127-基于Flask的德国银行信贷客户数据可视化分析系统

基于 Flask 的德国银行信贷客户数据可视化分析系统 --- 技术文档

版本：v1.0 | 最后更新：2026-05-18

1. 项目概述

1.1 项目背景

本系统是一个基于 Flask 框架的 Web 应用，用于对德国银行信贷客户数据集（German Credit Data）进行多维度可视化分析和机器学习预测。系统提供用户认证、数据管理、统计分析、可视化展示和预测建模等完整功能。

1.2 核心功能

功能模块	说明
用户认证	注册、登录、登出，基于 Flask-Login 的会话管理
数据看板	5 个分析维度、60+ 张交互式图表，覆盖人口统计、财务状况、信贷分析、统计分析
数据管理	对信贷数据的增删改查（CRUD），支持分页与搜索
预测分析	K-Means 客户聚类、随机森林信用风险预测、肘部法则、混淆矩阵

1.3 数据集说明

数据来源：UCI Machine Learning Repository --- German Credit Data

记录数：1000 条
字段数：10 个
数据格式：CSV

字段	类型	说明
Id	Integer	记录编号（0-999）
Age	Integer	客户年龄
Sex	String	性别：male / female
Job	Integer	职业类型：0=非居民非技术工, 1=居民非技术工, 2=技术工, 3=高技能工
Housing	String	住房情况：own / rent / free
Saving accounts	String	储蓄账户等级：little / moderate / quite rich / rich（可为空）
Checking account	String	支票账户等级：little / moderate / rich（可为空）
Credit amount	Integer	信贷金额（单位：德国马克 DM）
Duration	Integer	贷款期限（月）
Purpose	String	贷款用途：car / radio/TV / furniture/equipment / business / education / repairs / vacation/others / domestic appliances

2. 系统架构

2.1 架构概览

复制代码

┌─────────────────────────────────────────────────────────┐
│                      浏览器 (Client)                      │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐ │
│  │ 登录页面  │  │ 数据看板  │  │ 数据管理  │  │ 预测分析  │ │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  └────┬─────┘ │
│       │             │             │             │        │
│       │     ECharts  │   Fetch API │   Fetch API │        │
└───────┼─────────────┼─────────────┼─────────────┼────────┘
        │             │             │             │
        ▼             ▼             ▼             ▼
┌─────────────────────────────────────────────────────────┐
│                   Flask 应用服务器                        │
│                                                         │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────┐ │
│  │  认证路由     │  │  统计 API    │  │  预测 API        │ │
│  │  /login      │  │  /api/stats/ │  │  /api/predict/  │ │
│  │  /register   │  │  (32 个端点)  │  │  (4 个端点)      │ │
│  │  /logout     │  │             │  │                 │ │
│  └──────┬──────┘  └──────┬──────┘  └────────┬────────┘ │
│         │                │                   │          │
│  ┌──────┴────────────────┴───────────────────┴────────┐ │
│  │              Flask-Login 会话管理                    │ │
│  └──────────────────────┬─────────────────────────────┘ │
│                         │                               │
│  ┌──────────────────────┴─────────────────────────────┐ │
│  │              SQLAlchemy ORM                         │ │
│  └──────────────────────┬─────────────────────────────┘ │
└─────────────────────────┼───────────────────────────────┘
                          │
                          ▼
               ┌─────────────────────┐
               │   SQLite 数据库      │
               │   credit_data.db    │
               │   - users           │
               │   - credit_data     │
               └─────────────────────┘

2.2 设计模式

应用工厂模式 ：通过 create_app() 函数创建 Flask 实例，便于测试和配置管理
MVC 模式 ：
- Model ：models.py 定义 SQLAlchemy 数据模型
- View ：templates/ 下的 Jinja2 模板
- Controller ：app.py 中的路由处理函数
前端数据驱动：页面加载后通过 AJAX 调用 API 获取数据，ECharts 渲染图表

3. 技术栈

3.1 后端

组件	技术	版本	用途
Web 框架	Flask	3.0.0	路由、请求处理、模板渲染
ORM	Flask-SQLAlchemy	3.1.1	数据库操作抽象层
认证	Flask-Login	0.6.3	用户会话管理、登录保护
密码加密	Werkzeug	3.0.1	密码哈希（pbkdf2）
数据处理	pandas	2.1.4	CSV 读取、数据聚合、统计计算
数值计算	numpy	1.26.2	数组运算、统计指标（分位数、箱线图）
机器学习	scikit-learn	1.3.2	KMeans 聚类、随机森林分类、特征编码
可视化（备用）	matplotlib	3.8.2	后端绘图（运行时未使用）
可视化（备用）	seaborn	0.13.0	后端绘图（运行时未使用）
数据库	SQLite	内置	本地文件数据库

3.2 前端

组件	技术	版本	用途
图表库	ECharts	5.4.3 (CDN)	60+ 张交互式图表渲染
模板引擎	Jinja2	Flask 内置	HTML 模板继承与渲染
样式	自定义 CSS3	---	完整设计系统，无第三方框架
脚本	原生 JavaScript	---	无框架，无构建工具
字体	Google Fonts	---	Cormorant Garamond（标题）、DM Sans（正文）、JetBrains Mono（数据）

3.3 开发环境

工具	说明
Python	3.8+ / 3.11
操作系统	Windows 11

4. 目录结构

复制代码

code/
├── app.py                  # 主应用文件（1326 行），包含所有路由和 API
├── config.py               # 配置文件（10 行）
├── models.py               # 数据模型定义（50 行）
├── init_db.py              # 数据库初始化脚本（45 行）
├── requirements.txt        # Python 依赖清单
├── credit_data.db          # SQLite 数据库文件（86KB）
│
├── data/
│   ├── german_credit_data.csv              # 原始数据集（1000 条）
│   ├── 关于银行信贷客户数据集的探索.ipynb    # 探索性数据分析 Notebook
│   └── 参考链接.url
│
├── static/
│   ├── css/
│   │   └── style.css       # 完整样式系统（1552 行）
│   ├── js/
│   │   └── main.js         # 全局脚本（23 行）
│   └── images/
│       └── auth-bg.jpg     # 登录页背景图
│
└── templates/
    ├── base.html           # 后端布局模板（侧边栏 + 顶栏）
    ├── login.html          # 登录页（独立页面）
    ├── register.html       # 注册页（独立页面）
    ├── dashboard.html      # 数据看板（1721 行，含 60+ 图表）
    ├── data_manage.html    # 数据管理 CRUD 页面
    └── predict.html        # 预测分析页面

5. 数据库设计

5.1 ER 关系图

复制代码

┌──────────────────┐         ┌──────────────────────────┐
│      users       │         │       credit_data         │
├──────────────────┤         ├──────────────────────────┤
│ id (PK)          │         │ id (PK, autoincrement)   │
│ username (UNIQUE) │         │ original_id (UNIQUE)      │
│ password_hash     │         │ age                      │
│ created_at        │         │ sex                      │
└──────────────────┘         │ job                      │
                              │ housing                  │
                              │ saving_accounts (NULL)   │
                              │ checking_account (NULL)  │
                              │ credit_amount            │
                              │ duration                 │
                              │ purpose                  │
                              └──────────────────────────┘

5.2 users 表

存储系统注册用户信息，用于身份认证。

字段	类型	约束	默认值	说明
id	INTEGER	PRIMARY KEY	AUTOINCREMENT	用户 ID
username	VARCHAR(80)	UNIQUE, NOT NULL, INDEX	---	用户名
password_hash	VARCHAR(256)	NOT NULL	---	密码哈希值（pbkdf2）
created_at	DATETIME	---	UTC now	注册时间

模型方法：

set_password(password)：使用 werkzeug.security.generate_password_hash 生成密码哈希
check_password(password)：使用 werkzeug.security.check_password_hash 验证密码
继承 flask_login.UserMixin，提供 is_authenticated、is_active 等属性

5.3 credit_data 表

存储德国银行信贷客户数据，从 CSV 导入。

字段	类型	约束	说明
id	INTEGER	PRIMARY KEY, AUTOINCREMENT	内部记录 ID
original_id	INTEGER	UNIQUE	CSV 中的原始 Id 列
age	INTEGER	NOT NULL	客户年龄
sex	VARCHAR(10)	NOT NULL	性别
job	INTEGER	NOT NULL	职业类型编码（0-3）
housing	VARCHAR(20)	NOT NULL	住房情况
saving_accounts	VARCHAR(20)	NULLABLE	储蓄账户等级
checking_account	VARCHAR(20)	NULLABLE	支票账户等级
credit_amount	INTEGER	NOT NULL	信贷金额（DM）
duration	INTEGER	NOT NULL	贷款期限（月）
purpose	VARCHAR(50)	NOT NULL	贷款用途

模型方法：

to_dict()：序列化为字典，空值字段转换为空字符串

5.4 数据库初始化

运行 init_db.py 执行以下操作：

删除所有现有表（db.drop_all()）
创建新表（db.create_all()）
从 data/german_credit_data.csv 导入 1000 条记录
创建默认管理员账户：用户名 admin，密码 admin123

bash 复制代码

python init_db.py

6. 后端路由与 API

6.1 应用入口

app.py 使用应用工厂模式，通过 create_app() 函数创建 Flask 应用实例。应用运行在 端口 5004，开启调试模式。

python 复制代码

# app.py 末尾
if __name__ == '__main__':
    app = create_app()
    app.run(debug=True, port=5004)

6.2 认证机制

会话管理：基于 Flask-Login 的 Cookie-Session 机制
密码存储：Werkzeug 的 pbkdf2 哈希算法
路由保护 ：使用 @login_required 装饰器保护需要登录的页面
登录重定向 ：未登录用户自动跳转到 /login，登录后跳转回原页面
记住登录 ：login_user(user, remember=True) 启用持久化会话

6.3 页面路由

路由	方法	认证	模板	说明
`/`	GET	否	---	根路由，已登录跳 dashboard，未登录跳 login
`/login`	GET, POST	否	login.html	登录页面
`/register`	GET, POST	否	register.html	注册页面
`/logout`	GET	是	---	登出，跳转到登录页
`/dashboard`	GET	是	dashboard.html	数据看板（默认维度）
`/dashboard/demographics`	GET	是	dashboard.html	人口统计维度
`/dashboard/financial`	GET	是	dashboard.html	财务状况维度
`/dashboard/credit`	GET	是	dashboard.html	信贷分析维度
`/dashboard/stats`	GET	是	dashboard.html	统计分析维度
`/data`	GET	是	data_manage.html	数据管理页面
`/predict`	GET	是	predict.html	预测分析页面

6.4 数据 CRUD API

所有 API 返回 JSON 格式数据。

GET /api/data/list

分页查询信贷数据，支持搜索。

请求参数：

参数	类型	默认值	说明
page	int	1	页码
per_page	int	20	每页条数
search	string	""	搜索关键词（模糊匹配 sex、housing、purpose、saving_accounts、checking_account）

响应示例：

json 复制代码

{
  "data": [
    {
      "id": 1,
      "original_id": 0,
      "age": 67,
      "sex": "male",
      "job": 2,
      "housing": "own",
      "saving_accounts": "",
      "checking_account": "little",
      "credit_amount": 1169,
      "duration": 6,
      "purpose": "radio/TV"
    }
  ],
  "total": 1000,
  "pages": 50,
  "current_page": 1
}

POST /api/data/add

新增信贷记录。

请求体（JSON）：

json 复制代码

{
  "age": 30,
  "sex": "male",
  "job": 2,
  "housing": "own",
  "saving_accounts": "moderate",
  "checking_account": "little",
  "credit_amount": 5000,
  "duration": 24,
  "purpose": "car"
}

POST /api/data/update

更新信贷记录。请求体同上，额外包含 id 字段。

POST /api/data/delete

删除信贷记录。请求体：{ "id": 1 }

6.5 统计分析 API（32 个端点）

所有统计 API 均为 GET 请求，返回 JSON 数据，供前端 ECharts 图表使用。

概览统计

端点	说明	返回字段
`/api/stats/overview`	总览数据	total_count, avg_age, avg_credit, avg_duration
`/api/stats/credit_stats_summary`	综合统计摘要	16 个统计指标（均值、中位数、标准差、极值、分位数等）
`/api/stats/credit_health_gauge`	信贷健康评分	score (0-100), 各维度得分

人口统计维度

端点	说明	图表类型
`/api/stats/age_distribution`	年龄分布（6 组）	柱状图
`/api/stats/sex_distribution`	性别比例	饼图
`/api/stats/job_distribution`	职业类型分布	饼图
`/api/stats/housing_distribution`	住房情况分布	饼图
`/api/stats/age_credit_analysis`	年龄 × 信贷分析	分组柱状图
`/api/stats/job_credit_analysis`	职业 × 信贷分析	分组柱状图
`/api/stats/sex_credit_analysis`	性别 × 信贷分析	分组柱状图
`/api/stats/purpose_sex_analysis`	贷款用途 × 性别	水平分组柱状图
`/api/stats/age_funnel`	年龄组漏斗图	漏斗图
`/api/stats/credit_by_age_sex`	年龄 × 性别信贷	分组柱状图
`/api/stats/job_housing_credit_sunburst`	职业 → 住房旭日图	旭日图
`/api/stats/checking_saving_scatter`	支票 × 储蓄散点图	散点图
`/api/stats/age_duration_scatter`	年龄 × 期限散点图	散点图
`/api/stats/age_sex_credit_heatmap`	年龄 × 性别信贷热力图	热力图
`/api/stats/sex_age_distribution`	性别 × 年龄分布	分组柱状图

财务状况维度

端点	说明	图表类型
`/api/stats/saving_distribution`	储蓄账户分布	饼图
`/api/stats/checking_distribution`	支票账户分布	饼图
`/api/stats/housing_credit_analysis`	住房 × 信贷分析	分组柱状图
`/api/stats/risk_factors`	风险因子分析	柱状图
`/api/stats/job_housing_matrix`	职业 × 住房矩阵	堆叠柱状图
`/api/stats/checking_credit_analysis`	支票 × 信贷分析	分组柱状图
`/api/stats/saving_checking_heatmap`	储蓄 × 支票热力图	热力图
`/api/stats/housing_saving_credit`	住房 × 储蓄信贷热力图	热力图
`/api/stats/job_credit_sunburst`	职业 → 储蓄旭日图	旭日图
`/api/stats/purpose_duration_radar`	用途 × 期限雷达图	雷达图
`/api/stats/age_credit_boxplot`	年龄 × 信贷箱线图	箱线图

信贷分析维度

端点	说明	图表类型
`/api/stats/purpose_distribution`	贷款用途分布	水平柱状图
`/api/stats/credit_by_purpose`	用途 × 信贷统计	分组柱状图
`/api/stats/credit_amount_distribution`	信贷金额分布	直方图
`/api/stats/duration_distribution`	贷款期限分布	直方图
`/api/stats/purpose_duration_analysis`	用途 × 期限分析	分组柱状图
`/api/stats/credit_percentiles`	信贷百分位数	柱状图
`/api/stats/purpose_credit_boxplot`	用途 × 信贷箱线图	箱线图
`/api/stats/credit_duration_scatter`	信贷 × 期限散点图	散点图
`/api/stats/duration_credit_boxplot`	期限 × 信贷箱线图	箱线图
`/api/stats/duration_purpose_heatmap`	期限 × 用途热力图	热力图
`/api/stats/purpose_housing_sunburst`	用途 → 住房旭日图	旭日图
`/api/stats/credit_by_saving_job`	储蓄 × 职业信贷堆叠图	堆叠柱状图
`/api/stats/default_rate_by_purpose`	用途违约率	柱状图

统计分析维度

端点	说明	图表类型
`/api/stats/customer_radar`	客户画像雷达图	雷达图（整体/男/女）
`/api/stats/correlation_matrix`	相关性矩阵	热力图
`/api/stats/sex_age_credit_bubble`	性别 × 年龄 × 信贷气泡图	气泡图
`/api/stats/saving_checking_credit_scatter`	储蓄 × 支票信贷散点图	散点图
`/api/stats/job_purpose_credit_sankey`	职业 → 用途 → 信贷桑基图	桑基图
`/api/stats/job_duration_analysis`	职业 × 期限分析	双轴柱状图
`/api/stats/job_purpose_heatmap`	职业 × 用途热力图	热力图

6.6 预测分析 API（4 个端点）

端点	方法	说明
`/api/predict/cluster`	GET	K-Means 聚类分析（k=4）
`/api/predict/elbow`	GET	肘部法则（k=2~10）
`/api/predict/credit_risk`	GET	随机森林信用风险预测
`/api/predict/confusion_matrix`	GET	混淆矩阵

详细算法说明见[第 9 节](#第 9 节)。

7. 前端设计

7.1 设计系统

系统采用自定义 CSS 设计系统（static/css/style.css，1552 行），无第三方 CSS 框架。

颜色体系

变量名	色值	用途
`--midnight`	`#0c1222`	主背景色（深色主题）
`--gold`	`#d4a574`	强调色、品牌色
`--indigo`	`#6366f1`	主要交互色
`--teal`	`#2dd4bf`	积极指标
`--coral`	`#f87171`	警告/消极指标
`--violet`	`#a78bfa`	辅助强调色

字体系统

字体	用途
Cormorant Garamond	品牌标题（衬线体）
DM Sans	正文内容（无衬线体）
JetBrains Mono	数据展示（等宽体）

响应式断点

断点	适配
> 1200px	桌面端（3 列图表网格）
768px - 1200px	平板端（2 列）
< 768px	移动端（1 列，侧边栏折叠为汉堡菜单）

动画效果

fadeInUp：卡片进入动画
slideDown：面板展开
shimmer：加载骨架屏
spin：加载旋转
pulse：脉冲高亮
ripple：按钮点击波纹
毛玻璃效果（backdrop-filter: blur）：登录/注册卡片

7.2 页面结构

布局模板（base.html）

复制代码

┌──────────────────────────────────────────────────┐
│ ┌──────────┐ ┌──────────────────────────────────┐ │
│ │          │ │  顶栏：汉堡菜单 | 页面标题 | 日期  │ │
│ │  侧边栏   │ ├──────────────────────────────────┤ │
│ │          │ │                                  │ │
│ │  品牌Logo │ │                                  │ │
│ │          │ │          内容区域                  │ │
│ │  主功能   │ │     (block content)              │ │
│ │  - 看板   │ │                                  │ │
│ │  - 数据   │ │                                  │ │
│ │  - 预测   │ │                                  │ │
│ │          │ │                                  │ │
│ │  分析维度 │ │                                  │ │
│ │  - 人口   │ │                                  │ │
│ │  - 财务   │ │                                  │ │
│ │  - 信贷   │ │                                  │ │
│ │  - 统计   │ │                                  │ │
│ │          │ │                                  │ │
│ │  用户信息 │ │                                  │ │
│ │  退出登录 │ │                                  │ │
│ └──────────┘ └──────────────────────────────────┘ │
└──────────────────────────────────────────────────┘

登录/注册页

独立页面（不继承 base.html），采用全屏背景图 + 毛玻璃卡片设计：

左侧：品牌标识 + 登录/注册表单
右侧：装饰性统计数字（1000 样本、8+ 维度、4 种风险类型）
背景：auth-bg.jpg + 网格覆盖层 + 发光效果

数据看板（dashboard.html）

顶部：4 个统计卡片（总客户数、平均年龄、平均信贷、平均期限），带数字递增动画
标签导航：5 个维度标签页，支持懒加载（首次切换时加载图表）
图表网格：每行 3 列，部分全宽图表跨越整行
加载状态：标签切换时显示进度条动画，图表加载时显示旋转图标

数据管理页（data_manage.html）

搜索框（300ms 防抖）
分页数据表格（每页 20 条）
新增/编辑模态框（9 个表单字段）
删除确认对话框
Toast 通知（成功/错误）

预测分析页（predict.html）

K-Means 聚类区域：散点图 + 肘部图 + 聚类摘要卡片
风险预测区域：指标行 + 特征重要性图 + 风险分布饼图 + 混淆矩阵热力图 + 准确率仪表盘
两个区域各有"运行分析"按钮，触发并行 API 请求

8. 数据可视化

8.1 图表类型总览

系统使用 ECharts 5.4.3 实现了 60+ 张交互式图表，涵盖以下类型：

图表类型	数量	应用场景
柱状图/条形图	18	分布统计、分组对比
饼图/环形图	8	占比分布
散点图/气泡图	6	相关性分析、聚类展示
热力图	6	交叉分析、相关矩阵
箱线图	4	分布离散程度
旭日图	4	多层级关系
雷达图	3	多维画像
堆叠柱状图	3	构成分析
桑基图	1	流向关系
漏斗图	1	转化/分布
仪表盘	2	综合评分
树图	1	层级占比
玫瑰图	1	极坐标分布
双轴柱状图	1	多指标对比
直方图	2	频率分布

8.2 图表渲染机制

懒加载：图表仅在对应标签页首次激活时初始化，避免首屏加载过慢
异步数据 ：每个图表通过 fetch() 调用对应的 /api/stats/* 端点获取数据
响应式 ：监听 window.resize 事件，自动调整图表尺寸
主题适配：统一使用深色主题配色，与整体 UI 风格一致
交互特性：支持悬浮提示（Tooltip）、图例筛选、数据缩放

8.3 关键图表说明

信贷健康评分仪表盘

综合 5 个维度的加权评分（0-100 分）：

维度	权重	计算方式
储蓄充足度	25%	rich/quite rich 占比
支票覆盖度	20%	rich/moderate 占比
住房自有率	20%	own 占比
低信贷比例	15%	低于中位数的比例
短期限比例	20%	低于中位数的比例

职业 → 用途 → 信贷桑基图

三层层级流向图：

第一层：职业类型（4 类）
第二层：贷款用途（8 类）
第三层：信贷等级（低/中/高）

9. 机器学习模块

9.1 K-Means 客户聚类

端点：/api/predict/cluster

算法配置：

算法：KMeans
簇数：k=4
随机种子：42
初始化次数：n_init=10

特征工程：

特征	类型	预处理
age	数值	StandardScaler 标准化
job	数值	StandardScaler 标准化
credit_amount	数值	StandardScaler 标准化
duration	数值	StandardScaler 标准化
sex	分类	LabelEncoder → StandardScaler
housing	分类	LabelEncoder → StandardScaler

输出：

散点图数据（credit_amount vs duration，按簇着色）
聚类摘要：每个簇的客户数、平均年龄、平均信贷、平均期限
惯性值（Inertia）

簇命名规则： 按信贷金额和年龄排序动态分配标签。

9.2 肘部法则

端点：/api/predict/elbow

测试 k=2 到 k=10 的惯性值，用于辅助确定最优簇数。返回各 k 值对应的 inertia 值，前端绘制肘部曲线图。

9.3 信用风险预测

端点：/api/predict/credit_risk

风险标签构造（规则引擎）：

python 复制代码

risk_score = 0
if credit_amount > median_credit:
    risk_score += 1
if duration > median_duration:
    risk_score += 1
risk_score += saving_risk  # rich/quite_rich=0, moderate=1, little=2
high_risk = 1 if risk_score >= 3 else 0

特征矩阵（8 个特征）：

特征	预处理
age	原始值
job	原始值
credit_amount	原始值
duration	原始值
sex	LabelEncoder
housing	LabelEncoder
saving_accounts	LabelEncoder
checking_account	LabelEncoder

模型配置：

算法：RandomForestClassifier
树数量：100
随机种子：42
训练/测试划分：80/20

输出：

模型准确率
特征重要性排名（柱状图）
风险分布（饼图：低风险 vs 高风险）
混淆矩阵（2×2 热力图）

9.4 模型评估

混淆矩阵结构：

	预测低风险	预测高风险
实际低风险	TN	FP
实际高风险	FN	TP

10. 配置与部署

10.1 应用配置

配置定义在 config.py 中：

python 复制代码

class Config:
    SECRET_KEY = os.environ.get('SECRET_KEY') or 'german-credit-analysis-secret-key-2024'
    SQLALCHEMY_DATABASE_URI = 'sqlite:///' + os.path.join(BASE_DIR, 'credit_data.db')
    SQLALCHEMY_TRACK_MODIFICATIONS = False
    DATA_CSV_PATH = os.path.join(BASE_DIR, 'data', 'german_credit_data.csv')

配置项	说明	生产环境建议
SECRET_KEY	会话加密密钥	必须通过环境变量设置强随机值
SQLALCHEMY_DATABASE_URI	数据库连接字符串	生产环境建议切换至 PostgreSQL/MySQL
SQLALCHEMY_TRACK_MODIFICATIONS	禁用修改追踪	保持 False
DATA_CSV_PATH	CSV 数据文件路径	仅初始化时使用

10.2 安装与运行

环境要求

Python 3.8+
pip

安装步骤

bash 复制代码

# 1. 克隆或下载项目
cd code

# 2. 创建虚拟环境（推荐）
python -m venv venv
venv\Scripts\activate        # Windows
# source venv/bin/activate   # Linux/Mac

# 3. 安装依赖
pip install -r requirements.txt

# 4. 初始化数据库
python init_db.py

# 5. 启动应用
python app.py

访问地址

应用地址：http://localhost:5004
默认管理员：用户名 admin，密码 admin123

10.3 生产部署建议

bash 复制代码

# 使用 Gunicorn（Linux/Mac）
pip install gunicorn
gunicorn -w 4 -b 0.0.0.0:5004 "app:create_app()"

# 使用 Waitress（Windows）
pip install waitress
waitress-serve --port=5004 app:create_app

生产环境清单：

设置强随机 SECRET_KEY 环境变量
关闭调试模式（debug=False）
切换数据库至 PostgreSQL 或 MySQL
配置 HTTPS（Nginx 反向代理 + SSL 证书）
添加 CSRF 保护（Flask-WTF）
配置日志记录
添加请求频率限制
配置静态文件 CDN

11. 已知问题与改进方向

11.1 已知问题

问题	严重程度	说明
ML 模型每次请求重新训练	中	K-Means 和 RandomForest 在每次 API 调用时重新 fit，高并发下性能差
无 CSRF 保护	中	POST 端点缺少 CSRF Token 验证
密钥硬编码	中	SECRET_KEY 有默认值回退，生产环境存在安全风险
单文件架构	低	app.py 1326 行，所有路由和业务逻辑集中在一个文件
无 API 限流	低	缺少请求频率限制，可能被滥用
默认管理员密码	低	init_db.py 硬编码 admin/admin123

11.2 改进方向

架构优化

将 app.py 拆分为 Flask Blueprint：
- auth.py：认证路由
- dashboard.py：看板路由
- data_api.py：数据 CRUD API
- stats_api.py：统计分析 API
- predict_api.py：预测分析 API
引入应用配置分层（开发/测试/生产）

性能优化

模型持久化：训练后序列化保存（joblib），避免重复训练
统计结果缓存：使用 functools.lru_cache 或 Redis 缓存高频查询
数据库索引：为 credit_data 表的 purpose、sex、housing 等常用查询字段添加索引

安全增强

集成 Flask-WTF 添加 CSRF 保护
移除 SECRET_KEY 硬编码默认值
添加 API 请求频率限制（Flask-Limiter）
实施密码复杂度策略

功能扩展

数据导出（CSV/Excel）
自定义图表配置（维度选择、图表类型切换）
更多 ML 模型（逻辑回归、SVM、XGBoost）
模型性能对比面板
定时数据刷新
多语言支持

附录 A：API 端点完整索引

共计 51 个路由：11 个页面路由 + 40 个 API 端点。

编号	端点	方法	类别
1	`/`	GET	页面
2	`/login`	GET, POST	认证
3	`/register`	GET, POST	认证
4	`/logout`	GET	认证
5	`/dashboard`	GET	页面
6	`/dashboard/demographics`	GET	页面
7	`/dashboard/financial`	GET	页面
8	`/dashboard/credit`	GET	页面
9	`/dashboard/stats`	GET	页面
10	`/data`	GET	页面
11	`/predict`	GET	页面
12	`/api/data/list`	GET	CRUD
13	`/api/data/add`	POST	CRUD
14	`/api/data/update`	POST	CRUD
15	`/api/data/delete`	POST	CRUD
16-47	`/api/stats/*`	GET	统计（32 个）
48	`/api/predict/cluster`	GET	预测
49	`/api/predict/elbow`	GET	预测
50	`/api/predict/credit_risk`	GET	预测
51	`/api/predict/confusion_matrix`	GET	预测

附录 B：依赖清单

复制代码

flask==3.0.0
flask-sqlalchemy==3.1.1
flask-login==0.6.3
werkzeug==3.0.1
pandas==2.1.4
numpy==1.26.2
scikit-learn==1.3.2
matplotlib==3.8.2
seaborn==0.13.0

附录 C：数据字段编码对照表

职业类型（Job）

编码	含义
0	非技术工 - 非居民
1	非技术工 - 居民
2	技术工
3	高技能工

储蓄账户等级（Saving accounts）

等级	说明
little	少量储蓄
moderate	中等储蓄
quite rich	较多储蓄
rich	大量储蓄

支票账户等级（Checking account）

等级	说明
little	少量余额
moderate	中等余额
rich	大量余额

贷款用途（Purpose）

用途	说明
car	购车
radio/TV	电子产品
furniture/equipment	家具/设备
business	商业经营
education	教育
repairs	维修
vacation/others	度假/其他
domestic appliances	家用电器

127-基于Flask的德国银行信贷客户数据可视化分析系统

基于 Flask 的德国银行信贷客户数据可视化分析系统 --- 技术文档

目录

1. 项目概述

1.1 项目背景

1.2 核心功能

1.3 数据集说明

2. 系统架构

2.1 架构概览

2.2 设计模式

3. 技术栈

3.1 后端

3.2 前端

3.3 开发环境

4. 目录结构

5. 数据库设计

5.1 ER 关系图

5.2 users 表

5.3 credit_data 表

5.4 数据库初始化

6. 后端路由与 API

6.1 应用入口

6.2 认证机制

6.3 页面路由

6.4 数据 CRUD API

GET /api/data/list

POST /api/data/add

POST /api/data/update

POST /api/data/delete

6.5 统计分析 API（32 个端点）

概览统计

人口统计维度

财务状况维度

信贷分析维度

统计分析维度

6.6 预测分析 API（4 个端点）

7. 前端设计

7.1 设计系统

颜色体系

字体系统

响应式断点

动画效果

7.2 页面结构

布局模板（base.html）

登录/注册页

数据看板（dashboard.html）

数据管理页（data_manage.html）

预测分析页（predict.html）

8. 数据可视化

8.1 图表类型总览

8.2 图表渲染机制

8.3 关键图表说明

信贷健康评分仪表盘

相关性矩阵

职业 → 用途 → 信贷桑基图

9. 机器学习模块

9.1 K-Means 客户聚类

9.2 肘部法则

9.3 信用风险预测

9.4 模型评估

10. 配置与部署

10.1 应用配置

10.2 安装与运行

环境要求

安装步骤

访问地址

10.3 生产部署建议

11. 已知问题与改进方向

11.1 已知问题

11.2 改进方向

架构优化

性能优化

安全增强

功能扩展

附录 A：API 端点完整索引

附录 B：依赖清单

附录 C：数据字段编码对照表

职业类型（Job）

储蓄账户等级（Saving accounts）

支票账户等级（Checking account）