目录
[三、系统架构：Django 负责业务闭环，ECharts 负责展示体验](#三、系统架构：Django 负责业务闭环，ECharts 负责展示体验)
[四、可视化分析：围绕 GPU 市场做多维度拆解](#四、可视化分析：围绕 GPU 市场做多维度拆解)
[六、聚类分析：把 GPU 样本划分成更容易理解的产品层级](#六、聚类分析：把 GPU 样本划分成更容易理解的产品层级)
有需要本项目的代码、文档、完整资源，或者需要部署调试的朋友，可以私信博主。
一、项目背景
这套项目围绕 GPU 硬件市场展开，核心想法很直接：显卡参数越来越复杂，架构、制程、显存、核心频率、接口、功耗、推荐电源、API 支持版本等信息分散在不同平台，普通用户想要横向比较并不容易。很多时候看单个商品详情页只能知道某一张卡的配置，却很难判断它在整个市场中处于什么位置，也看不出不同厂商、不同架构、不同显存类型之间的整体差异。
项目一开始也尝试过从电商平台采集数据，但实际测试中会遇到反爬限制、字段命名混乱、同一参数表达不统一等问题。为了保证分析结果稳定，我把数据源切换到标准化程度更高的公开 GPU 数据集，并围绕 34 个核心字段完成清洗、入库、分析和展示。这样做虽然少了一些实时电商价格信息，但参数质量更统一，更适合做系统化的市场结构分析。
|-----------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------|
| 
图 1 数据来源页面展示（已处理） | 
图 2 GPU 原始数据结构展示（已处理） |
整体流程可以概括为：获取 GPU 原始数据，使用 Pandas 和 NumPy 完成字段整理、单位拆分、空值处理和格式规范化，再写入 MySQL 数据库；后端使用 Django 组织用户、管理员、数据接口和页面路由；可视化部分结合 pyecharts 与 ECharts，实现静态图表、动态页面和大屏展示；最后再用 KPrototypes 聚类算法对显卡样本做层级划分，形成面向选型和市场观察的分析闭环。
二、数据处理
GPU 数据看起来只是表格，真正处理起来并不简单。很多字段里同时混有数值和单位，例如 MHz、GB/s、MB、bit、W 等，如果不先拆分，后续就无法直接统计或建模。项目中先对字段名称做中文映射，把 Architecture、Memory、Core_Speed、Memory_Bandwidth 等字段改成更直观的中文名称，同时把单位写入列名，数据单元格里只保留可计算的数值。
空值处理也是这个项目里比较重要的一步。原始数据中既有标准空值，也有 "-"、"--"、"N/A"、"null" 等语义空值，还有前后空格导致的隐性异常。清洗脚本会先统一去除空白字符，再把这些异常标记转成统一缺失值。数值字段保留为可计算格式，类别字段保留原始语义，后续在聚类阶段再根据字段类型分别处理。
|------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------|
| 
图 3 字段含义整理展示 | 
图 4 字段重命名与单位处理代码展示 |
|-------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------|
| 
图 5 数据描述性统计结果 | 
图 6 MySQL 数据表展示（已脱敏） |
数据入库采用 MySQL，表结构按照 GPU 参数类型设计。频率、显存容量、功耗、带宽等字段使用数值类型，厂商、架构、显存类型、推荐分辨率等字段使用字符串类型，是否独显、是否笔记本显卡、是否支持多卡等字段用布尔或整型表示。这样既方便 Django 后端调用，也方便 SQL 聚合统计和管理员后台维护。
三、系统架构
系统采用典型的 Web 应用结构，后端以 Django 为主体，负责用户认证、数据查询、管理员维护、接口返回和页面渲染。普通用户登录后可以进入可视化系统查看各类分析图表，也可以打开动态大屏查看综合指标。管理员则进入后台页面，对 GPU 数据、用户信息和系统概览进行维护。
页面端使用左右分栏布局，左侧是功能导航菜单，右侧是图表内容区。为了避免把所有图表堆在一个页面里，系统把 30 个图表按业务主题进行分组，例如图形接口与 API 能力、厂商与产品格局、架构与制程技术演进、频率性能与核心算力、显存系统与带宽能力、功耗能效与供电生态等。用户点击不同菜单，页面会加载对应的可视化结果，浏览体验会比单纯打开一堆图片更顺畅。
|-----------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------|
| 
图 7 用户注册界面展示（已脱敏） | 
图 8 用户登录界面展示（已脱敏） |
|--------------------------------------------------------------------------------------------------|
| 
图 9 用户端可视化主界面展示（已脱敏） |
|-------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------|
| 
图 10 管理员后台概览展示（已脱敏） | 
图 11 GPU 数据维护页面展示（已脱敏） |
|------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------|
| 
图 12 用户管理列表展示（已脱敏） | 
图 13 用户编辑弹窗展示（已脱敏） |
管理员后台主要承担运维角色。数据维护页面支持筛选、分页、新增、编辑和删除；用户管理页面支持查看用户列表和权限管理；系统概览页面则用数字卡片、趋势图和状态图展示当前数据量、用户数量、活跃情况和系统负载。为了适合公开展示，文档中的账号、电话、邮箱、时间等信息已经做了遮挡处理。
四、可视化分析
可视化部分不是简单做几张图，而是围绕硬件选型时最常关注的指标展开。接口和 API 维度主要看 DirectX、OpenGL、HDMI、DisplayPort、DVI、VGA 等支持情况，可以反映显卡在不同系统、显示设备和应用环境中的兼容性。图表结果显示，较新的图形 API 已经成为主流，但老版本接口仍然保留一定存量，这也符合硬件市场长期兼容的特点。
厂商与产品格局是另一个重点。系统通过饼图、雷达图和分组柱状图对 Nvidia、AMD、Intel、ATI 等品牌进行对比，能够直观看到不同厂商在产品数量、平均规格、显存带宽、接口支持和笔记本显卡占比上的差异。从整体分布看，市场呈现比较明显的头部集中格局，部分老品牌和老架构仍作为存量样本存在。
|-----------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------|
| 
图 14 DirectX 版本统计 | 
图 15 OpenGL 版本分布 |
|-------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------|
| 
图 16 接口覆盖率漏斗图 | 
图 17 厂商接口覆盖率对比 |
|-----------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------|
| 
图 18 厂商数量占比 | 
图 19 厂商平均规格雷达图 |
|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| 
图 20 架构数量排名 | 
图 21 制程工艺分布 |
|-------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------|
| 
图 22 加速频率分档分布 | 
图 23 核心频率分档分布 |
|-----------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------|
| 
图 24 显存类型占比 | 
图 25 显存类型性能均值对比 |
|-------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------|
| 
图 26 最大功耗分档分布 | 
图 27 功耗分档平均性能 |
架构和制程维度更偏技术演进。系统统计了架构数量排名和制程工艺分布，可以看出某些经典架构仍有较高出现频次，而成熟制程节点在样本中占据较大比例。这类图表适合用来观察 GPU 产品代际更替，也适合做硬件市场课程设计、数据分析课程项目或毕业设计展示。
性能侧主要看核心频率、加速频率、显存容量、显存带宽、位宽、功耗和推荐电源等指标。单看一个指标容易片面，项目里把它们拆成多个图表呈现：频率分档看主流区间，显存类型看技术路线，显存带宽看性能瓶颈，功耗分档看能效代价。这样处理后，读者不需要逐行阅读表格，也能大致理解 GPU 市场的产品层级。
五、动态大屏
除了普通图表页面，项目还单独做了一个动态可视化大屏。大屏页面更适合演示和发布展示，顶部是综合指标卡片，中间和两侧分布多个图表模块，包括规格维度对比、厂商画像、显存分层、接口配置、分档均值、显存类型占比等。页面右上角原本带有实时显示时间，发布版图片中已做遮挡。
大屏的数据不是写死在页面里，而是通过后端接口返回 JSON，前端使用 Ajax 请求后再由 ECharts 渲染。这样设计的好处是后续可以替换数据集或更新数据库，只要接口字段保持一致，前端页面就能继续复用。对于课程项目或毕业设计来说，这种前后端配合方式比静态图片更有完整性，也更容易体现系统开发能力。
|---------------------------------------------------------------------------------------------------|
| 
图 28 动态可视化大屏整体展示（已脱敏） |
在交互方面，大屏保留了图表筛选、图例切换、鼠标悬浮提示、局部缩放等功能。部分图表支持按厂商、架构、显存类型、功耗等级切换维度，方便从不同角度观察市场结构。这个模块也是整个项目最适合作为博客封面或展示动图的部分，视觉效果比较直观。
六、聚类分析
系统不仅做展示，还加入了聚类分析。GPU 数据同时包含数值型字段和类别型字段，直接用普通 K-Means 会损失类别信息，所以项目选择 KPrototypes 算法处理混合特征。数值特征包括核心频率、加速频率、显存容量、显存带宽、最大功耗等，类别特征包括厂商、架构、显存类型、推荐分辨率等。为了避免显卡型号这种高唯一值字段影响聚类，建模时没有把它作为主要聚类特征。
聚类数量没有随意指定，而是结合肘部法和轮廓系数进行选择。最终分成 5 类后，样本之间的差异比较清晰，可以概括为入门办公型、主流 1080p 型、主流 2K 型、高端性能型和旗舰 4K 型。不同类别在显存容量、功耗水平、带宽能力、适配分辨率和厂商分布上都有明显差别，这个结果比单纯按价格或单一参数排序更有参考价值。
|-------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------|
| 
图 29 聚类特征选择展示 | 
图 30 肘部法结果展示 |
|-------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| 
图 31 轮廓系数结果展示 | 
图 32 聚类类别占比 |
|-----------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------|
| 
图 33 聚类样本分布 | 
图 34 各类别画像展示 |
聚类结果在系统中做了多种形式展示，包括样本散点分布、类别占比、各类厂商分布、类别画像和显存容量分布等。对于实际使用者来说，可以先通过聚类结果找到自己关心的产品层级，再回到具体参数图表中查看该层级的典型配置。这样就形成了"整体市场---产品分层---具体指标"的浏览路径。
七、项目适合展示的资源内容
这套系统的资料比较完整，适合整理成课程设计、毕业设计、项目作品集或博客资源包。完整资源一般可以包括 Django 项目源码、数据库建表脚本、预处理脚本、可视化脚本、聚类分析脚本、项目论文或说明文档、运行截图、环境依赖说明和部署说明。对于想复现的同学来说，重点是把数据库连接、数据表字段、静态文件路径和 Django 路由配置好。
如果继续扩展，可以在现有基础上加入价格字段、发布时间字段、显卡跑分数据和电商销量数据，进一步做价格区间分析、性价比评分、产品推荐或趋势预测。也可以把 GPU 扩展到 CPU、内存、硬盘、整机配置等更完整的电脑硬件数据，让系统从单一显卡分析升级为硬件市场综合分析平台。
整个项目的价值不只在于图表数量多，更在于把数据清洗、数据库、Web 系统、可视化大屏和聚类建模串成了一条完整链路。一个能跑起来、能展示、能维护、能解释结果的系统，往往比只做单点算法或单张图表更适合拿来做项目展示。
每文一语
真正能落地的项目，不是把技术堆得越多越好，而是把数据、流程和界面一步步打磨到能解决实际问题。