✨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
本系统名为《基于大数据的Medicaid GLP-1药物利用与支出数据可视化分析》，面向大四计算机专业毕业设计场景，围绕Medicaid体系中GLP-1类药物的利用情况与支出数据展开。系统以Hadoop+HDFS作为底层数据存储支撑，借助Spark与Spark SQL完成数据清洗、聚合与统计计算，并结合Pandas、NumPy做辅助数据处理，后端采用Django（Python版）或Spring Boot（Java版）提供数据接口服务，前端使用Vue、ElementUI与ECharts完成可视化呈现，数据库采用MySQL存储业务数据。功能上覆盖全国走势、全国季度数据、州域分布分析、州域季度数据、通道结构、品规季度、药品参考等分析模块，并配套数据管理入口与单屏总览大屏，形成从数据接入、计算分析到可视化展示的完整链路，帮助使用者直观了解GLP-1药物在不同区域与季度的利用与支出变化情况。
选题背景
近几年GLP-1类受体激动剂在糖尿病治疗和体重管理领域受到较多关注，相关药物在Medicaid体系中的处方量与支出规模都呈现出较明显的变化，不同州、不同季度之间的利用水平和费用结构存在差异。这类数据体量较大、维度较多，既有时间序列特征，也有区域分布特征，传统靠表格逐条查看的方式很难快速看出走势和结构差异。计算机专业毕业设计阶段，不少同学希望找一个既有真实数据背景、又能体现大数据技术链路的题目，而药物利用与支出分析正好具备这样的特点。Hadoop、Spark、Spark SQL等技术在数据存储与批量计算方面比较成熟，配合ECharts可以较直观地呈现分析结果，这为本课题的开展提供了可行的技术基础，也让选题在数据和实现两端都有落脚点。
选题意义
从实际意义看，本课题把GLP-1药物利用与支出数据整理成全国走势、州域分布、季度变化和品规结构等几个可查看的视角，能让使用者较快了解数据的大致走向，减少在原始表格中反复翻找的时间。对毕业设计本身而言，它把Hadoop、HDFS、Spark、Spark SQL、Pandas、NumPy这些大数据环节串成一条可运行的链路，后端用Django或Spring Boot提供接口，前端用Vue和ECharts做展示，能够比较完整地练习从数据存储、计算到可视化的流程。受限于个人能力和数据范围，系统在分析深度和模型复杂度上还比较基础，更多是提供一个可运行、可扩展的参考实现，帮助后续同学在此基础上继续补充分析维度或调整展示方式，也算是对大数据可视化类毕设做一次务实的尝试。
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Medicaid GLP-1药物利用与支出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）
# ========== 大数据入口：SparkSession.builder ==========
from pyspark.sql import SparkSession
from pyspark.sql import functions as F
from django.http import JsonResponse
from django.views.decorators.csrf import csrf_exempt
import json
spark = SparkSession.builder.appName("MedicaidGLP1Analysis").master("local[*]").config("spark.sql.shuffle.partitions", "4").getOrCreate()
# ========== 功能一：全国走势分析（按季度聚合利用量与支出） ==========
@csrf_exempt
def national_trend(request):
if request.method != "POST":
return JsonResponse({"code": 400, "msg": "method not allowed"})
body = json.loads(request.body.decode("utf-8"))
start_quarter = body.get("start_quarter", "2020Q1")
end_quarter = body.get("end_quarter", "2024Q4")
df = spark.read.option("header", True).option("inferSchema", True).csv("hdfs://localhost:9000/medicaid/glp1_utilization.csv")
df = df.withColumn("quarter", F.col("year").cast("string") + F.lit("Q") + F.col("quarter_num").cast("string"))
df = df.filter((F.col("quarter") >= start_quarter) & (F.col("quarter") <= end_quarter))
result = df.groupBy("quarter").agg(F.sum("utilization_count").alias("total_utilization"), F.sum("total_spending").alias("total_spending"), F.countDistinct("state").alias("state_count")).orderBy("quarter")
rows = result.collect()
data = [{"quarter": r["quarter"], "utilization": int(r["total_utilization"] or 0), "spending": float(r["total_spending"] or 0), "stateCount": int(r["state_count"] or 0)} for r in rows]
return JsonResponse({"code": 200, "data": data})
# ========== 功能二：州域分布分析（按州聚合并计算占比） ==========
@csrf_exempt
def state_distribution(request):
if request.method != "POST":
return JsonResponse({"code": 400, "msg": "method not allowed"})
body = json.loads(request.body.decode("utf-8"))
target_quarter = body.get("quarter", "2024Q4")
df = spark.read.option("header", True).option("inferSchema", True).csv("hdfs://localhost:9000/medicaid/glp1_utilization.csv")
df = df.withColumn("quarter", F.col("year").cast("string") + F.lit("Q") + F.col("quarter_num").cast("string"))
df = df.filter(F.col("quarter") == target_quarter)
state_df = df.groupBy("state").agg(F.sum("utilization_count").alias("utilization"), F.sum("total_spending").alias("spending")).orderBy(F.desc("spending"))
total_spending = state_df.agg(F.sum("spending")).collect()[0][0] or 0
rows = state_df.collect()
data = [{"state": r["state"], "utilization": int(r["utilization"] or 0), "spending": float(r["spending"] or 0), "ratio": round(float(r["spending"] or 0) / total_spending * 100, 2) if total_spending else 0} for r in rows]
return JsonResponse({"code": 200, "quarter": target_quarter, "data": data})
# ========== 功能三：品规季度分析（按药品品规与季度交叉统计） ==========
@csrf_exempt
def product_quarter(request):
if request.method != "POST":
return JsonResponse({"code": 400, "msg": "method not allowed"})
body = json.loads(request.body.decode("utf-8"))
product_name = body.get("product_name", "")
df = spark.read.option("header", True).option("inferSchema", True).csv("hdfs://localhost:9000/medicaid/glp1_utilization.csv")
df = df.withColumn("quarter", F.col("year").cast("string") + F.lit("Q") + F.col("quarter_num").cast("string"))
if product_name:
df = df.filter(F.col("product_name") == product_name)
product_df = df.groupBy("product_name", "quarter").agg(F.sum("utilization_count").alias("utilization"), F.sum("total_spending").alias("spending"), F.avg("unit_cost").alias("avg_unit_cost")).orderBy("product_name", "quarter")
rows = product_df.collect()
data = [{"product": r["product_name"], "quarter": r["quarter"], "utilization": int(r["utilization"] or 0), "spending": float(r["spending"] or 0), "avgUnitCost": round(float(r["avg_unit_cost"] or 0), 2)} for r in rows]
return JsonResponse({"code": 200, "data": data})五、系统视频
基于大数据的Medicaid GLP-1药物利用与支出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Medicaid GLP-1药物利用与支出数据可视化分析-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：⬇⬇⬇