✨作者主页 ：IT研究室✨
个人简介：曾从事计算机专业培训教学，擅长Java、Python、微信小程序、Golang、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。
☑文末获取源码☑
文章目录
一、前言
系统介绍
基于大数据的广州市美食店铺数据可视化分析系统是一套面向广州市美食行业数据的采集、存储、计算与可视化展示平台，系统以Hadoop HDFS作为底层数据存储基础，借助Spark与Spark SQL完成对美食店铺原始数据的清洗、聚合与统计分析，并通过Pandas、NumPy对分析结果进行二次处理与指标计算。系统后端采用Django框架搭建服务接口，前端使用Vue配合ElementUI、Echarts等组件完成页面交互与图表渲染，数据库使用MySQL存储店铺信息、用户信息与分析结果。系统功能涵盖系统首页主面板、口碑评分分析、美食店铺信息可视化分析、评论时间分析、店铺分布分析、消费洞察分析、消费价格分析、热门评论分析以及大屏可视化等模块，能够从评分、时间、地域、价格、评论等多个维度呈现广州市美食店铺的经营特征与消费规律，为美食店铺数据研究提供直观的可视化支撑。
选题背景
广州作为一线城市，餐饮店铺数量庞大、种类繁多，从老字号茶楼到街边小吃，从连锁品牌到独立小店，每天都在产生大量与店铺经营、用户评价、消费行为相关的数据。这些数据分散在各类生活服务平台中，单靠人工浏览和简单表格统计，很难看出店铺分布、价格区间、口碑变化之间的关联。计算机专业毕业设计如果只做传统的增删改查系统，已经很难体现对数据的处理能力。Hadoop与Spark这类大数据技术为处理规模较大的美食店铺数据提供了可行路径，HDFS可以存放原始数据，Spark SQL能较快完成分组统计和指标计算。本课题选择广州市美食店铺作为分析对象，把大数据处理与可视化展示结合起来，试图在毕业设计范围内完成一条从数据存储、计算到图表呈现的完整链路。
选题意义
从实际意义来看，这个课题能把课堂上学到的Hadoop、Spark、Django、Vue等技术串起来，而不是停留在单独的知识点上。通过搭建基于大数据的广州市美食店铺数据可视化分析系统，可以练习数据清洗、指标统计、接口开发和图表展示等环节，对计算机专业学生来说是一次比较完整的工程实践。对美食店铺数据本身而言，系统可以把评分、评论时间、店铺分布、消费价格等信息用图表呈现出来，方便使用者比较不同区域和不同价位店铺的特点，虽然它只是一个毕业设计，分析深度和业务覆盖范围都有限，但至少能提供一个观察广州市美食店铺数据的角度。对后续想继续做数据分析方向的同学来说，这套系统也可以作为一个基础版本，在此基础上继续补充数据源和分析维度。
二、开发环境
- 大数据框架：Hadoop+Spark（本次没用Hive，支持定制）
- 开发语言：Python+Java（两个版本都支持）
- 后端框架：Django+Spring Boot(Spring+SpringMVC+Mybatis)（两个版本都支持）
- 前端：Vue+ElementUI+Echarts+HTML+CSS+JavaScript+jQuery
- 详细技术点：Hadoop、HDFS、Spark、Spark SQL、Pandas、NumPy
- 数据库：MySQL
三、系统界面展示
- 基于大数据的广州市美食店铺数据可视化分析界面展示：
四、代码参考
- 项目实战代码参考：
java（贴上部分代码）
from pyspark.sql import SparkSession
from pyspark.sql.functions import col, count, avg, sum, when, date_format, desc
import pandas as pd
import numpy as np
import json
from django.http import JsonResponse
from django.views.decorators.http import require_http_methods
from .models import ShopInfo, ShopReview, AnalysisResult
spark = SparkSession.builder.appName("GuangzhouFoodShopAnalysis").master("local[*]").config("spark.sql.shuffle.partitions", "4").getOrCreate()
@require_http_methods(["GET"])
def shop_rating_analysis(request):
shop_df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/food_shop_db").option("dbtable", "shop_info").option("user", "root").option("password", "123456").load()
review_df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/food_shop_db").option("dbtable", "shop_review").option("user", "root").option("password", "123456").load()
rating_df = review_df.groupBy("shop_id").agg(avg("rating").alias("avg_rating"), count("review_id").alias("review_count"))
result_df = shop_df.join(rating_df, on="shop_id", how="left").select("shop_id", "shop_name", "district", "category", "avg_rating", "review_count")
result_df = result_df.withColumn("rating_level", when(col("avg_rating") >= 4.5, "高口碑").when(col("avg_rating") >= 3.5, "中口碑").otherwise("低口碑"))
rating_stats = result_df.groupBy("rating_level").agg(count("shop_id").alias("shop_num"), avg("avg_rating").alias("level_avg_rating")).orderBy(desc("shop_num"))
rating_pd = rating_stats.toPandas()
rating_pd["level_avg_rating"] = rating_pd["level_avg_rating"].round(2)
chart_data = {"levels": rating_pd["rating_level"].tolist(), "shop_nums": rating_pd["shop_num"].tolist(), "avg_ratings": rating_pd["level_avg_rating"].tolist()}
AnalysisResult.objects.update_or_create(analysis_type="shop_rating", defaults={"result_json": json.dumps(chart_data, ensure_ascii=False)})
return JsonResponse({"code": 200, "msg": "口碑评分分析完成", "data": chart_data})
@require_http_methods(["GET"])
def shop_distribution_analysis(request):
shop_df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/food_shop_db").option("dbtable", "shop_info").option("user", "root").option("password", "123456").load()
district_df = shop_df.groupBy("district").agg(count("shop_id").alias("shop_count"), avg("avg_price").alias("district_avg_price")).orderBy(desc("shop_count"))
category_df = shop_df.groupBy("district", "category").agg(count("shop_id").alias("category_count"))
district_pd = district_df.toPandas()
category_pd = category_df.toPandas()
district_pd["district_avg_price"] = district_pd["district_avg_price"].round(2)
pivot_df = category_pd.pivot_table(index="district", columns="category", values="category_count", fill_value=0)
distribution_data = {"districts": district_pd["district"].tolist(), "shop_counts": district_pd["shop_count"].tolist(), "avg_prices": district_pd["district_avg_price"].tolist(), "category_matrix": pivot_df.to_dict(orient="index")}
AnalysisResult.objects.update_or_create(analysis_type="shop_distribution", defaults={"result_json": json.dumps(distribution_data, ensure_ascii=False)})
return JsonResponse({"code": 200, "msg": "店铺分布分析完成", "data": distribution_data})
@require_http_methods(["GET"])
def consumption_price_analysis(request):
shop_df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/food_shop_db").option("dbtable", "shop_info").option("user", "root").option("password", "123456").load()
price_df = shop_df.withColumn("price_range", when(col("avg_price") < 30, "30元以下").when(col("avg_price") < 60, "30-60元").when(col("avg_price") < 100, "60-100元").otherwise("100元以上"))
price_stats = price_df.groupBy("price_range").agg(count("shop_id").alias("shop_count"), avg("avg_price").alias("range_avg_price"), avg("avg_rating").alias("range_avg_rating")).orderBy("price_range")
price_pd = price_stats.toPandas()
price_pd["range_avg_price"] = price_pd["range_avg_price"].round(2)
price_pd["range_avg_rating"] = price_pd["range_avg_rating"].round(2)
price_pd["shop_ratio"] = (price_pd["shop_count"] / price_pd["shop_count"].sum() * 100).round(2)
price_data = {"price_ranges": price_pd["price_range"].tolist(), "shop_counts": price_pd["shop_count"].tolist(), "avg_prices": price_pd["range_avg_price"].tolist(), "avg_ratings": price_pd["range_avg_rating"].tolist(), "ratios": price_pd["shop_ratio"].tolist()}
AnalysisResult.objects.update_or_create(analysis_type="consumption_price", defaults={"result_json": json.dumps(price_data, ensure_ascii=False)})
return JsonResponse({"code": 200, "msg": "消费价格分析完成", "data": price_data})五、系统视频
基于大数据的广州市美食店铺数据可视化分析项目视频：
结语
最新大数据毕业设计选题推荐-基于大数据的广州市美食店铺数据可视化分析-大数据-Spark-Hadoop-Bigdata
想看其他类型的计算机毕业设计作品也可以和我说都有 谢谢大家！
有技术这一块问题大家可以评论区交流或者私我~
大家可以帮忙点赞、收藏、关注、评论啦～
源码获取：⬇⬇⬇