `site_announcements`

顶部警务通报公告表。

字段	含义
`title`	公告标题
`content`	公告内容
`level`	公告级别，如 `info`、`warning`、`danger`、`success`
`is_active`	是否启用
`created_at`	创建时间

7. 数据清洗与标准化逻辑

数据清洗主要由 app/data_loader.py 完成。

7.1 时间字段解析

系统中定义了两类主要时间格式：

DAY_FORMAT = "%d-%m-%Y %H:%M"
MONTH_FIRST_FORMAT = "%m-%d-%Y %H:%M"

其中：

Date Reported 和 Time of Occurrence 使用日优先格式解析
Date of Occurrence 同时尝试两种格式

7.2 混合日期修正策略

parse_occurrence_reference() 的处理逻辑如下：

同时尝试按日优先和月优先解析原始日期。
如果只解析出一个结果，则直接使用该结果。
如果两种方式都解析成功，则以 occurrence_at 为锚点，选择与其时间差最小的结果。

这一步的目标是尽量降低原始日期字段格式混乱带来的分析偏差。

7.3 衍生字段计算

系统会为每条案件记录自动派生以下字段：

age_group
closure_days
report_delay_hours
reported_year
reported_month_label
occurrence_month_label
occurrence_weekday
occurrence_hour
occurrence_hour_bucket

其中时段分桶规则为：

00-05：凌晨
06-11：上午
12-17：下午
18-23：晚间

7.4 后台新增与编辑数据的一致性处理

后台新增和编辑案件时，不直接写入原始表单值，而是调用 normalize_record_payload() 进行标准化，再写入数据库。这保证了：

后台手工录入的数据与 CSV 批量导入数据采用同一计算口径
所有衍生字段都能自动补齐
前台统计逻辑不需要为"手工录入数据"和"原始导入数据"分别处理

8. 数据库初始化与启动流程

8.1 启动入口

系统通过 run.py 启动，核心调用为：

uvicorn.run("app.main:app", host=settings.app_host, port=settings.app_port, reload=False)

8.2 应用启动生命周期

app/main.py 使用 FastAPI 的 lifespan 机制，在应用启动时执行以下操作：

初始化分析引擎 analytics_engine.initialize()
自动建立数据库和数据表
如案件表为空，则导入 CSV 数据
初始化默认管理员、默认轮播图和默认公告

8.3 自动建库逻辑

app/database.py 中的 ensure_database_exists() 会先连接 MySQL 服务级地址，再执行：

CREATE DATABASE IF NOT EXISTS design_117_crime CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci

因此系统首次运行时可自动创建数据库。

9. 分析引擎设计

分析逻辑集中在 app/analytics.py 中，由 AnalyticsEngine 统一管理。

9.1 核心职责

分析引擎主要负责：

数据表初始化和首次数仓导入
从数据库加载数据到 pandas DataFrame
全局筛选条件处理
页面分析数据计算
趋势预测
推荐结果生成

9.2 缓存机制

系统在启动和后台数据变更后会执行 refresh_cache()，将 crime_records 全表加载为 DataFrame 缓存在内存中。

该设计的优点是：

页面分析接口响应更快
pandas 透视表与聚合计算更方便
课程设计场景下数据量适中，内存缓存可接受

当管理员在后台对案件数据执行新增、编辑、删除后，会调用 _refresh_analytics_cache()，从而保证前台图表与数据库内容同步。

9.3 通用筛选机制

系统定义了 FilterParams 结构，支持如下筛选条件：

城市 city
领域 domain
罪种 crime
性别 gender
武器 weapon
年龄段 age_group
年份 year
是否结案 case_closed

apply_filters() 会基于这些条件过滤 DataFrame，为交叉分析、预测与推荐等页面提供统一入口。

10. 可视化页面功能设计

10.1 全景概览

路由：/

主要作用：

展示全局统计指标
给出月度趋势、年度趋势、领域分布
展示高发城市和高发罪种

核心输出包括：

summary
monthly_trend
yearly_trend
domain_distribution
top_cities
top_crimes

10.2 时间深挖

路由：/time-analysis

主要作用：

分析月度变化
分析星期分布
分析小时段分布
对比报案时间和案发时间
构建"星期 × 小时"热力图

核心图表包括：

按领域堆叠月度趋势图
星期分布图
时段分布图
报案时间与发生时间双序列图
周期热力图

10.3 城市对比

路由：/city-analysis

主要作用：

评估城市案件规模
对比城市结案率和平均警力
比较头部城市的犯罪大类构成
识别城市与高发罪种的共振关系

核心图表包括：

城市案件量 / 结案率 / 平均警力表格
城市领域堆叠图
城市 × 罪种热力图
案件量 / 结案率 / 警力散点图

10.4 犯罪类型

路由：/crime-analysis

主要作用：

对罪种做排名分析
展示罪种与领域的树图结构
观察武器与罪种的联动
分析年龄段与犯罪领域之间的关系

核心图表包括：

罪种明细表
领域树图
武器 × 罪种热力图
年龄段 × 领域热力图

10.5 人群与处置

路由：/victim-analysis

主要作用：

构建受害者年龄和性别画像
分析不同领域的处置效率
对比武器与性别之间的分布

核心图表包括：

年龄分布图
性别分布图
性别 × 领域堆叠图
武器 × 性别堆叠图
领域处置效率表

10.6 交叉分析

路由：/cross-analysis

主要作用：

支持用户按多个条件自定义筛选
实现答辩场景中的"钻取式分析"

支持的联动筛选维度包括：

城市
年份
领域
罪种
性别
武器
年龄段
是否结案

当筛选结果为空时，系统会返回空结构和友好提示，而不是让前端报错。

10.7 预测与推荐

路由：/forecast

主要作用：

基于历史月度案件量做未来 3 个月预测
对城市或领域做下周期压力展望
输出热点治理建议

这一页实际上由两部分数据组成：

预测数据：forecast_payload()
推荐数据：recommendations_payload()

11. 预测与推荐算法逻辑

11.1 月度预测逻辑

预测方法采用"线性趋势 + 近期均值"的混合方式。

具体步骤如下：

按月统计案件量序列。
使用 np.polyfit() 拟合一条线性趋势线。
计算最近 3 个月均值。
对未来值按 0.65 * 趋势值 + 0.35 * 近期均值 做加权融合。
将预测值限制为不小于 0。

该方法的特点是：

实现简单，适合课程项目
能体现时间趋势概念
相比纯线性拟合更平滑
不依赖重型机器学习框架

11.2 细分对象展望

若用户已固定某个城市，则系统按领域预测。

若用户未固定城市，则系统按城市预测。

这样可以在"全局看城市"和"城市内部看领域"之间自动切换，更适合展示层面的交互逻辑。

11.3 热点推荐逻辑

推荐逻辑基于最近 12 个月数据，按如下维度分组：

city
crime_domain
occurrence_hour_bucket

对每个组合统计：

案件量
结案率
平均警力
平均结案耗时

并计算优先级分数：

priority_score = cases * 领域权重 * (1.15 - closure_rate)

其中领域权重为：

Violent Crime = 1.35
Traffic Fatality = 1.2
Fire Accident = 1.1
Other Crime = 1.0

11.4 推荐警力计算

系统还会基于平均警力、案件量和结案率生成建议警力：

recommended_police = avg_police + min(6, cases / 120) + max(0, 0.6 - closure_rate) * 10

这不是严格业务规则，而是课程项目中的解释型启发式模型，目的是把统计结果转换成更直观的"治理建议"。

12. 中文化展示实现

由于原始数据库内容以英文为主，系统专门实现了中英对照显示层。

12.1 中文化映射模块

app/display.py 中维护了多组映射字典，包括：

城市映射 CITY_LABELS
罪种映射 CRIME_LABELS
领域映射 DOMAIN_LABELS
武器映射 WEAPON_LABELS
性别映射 GENDER_LABELS
年龄段映射 AGE_GROUP_LABELS
星期映射 WEEKDAY_LABELS
时段映射 HOUR_BUCKET_LABELS

12.2 应用方式

系统中的中文展示并不是修改数据库原值，而是采用"原值存储 + 显示映射"的方式：

数据库存英文原值，便于筛选和统计一致
接口输出和页面显示时转换为"中文 / 英文"双语标签

例如：

Delhi 显示为 德里 / Delhi
Violent Crime 显示为 暴力犯罪 / Violent Crime
FRAUD 显示为 诈骗 / FRAUD

12.3 图表与下拉框中文化

系统不仅对图表标题和表格文本做中文化，也对筛选下拉框做了中英对照输出。

接口 filter_options() 会返回：

原始值列表，如 cities
前端下拉项列表，如 city_options

其中 city_options 的结构为：

json 复制代码

[
  { "value": "Delhi", "label": "德里 / Delhi" }
]

前端 common.js 中的 populateSelect() 会优先渲染 label，从而保证筛选组件也具备中文对照能力。

13. 页面路由与接口设计

13.1 页面路由

路由	页面
`/`	全景概览
`/time-analysis`	时间深挖
`/city-analysis`	城市对比
`/crime-analysis`	犯罪类型
`/victim-analysis`	人群与处置
`/cross-analysis`	交叉分析
`/forecast`	预测与推荐
`/profile`	个人中心
`/login`	登录页
`/register`	注册页
`/admin`	后台首页
`/admin/users`	用户管理
`/admin/data`	数据管理
`/admin/content`	内容管理

13.2 JSON 数据接口

接口	功能
`/api/health`	系统数据健康信息
`/api/meta/filters`	获取筛选器元数据
`/api/overview`	概览页数据
`/api/time-analysis`	时间页数据
`/api/city-analysis`	城市页数据
`/api/crime-analysis`	犯罪类型页数据
`/api/victim-analysis`	人群与处置页数据
`/api/cross-analysis`	交叉分析数据
`/api/forecast`	预测数据
`/api/recommendations`	推荐数据

所有接口统一返回格式：

json 复制代码

{
  "status": "ok",
  "data": {}
}

这种统一格式可以降低前后端对接成本，避免图表因字段封装不一致而渲染失败。

14. 登录认证与权限控制

14.1 会话认证

系统使用 SessionMiddleware 维护登录态，登录成功后在 Session 中写入：

user_id
user_role
username

14.2 密码安全

密码通过 passlib 的 pbkdf2_sha256 进行哈希，不以明文形式存储在数据库中。

14.3 当前演示版本的账号策略

为了便于课程演示和后台管理，当前版本约定：

默认管理员账号：admin
默认管理员密码：123456
普通用户统一默认密码：123456

并且系统启动时会执行默认数据初始化逻辑，将现有用户密码统一重置为 123456。这一策略适合课程项目演示，但正式生产环境不建议这样处理。

14.4 权限控制规则

未登录用户不能访问个人中心
未登录用户不能进入后台
非管理员用户访问后台时会被重定向回首页
管理员不能停用自己当前登录的账号

15. 后台管理设计

15.1 后台首页

后台首页主要展示：

用户数量
轮播图数量
公告数量
数据行数
最近注册用户

它的作用是为管理员提供全局管理概览。

15.2 用户管理

用户管理支持：

查看全部用户
修改用户角色
启用/停用用户

角色包括：

admin
analyst
viewer

15.3 数据管理

数据管理是系统当前的重要增强模块，支持对案件主数据进行维护。

功能包括：

按关键词检索
按城市、领域、年份筛选
分页查看案件记录
新增案件
编辑案件
删除案件

为了避免数据表与编辑表单并排导致横向滚动，当前实现采用"列表在上、表单在下"的布局。这一设计比侧边栏并列式更适合高列数数据表展示。

15.4 内容管理

内容管理负责维护首页展示内容，包括：

轮播图管理
公告管理

同样采用"列表在上、表单在下"的结构，使列表宽度完整保留，便于查看。

15.5 本地图片资源管理

首页轮播图和主题图片采用本地静态资源方式展示，图片目录为：

app/static/images/hero/

后台在创建轮播图时，图片路径直接来自本地可选资源，从而保证展示稳定，不依赖外链。

16. 前端主题与交互设计

16.1 主题风格

系统采用"印度城市夜景 + 犯罪情报板"的视觉方向，主要表现为：

暗色主背景
琥珀色、橙色、蓝色作为强调色
强对比卡片风格
首页本地图片轮播
顶部公告卡片化展示

16.2 顶部警务通报

原先的横向滚动设计已改为卡片分布式布局，主要原因包括：

更利于多条公告同时阅读
不依赖滚动即可获取信息
更符合后台可维护的内容型展示方式

16.3 下拉菜单可读性优化

针对深色主题下推荐筛选框"白底白字不可读"的问题，系统已统一对 .form-select 与 option 设置黑底白字样式，并启用深色 color-scheme，保证筛选组件在主题下可读。

16.4 静态资源版本号机制

为避免浏览器缓存导致样式更新不生效，系统在 web.py 中根据 app.css 的修改时间生成 asset_version，并在模板中以 ?v=... 的方式引用：

CSS
公共 JS
favicon

这样每次样式更新后浏览器都会重新拉取最新资源。

17. 测试与验收

17.1 自动化测试

项目当前包含以下测试文件：

tests/test_app.py
tests/browser_acceptance.py

17.2 已覆盖测试内容

tests/test_app.py 已覆盖以下内容：

主要页面是否返回 200
分析接口是否返回正确结构
登录、注册、退出是否可用
未登录访问受限页面是否跳转
普通用户访问后台是否被拦截
管理员登录是否可用
用户角色修改与停用流程
数据管理的新增、编辑、删除流程
内容管理的轮播图新增/启停流程
内容管理的公告新增/启停流程
首页轮播图和静态图片是否可访问

17.3 浏览器级验收

tests/browser_acceptance.py 会：

启动 FastAPI 服务
使用本机 Chrome Headless 打开页面
检查关键页面的 DOM 关键字是否存在

它主要用于验证：

页面是否在真实浏览器环境下可渲染
首页轮播、预测页、登录页是否能正确打开

17.4 当前测试意义

这套测试覆盖了：

页面层
接口层
权限层
后台操作流
静态资源层

对于课程设计项目而言，已经具备较完整的功能验收价值。

18. 运行方式与环境要求

18.1 基本环境

Python 3.8 及以上
MySQL 8.x 或兼容版本
本地可访问 localhost:3306

18.2 默认配置

系统配置位于 app/config.py，默认值如下：

应用地址：127.0.0.1
应用端口：8000
数据库名：design_117_crime
用户名：root
密码：123456

18.3 启动命令

bash 复制代码

python run.py

启动后默认访问：

text 复制代码

http://127.0.0.1:8000

18.4 可配置环境变量

系统支持通过环境变量覆盖默认配置，例如：

CRIME_APP_HOST
CRIME_APP_PORT
CRIME_DB_HOST
CRIME_DB_PORT
CRIME_DB_NAME
CRIME_DB_USER
CRIME_DB_PASSWORD
CRIME_SECRET_KEY

19. 兼容性与实现说明

19.1 Python 3.8 兼容

为了适配 Python 3.8，项目中已采用如下策略：

使用 Optional[T]、List[T] 等写法，避免 T | None
模板响应采用兼容旧版 Starlette 的 TemplateResponse(name, context) 调用方式

这使得系统能在较常见的课程实验环境中稳定运行。

19.2 数据一致性策略

系统采用"数据库存原始英文值，接口输出中英对照值"的方式，这样既能保持分析逻辑稳定，也能满足中文展示需求。

19.3 非生产化约定

当前项目以教学、展示和课程设计为目标，因此存在以下非生产化约定：

所有用户默认密码统一
预测采用启发式模型而非正式机器学习模型
分析缓存采用全表内存 DataFrame

这些设计是为了优先保证演示效果、开发效率和功能完整性。

20. 后续可扩展方向

如果继续完善，本系统可以扩展为以下方向：

增加 CSV 导入 / 导出功能
增加案件批量删除和批量修正功能
增加更正式的日志、审计记录和操作留痕
引入更严格的 RBAC 权限模型
增加地图可视化或 GIS 定位能力
将预测算法升级为 ARIMA、Prophet 或机器学习模型
增加移动端适配和更完整的响应式布局优化
增加数据质量监控页面

21. 文档结论

本系统已经从单一数据展示页面，演进为一个较完整的课程设计型数据可视化平台，具备以下特征：

有稳定的数据底座：CSV 清洗、MySQL 入库、结构化字段派生
有清晰的分析能力：多页面专题分析 + 交叉钻取
有扩展性的智能模块：趋势预测 + 热点推荐
有完善的后台能力：用户、数据、内容三类管理
有主题化的前端展示：中文对照、深色情报风格、本地轮播与公告卡片

从教学和课程答辩角度看，该系统已经不仅是"图表展示项目"，而是一个包含数据治理、可视化分析、预测研判和后台运营能力的完整 Web 应用。

117-基于Python的印度犯罪数据可视化分析系统

基于 Python 的印度犯罪数据可视化分析系统技术文档

1. 项目概述

1.1 项目名称

1.2 项目定位

1.3 建设目标

2. 技术栈说明

2.1 后端技术栈

2.2 前端技术栈

2.3 数据库与存储

2.4 当前核心依赖版本

3. 系统总体架构

4. 项目目录结构

5. 系统功能模块

5.1 前台分析模块

5.2 账户模块

5.3 后台管理模块

5.4 内容展示模块

6. 数据集与业务建模

6.1 原始数据集特点

6.2 核心数据表设计

6.2.1 crime_records

6.2.2 users

6.2.3 site_slides

6.2.4 site_announcements

7. 数据清洗与标准化逻辑

7.1 时间字段解析

7.2 混合日期修正策略

7.3 衍生字段计算

7.4 后台新增与编辑数据的一致性处理

8. 数据库初始化与启动流程

8.1 启动入口

8.2 应用启动生命周期

8.3 自动建库逻辑

9. 分析引擎设计

9.1 核心职责

9.2 缓存机制

9.3 通用筛选机制

10. 可视化页面功能设计

10.1 全景概览

10.2 时间深挖

10.3 城市对比

10.4 犯罪类型

10.5 人群与处置

10.6 交叉分析

10.7 预测与推荐

11. 预测与推荐算法逻辑

11.1 月度预测逻辑

11.2 细分对象展望

11.3 热点推荐逻辑

11.4 推荐警力计算

12. 中文化展示实现

12.1 中文化映射模块

12.2 应用方式

12.3 图表与下拉框中文化

13. 页面路由与接口设计

13.1 页面路由

13.2 JSON 数据接口

14. 登录认证与权限控制

14.1 会话认证

14.2 密码安全

14.3 当前演示版本的账号策略

14.4 权限控制规则

15. 后台管理设计

15.1 后台首页

15.2 用户管理

15.3 数据管理

15.4 内容管理

15.5 本地图片资源管理

16. 前端主题与交互设计

16.1 主题风格

16.2 顶部警务通报

16.3 下拉菜单可读性优化

16.4 静态资源版本号机制

17. 测试与验收

17.1 自动化测试

17.2 已覆盖测试内容

17.3 浏览器级验收

17.4 当前测试意义

18. 运行方式与环境要求

6.2.1 `crime_records`

6.2.2 `users`

6.2.3 `site_slides`

6.2.4 `site_announcements`