156-基于Flask的北京市商铺数据可视化分析系统

北京市商铺数据可视化分析系统：从数据到洞察的全栈实践指南

这是一篇可直接发布的高质量技术分享，完整覆盖项目背景、功能清单、目录结构、技术栈、落地部署、核心代码讲解与可视化展示预留位，并提供面向实际生产的优化建议。所有示例代码均来自本仓库，读者可复制即用。

• 代码仓库根目录：F:/code/156-基于Flask的北京市商铺数据可视化分析系统/code
• 应用启动入口：app.py
• 后端核心：app/（Flask + SQLAlchemy + 蓝图模块化）
• 前端静态资源：app/static/（Bootstrap + ECharts）
• 模板：app/templates/

目录

• 项目概述与功能清单
• 目录结构
• 技术栈
• 快速开始
• 核心代码与模块拆解
  • 应用工厂与蓝图注册
  • 数据导入脚本：CSV/Excel→数据库
  • 分析路由与数据接口
  • 前端可视化：ECharts 玫瑰图示例
• 可视化展示
• 生产部署与优化建议
• 联系与交流

---

项目概述与功能清单

本系统以北京市餐饮商铺与评论数据为核心，提供数据管理、用户交互、统计分析与可视化洞察、智能推荐等能力，覆盖从数据采集处理到可视化呈现的完整链路。

已落地的主要功能（节选）：

• 用户体系：注册、登录、退出，权限控制（普通用户/管理员）
• 商铺管理：列表分页、详情、按地区/分类/价格/评分等维度筛选搜索
• 用户交互：收藏、评论（含评分）、评论点赞，个人收藏与评论记录
• 数据分析：分类/地区/价格/评分分布，热门商铺榜单，地理热力分布
• 可视化：ECharts 多图联动（玫瑰图/柱状/折线/散点/仪表/热力/地图）
• 管理后台：用户/商铺/评论管理，系统数据统计面板

---

目录结构

以下为与开发最相关的骨架（省略与演示无关的文件）：

code/app/__init__.py           # 应用工厂 & 扩展初始化 & 蓝图注册config.py             # 多环境配置（开发/测试/生产）models/               # SQLAlchemy 模型routes/               # 业务蓝图（auth/shop/analytics/...）static/               # Bootstrap/ECharts/自定义样式与脚本templates/            # Jinja2 模板data/                   # 原始/处理后数据（CSV/Excel）scripts/import_real_data.py   # 数据导入脚本（pandas → MySQL）app.py                  # 启动入口requirements.txt        # 依赖清单README.md

---

技术栈

• 后端
  • Flask 2.3、Flask-SQLAlchemy、Flask-Login、Flask-Migrate、Flask-Mail、Flask-CORS
  • SQLAlchemy 2.x、PyMySQL（MySQL 8+）
  • Redis（可用于缓存/会话/队列，可按需接入）
• 数据处理/分析
  • pandas、numpy、openpyxl、xlrd
  • scikit-learn、scipy（推荐/分析可扩展）
  • jieba、wordcloud、textblob（文本处理与可视化）
• 可视化与前端
  • Bootstrap 5、Bootstrap Icons、AOS（动画）
  • ECharts（玫瑰图/柱状图/折线图/散点图/仪表盘/热力/地图）
• 工具与质量
  • pytest、pytest-flask、coverage
  • python-dotenv、python-dateutil、bcrypt

---

快速开始

1. 环境准备

python -m venv venv
venv\Scripts\activate  # Windows
pip install -r requirements.txt

2. 数据库配置（MySQL）

在 app/config.py 中调整连接信息，或通过环境变量注入：

SQLALCHEMY_DATABASE_URI = 'mysql+pymysql://root:123456@localhost:3306/design_156_beijing?charset=utf8mb4'

3. 初始化数据库

python app.py init_db  # 或使用 Flask-Migrate/migrations

4. 启动应用

python app.py
# 访问 http://127.0.0.1:5000

5. 导入真实数据（可选）

python scripts/import_real_data.py

---

核心代码与模块拆解

应用工厂与蓝图注册

应用采用工厂模式，扩展（数据库、登录、迁移、邮件）集中初始化，蓝图按业务域拆分并注册：

# app/__init__.py（节选）
db = SQLAlchemy()
login_manager = LoginManager()
migrate = Migrate()
mail = Mail()def create_app(config_name=None):app = Flask(__name__)from app.config import configapp.config.from_object(config[config_name or 'development'])db.init_app(app)login_manager.init_app(app)migrate.init_app(app, db)mail.init_app(app)from app.routes.main import bp as main_bpfrom app.routes.auth import bp as auth_bpfrom app.routes.analytics import bp as analytics_bp# ... 其余蓝图app.register_blueprint(main_bp)app.register_blueprint(auth_bp, url_prefix='/auth')app.register_blueprint(analytics_bp, url_prefix='/analytics')return app

数据导入脚本：CSV/Excel→数据库

通过 pandas 读取 CSV，清洗字段并批量入库，按批次 commit 确保性能与稳定性：

# scripts/import_real_data.py（节选）
import pandas as pd
from app import create_app, db
from app.models.shop import Shop, Category, Districtdef import_shops(categories, districts):shops_df = pd.read_csv('data/北京市餐饮商铺数据(4.4w).csv')imported_count = 0for _, row in shops_df.iterrows():name = (row['店铺名称'] or '').strip()if not name:continueshop = Shop(external_id=str(row['店铺id']),name=name,address=row.get('地址') or '',longitude=float(row['经度']) if pd.notna(row['经度']) else None,latitude=float(row['纬度']) if pd.notna(row['纬度']) else None,rating=float(row['评分']) if pd.notna(row['评分']) else None,avg_price=float(row['人均消费']) if pd.notna(row['人均消费']) else None,# ... 分类/地区映射略)db.session.add(shop)imported_count += 1if imported_count % 1000 == 0:db.session.commit()db.session.commit()return imported_count

要点：

• 按 1000 条提交可控内存占用并减少锁持有时间
• 清洗函数独立（如电话、评分、人均消费），出错行跳过并记录日志

分析路由与数据接口

统计接口示例：分类分布，直接由 SQLAlchemy 聚合，前端异步渲染。

# app/routes/analytics.py（节选）
@bp.route('/api/category-distribution')
@login_required
def api_category_distribution():data = db.session.query(Shop.cuisine_type,func.count(Shop.id).label('count')).filter(Shop.is_active == True,Shop.cuisine_type.isnot(None)).group_by(Shop.cuisine_type).order_by(desc('count')).all()result = {'categories': [item[0] for item in data],'counts': [item[1] for item in data]}return jsonify(result)

前端可视化：ECharts 玫瑰图示例

模板中通过后端渲染的 JSON 数据初始化图表，样式统一采用玻璃拟态风格：

<!-- app/templates/analytics/index.html（节选）-->
<script src="{{ url_for('static', filename='js/echarts.min.js') }}"></script>
<script>
var categoryData = {{ category_data | tojson | safe }};
function initCategoryChart() {const chartDom = document.getElementById('categoryChart');const chart = echarts.init(chartDom);const option = {tooltip: { trigger: 'item' },series: [{type: 'pie', roseType: 'area',data: (categoryData || []).map(i => ({ name: i.name, value: i.count }))}]};chart.setOption(option);
}
document.addEventListener('DOMContentLoaded', initCategoryChart);
</script>

---

可视化展示

*** 🐦‍🔥 项目源码获取，码界筑梦坊各平台同名，博客底部含联系方式卡片，欢迎咨询！***

---

生产部署与优化建议

• 配置分层：使用 Development/Testing/Production 多环境配置，敏感信息通过环境变量注入
• 数据库
  • 建议开启只读从库用于统计查询，主库承载写入
  • 关键字段索引：cuisine_type、district、rating、avg_price、created_at
• 缓存
  • 重计算接口（统计/榜单）采用 Redis 缓存（Key 带环境/版本），失效时间根据更新频率设置（如 300s）
• 静态资源
  • ETags/Cache-Control 结合版本号；CDN 分发 Bootstrap 与 ECharts
• 日志与监控
  • 采用 RotatingFileHandler 分片日志，接入 Prometheus/Grafana/ELK 亦可
• 模型与推荐
  • 推荐逻辑建议以特征向量/相似度为核心抽象，定期离线训练 + 在线召回与重排

---

联系与交流

如需技术交流、合作或问题反馈：

联系方式：码界筑梦坊各大平台同名

欢迎 Star、Fork 与 Issue 共同完善项目！