计算机毕业设计：Python二手车智能估价与数据可视化系统 Django框架随机森林可视化数据分析汽车车辆大数据 hadoop（建议收藏）✅

q_3375686806

222人浏览 · 2026-03-30 18:37:47

q_3375686806 · 2026-03-30 18:37:47 发布

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈
Python、Django、MySQL、机器学习随机森林算法、Echarts可视化、HTML、阿里云天池数据集

功能模块

注册登录界面
不同车龄平均价格柱状图分析
不同车龄数量分布饼图
二手车售价分布饼图
不同地区二手车平均价格柱状图分析
里程价格折线图分析
特征值和价格相关性分析
二手车价格预测

项目介绍
本项目基于Django框架开发，构建了一个集数据分析与价格预测于一体的二手车价格分析系统。系统采用阿里云天池提供的40万条二手车交易数据，通过随机森林算法构建价格预测模型。后端利用MySQL数据库存储与管理数据，前端结合Echarts实现多种交互式可视化图表，涵盖车龄分布、售价区间、地区差异、里程影响及特征相关性等多维度分析。用户可通过注册登录功能访问系统，输入车辆特征信息后获得预测价格。平台以直观的可视化界面展示数据分析结果，帮助用户理解二手车价格形成规律，为购车与卖车决策提供数据支持。

2、项目界面

（1）不同车龄平均价格柱状图分析
该页面是二手车价格分析系统的不同车龄平均价格柱状图模块，通过柱状图展示不同车龄二手车的平均价格分布情况，可直观呈现车龄与二手车平均价格的关联趋势，支持图表交互查看对应车龄的平均价格信息，辅助分析二手车价格规律。
在这里插入图片描述

（2）不同车龄数量分布饼图
该页面是二手车价格分析系统的不同车龄数量分布饼图模块，通过环形饼图展示不同车龄二手车的数量占比分布情况，可直观呈现各车龄段二手车的数量占比，支持图表交互查看对应车龄的数量占比信息，辅助分析二手车车龄结构特征。

在这里插入图片描述

（3）二手车售价分布饼图
该页面是二手车价格分析系统的二手车售价分布饼图模块，通过环形饼图展示不同售价区间二手车的数量占比分布情况，可直观呈现各售价区间二手车的占比，支持图表交互查看对应售价区间的占比信息，辅助分析二手车售价结构特征。

在这里插入图片描述

（4）不同地区二手车平均价格柱状图分析
该页面是二手车价格分析系统的不同地区二手车平均价格柱状图模块，通过柱状图展示不同地区二手车的平均价格分布情况，可直观呈现各地区二手车的平均价格差异，支持图表交互查看对应地区的平均价格信息，辅助分析二手车价格的地域分布特征。

在这里插入图片描述

（5）里程价格折线图分析
该页面是二手车价格分析系统的里程价格折线图模块，通过折线图展示二手车里程数与价格的关联变化趋势，可直观呈现二者的关系及价格随里程变化的规律，支持图表交互查看对应里程的价格信息，辅助分析二手车价格受里程影响的情况。
在这里插入图片描述

（6）特征值和价格相关性分析
该页面是二手车价格分析系统的v特征值和价格相关性模块，通过柱状图展示不同v特征值与二手车价格的相关性强弱分布，可直观呈现各特征值对价格的影响程度，支持图表交互查看对应特征值的相关系数信息，辅助分析影响二手车价格的关键特征因素。
在这里插入图片描述

（7）二手车价格预测
该页面是二手车价格分析系统的二手车列表模块，提供品牌筛选功能，以表格形式展示二手车的注册日期、车型编码、品牌、行驶公里、价格等详细信息，支持数据筛选查看，辅助用户了解二手车的基础信息与价格情况。
在这里插入图片描述

（8）注册登录界面
该页面是系统的登录模块，提供手机号与密码输入框，支持自动登录选项，设有立即登录和去注册功能，可完成用户身份验证与账号注册引导，保障系统访问的安全性与账号管理的便捷性。

在这里插入图片描述

3、项目说明

一、技术栈简要说明
本系统基于Python语言与Django框架构建后端服务，采用MTV架构模式实现业务逻辑与页面展示的分离。数据存储使用MySQL数据库，管理来自阿里云天池比赛的40万条二手车交易数据。数据分析与预测环节引入机器学习随机森林算法，构建价格预测模型。前端可视化采用Echarts图表库，实现多种交互式数据展示。整体系统涵盖数据处理、模型训练、可视化分析及用户交互等完整功能链条。

二、功能模块详细介绍

注册登录界面
该模块提供用户身份认证入口，包含手机号与密码输入框，支持自动登录选项，设有立即登录和去注册功能。通过账号管理体系保障系统访问的安全性，为用户后续的数据查看与价格预测操作提供身份验证基础。
不同车龄平均价格柱状图分析
此模块通过柱状图展示各车龄段二手车的平均价格分布，直观反映车龄与价格之间的关联趋势。用户可通过图表交互查看具体数值，辅助分析车辆使用年限对价格的影响规律。
不同车龄数量分布饼图
该模块采用环形饼图呈现不同车龄二手车的数量占比情况。通过可视化展示各车龄段的市场存量结构，帮助用户了解二手车市场的车龄分布特征。
二手车售价分布饼图
此模块以环形饼图形式展示不同售价区间二手车的数量占比。用户可快速掌握各价格区间的市场分布情况，为定价策略和市场分析提供数据支撑。
不同地区二手车平均价格柱状图分析
该模块通过柱状图展示各地区的二手车平均价格差异，呈现价格的地域分布特征。用户可通过图表交互查看对应地区的平均价格信息，辅助跨区域购车或卖车决策。
里程价格折线图分析
此模块采用折线图展示行驶里程与二手车价格之间的变化关系，直观呈现价格随里程增加而变化的趋势规律，帮助用户理解里程因素对车辆价值的影响程度。
特征值和价格相关性分析
该模块通过柱状图展示不同匿名特征变量与价格的相关性强弱，呈现各特征对价格的影响程度排序。用户可了解影响二手车价格的关键特征因素，为数据分析和模型优化提供依据。
二手车价格预测
此模块提供品牌筛选功能，以表格形式展示二手车的注册日期、车型编码、品牌、行驶里程、价格等详细信息。用户可通过筛选查看车辆基础信息，系统基于随机森林算法根据输入特征返回预测价格，辅助用户进行车辆价值评估。

三、项目总结
本项目构建了一套完整的二手车价格分析与预测系统，涵盖数据管理、可视化分析、特征相关性探索及价格预测等核心功能。后端基于Django框架实现稳定服务，采用随机森林算法构建价格预测模型，利用40万条真实交易数据进行训练。前端通过Echarts实现多种交互式图表，从车龄分布、售价区间、地区差异、里程影响、特征相关性等多个维度呈现数据分析结果。系统以直观的可视化界面和准确的价格预测能力，为用户了解二手车市场规律、评估车辆价值提供了有效的工具支持。

4、核心代码



def plot5(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot5.pkl'
    if os.path.exists(filename):
        x_data,y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        tmp_dict = {}
        for i in raw_data:
            year = (i.days - 1) // 360 + 1
            year = f'{year}年'
            # 对年份字符串进行排序
            year = sorted(year)

            print(year)
            tmp_dict.setdefault(year,[])
            tmp_dict[year] = tmp_dict.get(year) + [i.price, ]

        #
        tmp_dict = {
            k: sum(v)//len(v)
            for k, v in tmp_dict.items()
        }

        # 排序
        sort_list = sorted(tmp_dict.items(), key=lambda x: x[1],reverse=True)
        print(sort_list)

        x_data = [i[0] for i in sort_list]
        y_data = [i[1] for i in sort_list]
        data = [x_data,y_data]
        joblib.dump(data, filename)

    return render(request, 'plot5.html', locals())


def plot6(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot6.pkl'
    if os.path.exists(filename):
        x_data, y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        tmp_dict = {}
        for i in raw_data:
            licheng = str(i.kilometer)
            tmp_dict.setdefault(licheng, [])
            tmp_dict[licheng] = tmp_dict.get(licheng) + [i.price, ]

        #
        tmp_dict = {
            k: sum(v) // len(v)
            for k, v in tmp_dict.items()
        }

        # 排序
        sort_list = sorted(tmp_dict.items(), key=lambda x: x[0])
        print(sort_list)

        x_data = [i[0] for i in sort_list]
        y_data = [i[1] for i in sort_list]
        data = [x_data, y_data]
        joblib.dump(data, filename)

    return render(request, 'plot6.html', locals())


def plot7(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot7.pkl'
    if os.path.exists(filename):
        x_data, y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        # 分组
        tmp_data = raw_data.values('gearbox').annotate(count=Avg('price'))
        tmp_data = {i['gearbox']: i['count'] for i in tmp_data}
        # 排序
        sort_list = sorted(tmp_data.items(), key=lambda x: x[0], reverse=True)
        x_data = [str(i[0]) for i in sort_list]
        y_data = [i[1] for i in sort_list]
        data = [x_data, y_data]
        joblib.dump(data, filename)
    return render(request, 'plot7.html', locals())


def plot8(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot8.pkl'
    if os.path.exists(filename):
        x_data, y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        # 分组
        tmp_data = raw_data.values('bodyType').annotate(count=Avg('price'))
        tmp_data = {i['bodyType']: i['count'] for i in tmp_data}
        # 排序
        sort_list = sorted(tmp_data.items(), key=lambda x: x[0], reverse=True)
        x_data = [str(i[0]) for i in sort_list]
        y_data = [i[1] for i in sort_list]
        data = [x_data, y_data]
        joblib.dump(data, filename)
    return render(request, 'plot8.html', locals())


def plot9(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot9.pkl'
    if os.path.exists(filename):
        x_data, y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        # 分组
        tmp_data = raw_data.values('brand').annotate(count=Count('brand'))
        tmp_data = {i['brand']: i['count'] for i in tmp_data}
        # 排序
        sort_list = sorted(tmp_data.items(), key=lambda x: x[1], reverse=True)

        data = [
            {'value': v, 'name': k}
            for k, v in sort_list
        ]
        joblib.dump(data, filename)
    return render(request, 'plot9.html', locals())


def plot10(request):
    os.makedirs('plot', exist_ok=True)
    filename = 'plot/plot10.pkl'
    if os.path.exists(filename):
        x_data, y_data = joblib.load(filename)
    else:
        raw_data = CarHand.objects.all()
        # 分组
        tmp_data = raw_data.values('power').annotate(count=Avg('price'))
        tmp_data = {i['power']: i['count'] for i in tmp_data}
        # 排序
        sort_list = sorted(tmp_data.items(), key=lambda x: x[0])
        x_data = [str(i[0]) for i in sort_list]
        y_data = [i[1] for i in sort_list]
        data = [x_data, y_data]
        joblib.dump(data, filename)
    return render(request, 'plot10.html', locals())


def plot11(request):
    import datetime
    now_time = datetime.datetime.now()  # 日期对象
    # 预测的数据
    pre_data = []
    for i in range(1,7):
        tmp_date = now_time + datetime.timedelta(days=30 * i)
        pre_data.append([
            tmp_date.year, tmp_date.month, tmp_date.day
        ])
    model = joblib.load('model/model_date.pkl')
    pre_list  = model.predict(pre_data)


    x_data = [f'未来{i}月' for i in range(1,7)]
    y_data = [int(i) for i in pre_list]
    return render(request, 'plot11.html', locals())


def plot12(request):
    x_data = [f'v_{i}' for i in range(14)] # v特征
    y_data = [0.754941551268356, 0.024251731159680205, 0.5495943633382925, 0.7393093762043526, 0.1506070454983662, 0.30624676044263843, 0.03462380346459138, 0.11722533620326846, 0.6917814292781741, 0.22631654082941277, 0.204791017058243, 0.38750050009134884, 0.7844431919628817, 0.036181438327402775]


    return render(request, 'plot12.html', locals())


class predict2(View):
    # get请求
    def get(self, request):
        final_columns = ['brand', 'v_7', 'model', 'v_4', 'notRepairedDamage', 'fuelType', 'v_10',
                         'v_9', 'bodyType', 'power', 'v_5', 'gearbox', 'v_11', 'kilometer',
                         'v_2', 'days', 'v_8', 'v_3', 'v_0', 'v_12', ]
        raw_data = CarHand.objects.all()
        onedata = raw_data[0]

        tmp_list = [item.brand for item in raw_data]
        brand_list = list(sorted(list(set(tmp_list))))

        tmp_list = [item.model for item in raw_data]
        model_list = list(sorted(list(set(tmp_list))))

        bodyType_dict = [{'name': '豪华轿车', 'value': 0}, {'name': '微型车', 'value': 1}, {'name': '厢型车', 'value': 2},
                         {'name': '大巴车', 'value': 3}, {'name': '敞篷车', 'value': 4}, {'name': '双门汽车', 'value': 5},
                         {'name': '商务车', 'value': 6}, {'name': '搅拌车', 'value': 7}]
        bodyType_list = ['豪华轿车', '微型车', '厢型车', '大巴车', '敞篷车', '双门汽车', '商务车', '搅拌车']

        fuelType_dict = [{'name': '汽油', 'value': 0}, {'name': '柴油', 'value': 1}, {'name': '液化石油气', 'value': 2},
                         {'name': '天然气', 'value': 3}, {'name': '混合动力', 'value': 4}, {'name': '其他', 'value': 5},
                         {'name': '电动', 'value': 6}]
        fuelType_list = ['汽油', '柴油', '液化石油气', '天然气', '混合动力', '其他', '电动']
        print(fuelType_dict)
        return render(request, 'predict2.html', locals())

    # psot请求
    def post(self, request):
        postdata = request.POST
        postdata = dict(postdata)
        print(postdata)
        # 得到表单参数
        for k, v in postdata.items():
            postdata[k] = v[0]
        print(postdata)
        final_columns = ['brand', 'v_7', 'model', 'v_4', 'notRepairedDamage', 'fuelType', 'v_10',
                         'v_9', 'bodyType', 'power', 'v_5', 'gearbox', 'v_11', 'kilometer',
                         'v_2', 'days', 'v_8', 'v_3', 'v_0', 'v_12', ]
        pre_data = [
            eval(postdata[col])
            for col in final_columns
        ]
        pre_data = [pre_data,pre_data]
        model = joblib.load('model/model.pkl')
        result = model.predict(pre_data)[0]
        result = int(result)

        message = f"预测的价格为{result}"

        return JsonResponse({'data': 'data', 'code': 200, 'message': message, 'count': 'total'})