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：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

本项目聚焦餐饮行业数据价值挖掘，以 Python 为开发语言，整合 Django 后端框架、MySQL 数据库、TensorFlow/Keras 构建的 LSTM 预测模型、Echarts 可视化工具、Selenium 爬虫技术，及 Hadoop、Spark、Hive 大数据处理组件，打造集大众点评数据采集、多维度分析、评价预测于一体的系统，为消费者选店、商家运营提供决策支持，符合大数据方向毕业设计要求。​
技术实现上，系统形成 “大数据采集 - 处理 - 分析 - 预测” 链路：通过 Selenium 爬虫模拟浏览器操作，抓取大众点评的美食店铺信息、价格、评价、地区分布等数据；借助 Hadoop 存储海量原始数据，Spark 进行数据清洗与计算，Hive 实现数据仓库管理，最终将结构化数据存入 MySQL；以 Django 搭建 Web 服务，支撑前端请求与后端逻辑交互；利用 TensorFlow/Keras 构建 LSTM 模型，基于历史评价数据预测店铺未来评价趋势；前端通过 Echarts 生成可视化图表，搭配 HTML 构建交互界面。​
功能与界面呈现上，系统核心模块覆盖多元需求：“首页数据概况”“美食类型 / 价格 / 地区分析” 模块，通过柱状图、分布图等直观展示不同品类美食占比、价格区间分布、区域店铺密度（如界面中美食地区分析图）；“美食评价分析”“词云图分析” 深度挖掘评价关键词，呈现消费者偏好与吐槽点；“美食数据中心” 整合全量数据，支持查询筛选；“评价预测” 模块依托 LSTM 模型，输出店铺未来评价走向（如界面中评价预测结果）；“注册登录” 保障用户权限，“数据采集” 模块支持数据更新，确保分析时效性。​
整体而言，系统突破传统美食数据 “碎片化、难预测” 的局限，通过大数据技术处理海量信息，LSTM 模型实现评价预测，可视化工具让分析结果更易理解。界面功能全面、数据维度丰富，既满足消费者选店需求，也为商家优化经营提供数据依据，是大数据与深度学习在餐饮领域的典型应用。

技术栈：
Python语言、Django框架、MySQL数据库、深度学习TensorFlow的Keras构建 LSTM 模型、 LSTM 预测算法模型、Echarts可视化、selenium爬虫技术、大众点评数据
大数据技术：Hadoop、Spark、Hive

2、项目界面

（1）首页–数据概况

在这里插入图片描述

（2）美食类型分析

在这里插入图片描述

（3）美食价格分析
在这里插入图片描述

（4）美食评价分析
在这里插入图片描述

（5）美食地区分析
在这里插入图片描述

（6）美食词云图分析
在这里插入图片描述

（7）美食数据中心
在这里插入图片描述

（8）评价预测----- LSTM 预测算法模型

在这里插入图片描述

（9）注册登录
在这里插入图片描述

（10）数据采集
在这里插入图片描述

3、项目说明

项目功能模块介绍

1. 首页——数据概况
  • 展示整体数据的概览，例如数据总量、数据更新时间等。
  • 可能会用图表展示关键指标，比如不同美食类型的数量分布、热门地区等。
2. 美食类型分析
  • 分析不同美食类型的分布情况。
  • 可能会展示各种美食类型的占比，以及不同地区美食类型的偏好差异。
3. 美食价格分析
  • 分析美食价格的分布情况，例如不同价格区间的餐厅数量。
  • 可能会展示价格与评分、人气等因素的相关性。
4. 美食评价分析
  • 分析用户对美食的评价，包括好评率、差评率等。
  • 可能会展示评价的分布情况，以及不同美食类型或地区的评价差异。
5. 美食地区分析
  • 分析不同地区美食的分布情况。
  • 可能会展示热门美食地区、不同地区的美食偏好等。
6. 美食词云图分析
  • 通过词云图展示用户评价中的高频词汇。
  • 可以直观地看出用户对美食的常见评价词汇，例如“好吃”“服务好”“环境差”等。
7. 美食数据中心
  • 提供一个数据管理界面，用户可以查看、筛选、导出数据。
  • 可能会展示数据的详细信息，例如餐厅名称、地址、评分、价格等。
8. 评价预测——LSTM预测算法模型
  • 使用LSTM模型对美食评价进行预测。
  • 用户可以输入相关参数（如餐厅信息、历史评价等），模型会预测未来的评价趋势。
9. 注册登录
  • 提供用户注册和登录功能。
  • 用户可以注册账号，登录后可以访问更多功能，例如数据收藏、评价预测等。
10. 数据采集
  • 介绍数据采集的流程和方法。
  • 可能会使用Selenium爬虫技术从大众点评等平台采集数据，并存储到MySQL数据库中。
  • 数据采集后可能会经过清洗、预处理等步骤，再用于分析或模型训练。

4、核心代码

#coding:utf8
#导包
from pyspark.sql import SparkSession
from pyspark.sql.functions import monotonically_increasing_id
from pyspark.sql.types import StructType,StructField,IntegerType,StringType,FloatType
from pyspark.sql.functions import count,mean,col,sum,when,max,min,avg
from pyspark.sql import functions as F

if __name__ == '__main__':
    #构建
    spark = SparkSession.builder.appName("sparkSQL").master("local[*]").\
        config("spark.sql.shuffle.partitions", 2). \
        config("spark.sql.warehouse.dir", "hdfs://node1:8020/user/hive/warehouse"). \
        config("hive.metastore.uris", "thrift://node1:9083"). \
        enableHiveSupport().\
        getOrCreate()

    sc = spark.sparkContext

    #读取
    fooddata = spark.read.table("fooddata")

    #需求一 价格TOP10评分
    top_ten_price = fooddata.orderBy(fooddata.avgPrice.desc()).limit(10)
    result1 = top_ten_price.select("title","start","avgPrice")

    df = result1.toPandas()
    # print(df)

    # sql
    result1.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "maxPriceTop"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result1.write.mode("overwrite").saveAsTable("maxPriceTop", "parquet")
    spark.sql("select * from maxPriceTop").show()

    #需求二 totalType
    result2 = fooddata.groupby("totalType").count()

    # sql
    result2.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeCount"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result2.write.mode("overwrite").saveAsTable("typeCount", "parquet")
    spark.sql("select * from typeCount").show()

    #需求三 城市均价
    reuslt3 = fooddata.groupby("city").agg(F.avg("avgPrice").alias("averagePrice"))

    # sql
    reuslt3.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "cityAvg"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt3.write.mode("overwrite").saveAsTable("cityAvg", "parquet")
    spark.sql("select * from cityAvg").show()

    #类型分析
    result4 = fooddata.groupby("totalType").agg(avg("totalComment").alias("commentAvg"))

    # sql
    result4.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeComment"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result4.write.mode("overwrite").saveAsTable("typeComment", "parquet")
    spark.sql("select * from typeComment").show()

    #需求五
    result5 = fooddata.groupby("totalType").agg(
        avg("tasterate").alias("avgTasterate"),
        avg("envsrate").alias("avgEnvsrate"),
        avg("serverate").alias("avgServerate"),
    )

    # sql
    result5.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeRate"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result5.write.mode("overwrite").saveAsTable("typeRate", "parquet")
    spark.sql("select * from typeRate").show()

    #需求6 精确类型
    result6 = fooddata.groupby("type").count()

    # sql
    result6.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "specificType"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result6.write.mode("overwrite").saveAsTable("specificType", "parquet")
    spark.sql("select * from specificType").show()


    #需求七 价格分析
    reuslt7 = fooddata.groupby("city").agg(max("avgPrice").alias("maxAvgPrice"))

    # sql
    reuslt7.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "maxPriceCity"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt7.write.mode("overwrite").saveAsTable("maxPriceCity", "parquet")
    spark.sql("select * from maxPriceCity").show()

    #需求八 价格分类
    fooddata_with_category = fooddata.withColumn(
        "prcieCategory",
        when(col("avgPrice").between(0,15),'0-15元')
        .when(col("avgPrice").between(15, 50), '15-50元')
        .when(col("avgPrice").between(50, 100), '50-100元')
        .when(col("avgPrice").between(100, 200), '100-200元')
        .when(col("avgPrice").between(200, 500), '200-500元')
        .otherwise('500以上')
    )

    reuslt8 = fooddata_with_category.groupby("prcieCategory").count()

    # sql
    reuslt8.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "categoryPrice"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt8.write.mode("overwrite").saveAsTable("categoryPrice", "parquet")
    spark.sql("select * from categoryPrice").show()

    # 类型均价
    reuslt9 = fooddata.groupby("totalType").agg(avg("avgPrice").alias("allAvgPrice"))

    # sql
    reuslt9.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typePrice"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt9.write.mode("overwrite").saveAsTable("typePrice", "parquet")
    spark.sql("select * from typePrice").show()

    #需求十 星级分布
    result10 = fooddata.groupby("start").count()

    # sql
    result10.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "startCount"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result10.write.mode("overwrite").saveAsTable("startCount", "parquet")
    spark.sql("select * from startCount").show()

    #需求十一

    fooddata_with_mixrate = fooddata.withColumn("mixrate",
                                                col("tasterate")+col("envsrate")+col("serverate"))

    reuslt11 = fooddata_with_mixrate.groupby("city").agg(avg("mixrate").alias("avgMixrate"))

    # sql
    reuslt11.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "mixrateAvg"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt11.write.mode("overwrite").saveAsTable("mixrateAvg", "parquet")
    spark.sql("select * from mixrateAvg").show()

    # 价格最大最小
    result12 = fooddata.groupby("city").agg(
        max("avgPrice").alias("maxAvfPrice"),
        avg("avgPrice").alias("avgAvfPrice"),
        min("avgPrice").alias("minAvfPrice"),
    )

    # sql
    result12.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "mamCity"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result12.write.mode("overwrite").saveAsTable("mamCity", "parquet")
    spark.sql("select * from mamCity").show()

    #需求十三
    total_comments_df = fooddata.groupby("address").agg(
        sum("totalComment").alias("sumTotalComment")
    )

    reuslt13 = total_comments_df.orderBy(col("sumTotalComment").desc()).limit(10)

    # sql
    reuslt13.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "hotAddress"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt13.write.mode("overwrite").saveAsTable("hotAddress", "parquet")
    spark.sql("select * from hotAddress").show()

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻

# 深度学习 # django # lstm # python # 美食 # spark
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

cover

状态丢失排障：Claude 持久记忆的跨会话局限与知芽 Notebook Skill 单元记忆如何沉淀可复用知识资产

avatar 码道开发者社区
cover

vs code 下载安装 以及 如何配置 claude code 和codex

avatar 码道开发者社区
cover

GitHub不再让一个模型写到底：HydraFusion多模型编排，官方评测成本降低67%

avatar 码道开发者社区