【有源码】基于Python与Spark的火锅店数据可视化分析系统-基于机器学习的火锅店综合竞争力评估与可视化分析-基于用户画像聚类的火锅店市场细分与可视化研究-优快云博客

注意：该项目只展示部分功能，如需了解，文末咨询即可。

本文目录

1 开发环境
2 系统设计
3 系统展示
3.1 功能展示视频
3.2 大屏页面
3.3 分析页面
3.4 基础页面

4 更多推荐
5 部分功能代码

1 开发环境

发语言：python
采用技术：Spark、Hadoop、Django、Vue、Echarts等技术框架
数据库：MySQL
开发环境：PyCharm

2 系统设计

在当前餐饮行业竞争日益激烈的背景下，特别是火锅这一细分市场，传统的经营决策模式愈发依赖于经营者的个人经验，缺乏客观数据支持，难以精准把握市场动态与消费者需求。与此同时，大数据技术的迅猛发展为深度洞察市场提供了前所未有的机遇。本项目旨在构建一个基于Python、Spark、Hadoop等大数据技术的火锅店数据可视化分析系统，通过对海量线上餐厅数据的采集、处理、分析与可视化呈现，将零散的数据转化为直观的商业洞察。其核心意义在于，赋能餐饮从业者实现从“经验驱动”向“数据驱动”的决策模式转型，帮助他们科学地进行市场定位、优化定价策略、提升服务质量；同时，也为广大消费者提供一个全面、客观的消费参考，从而推动整个火锅行业的精细化运营和高质量发展。

功能模块的设计紧密围绕需求分析展开，旨在从多个维度对火锅店数据进行深度挖掘与解读。

1.市场宏观分析模块：该模块聚焦于市场的整体态势。包括价格区间分布统计，揭示市场主流消费层级；城市火锅店密度与评分关联分析，识别热门城市与潜力市场；以及区域消费水平分析，通过对比各城市平均消费，为跨区域扩张提供决策依据。
2…店铺竞争力与质量评估模块：此模块专注于单个店铺的微观分析。通过评分维度综合分析，全面评估行业的整体服务水平；高评分火锅店特征分析，提炼成功经营的关键要素；并构建火锅店综合竞争力评估模型，结合价格、人气、多维评分等指标，为店铺提供客观的行业排名。
3…经营策略优化洞察模块：该模块旨在为商家提供可执行的优化建议。包括人气热度分层分析，探究高人气店铺的运营秘诀；价格与评分相关性分析，验证“质价相符”的市场规律；评分差异化分析，帮助店铺识别自身的服务短板；以及利用K-means算法进行用户满意度聚类分析，发现不同服务模式的店铺客群，指导差异化经营。

3 系统展示

3.1 功能展示视频

基于K-Means算法+大数据的火锅店数据可视化分析系统源码！！！请点击这里查看功能演示！！！

3.2 大屏页面

在这里插入图片描述

3.3 分析页面

在这里插入图片描述

3.4 基础页面

在这里插入图片描述

5 部分功能代码

# ==============================================================================
# 模块一：城市火鍋店密度與評分關聯分析核心代碼
# 功能：統計各城市火鍋店的數量、平均綜合評分和總評論數，用於分析地域分佈特徵。
# ==============================================================================
def analyze_city_density_and_rating(df):
    """
    對火鍋店數據按城市進行聚合分析。
    :param df: 包含原始火鍋店數據的Spark DataFrame。
    :return: 包含各城市分析結果的Spark DataFrame，字段包括：city, shop_count, avg_rating, total_reviews。
    """
    print("--- 开始执行【城市火锅店密度与评分关联分析】模块 ---")
    # 步驟1: 數據清洗 - 從'areaName'字段中提取城市名稱
    # 由於原始city字段不準確，我們定義一個UDF（用戶自定義函數）來提取更精確的城市信息。
    # 這裡做一個簡化處理，提取地址中第一個'市'或'区'之前的地名作為城市名。
    def extract_city(area_name):
        if area_name is None:
            return "未知"
        try:
            if "市" in area_name:
                return area_name.split("市")[0] + "市"
            elif "区" in area_name:
                return area_name.split("区")[0] + "区" # 處理直轄市的情況
            return area_name[:2] # 備用策略，取前兩個字
        except:
            return "未知"
    # 將UDF註冊到Spark中
    extract_city_udf = udf(extract_city, StringType())
    
    # 應用UDF創建新的'city_clean'列
    df_with_city = df.withColumn("city_clean", extract_city_udf(col("areaName")))
    # 步驟2: 按城市分組並進行聚合計算
    # - shop_count: 每個城市的店鋪總數
    # - avg_rating: 每個城市的平均綜合評分
    # - total_reviews: 每個城市的總評論數
    city_analysis_df = df_with_city.groupBy("city_clean") \
        .agg(
            count("*").alias("shop_count"),
            round(avg("avgScore"), 2).alias("avg_rating"),
            sum("count").alias("total_reviews")
        ) \
        .withColumnRenamed("city_clean", "city") # 將列名改為'city'以便前端使用
    
    print("--- 【城市火锅店密度与评分关联分析】模块执行完毕 ---")
    return city_analysis_df
# ==============================================================================
# 模块二：用户满意度聚类分析（K-Means）核心代码
# 功能：基于口味、环境、服务三个评分维度，对火锅店进行聚类，识别不同类型的服务模式。
# ==============================================================================
def analyze_satisfaction_clustering(df):
    """
    使用K-Means算法对火锅店进行聚类分析。
    :param df: 包含原始火锅店數據的Spark DataFrame。
    :return: 增加了聚類標籤和標籤說明的Spark DataFrame。
    """
    print("--- 开始执行【用户满意度聚类分析】模块 ---")
    # 步驟1: 特徵工程 - 將需要聚類的字段合併為一個特徵向量
    # K-Means算法要求輸入為向量格式，我們使用VectorAssembler來組合特徵列。
    feature_cols = ["kouweifenshu", "huanjingfenshu", "fuwufenshu"]
    # 處理空值，聚類算法不接受空值，這裡用0填充
    df_cleaned = df.na.fill(0, subset=feature_cols)
    assembler = VectorAssembler(
        inputCols=feature_cols,
        outputCol="features"
    )
    df_vector = assembler.transform(df_cleaned)
    # 步驟2: 初始化並訓練K-Means模型
    # 設置聚類數量k=4，可以根據業務需求調整
    kmeans = KMeans(featuresCol="features", k=4, seed=1)
    model = kmeans.fit(df_vector)
    # 步驟3: 進行預測 - 為每家店鋪打上聚類標籤
    # 'prediction'列即為每個數據點所屬的簇ID (0, 1, 2, 3)
    predictions_df = model.transform(df_vector)
    
    # 步驟4: 結果解釋 - 為聚類標籤添加可讀的中文說明
    # 根據需求分析，需要為聚類結果添加說明字段，方便業務人員理解。
    # 這裡的標籤命名是基於對聚類中心點的假設分析，實際應用中需分析各簇特徵後再命名。
    predictions_with_label_df = predictions_df.withColumn("cluster_label",
        when(col("prediction") == 0, "口味优先型")
        .when(col("prediction") == 1, "环境服务均衡型")
        .when(col("prediction") == 2, "综合发展型")
        .when(col("prediction") == 3, "服务体验型")
        .otherwise("未知类型")
    )
    
    print("--- 【用户满意度聚类分析】模块执行完毕 ---")
    # 選擇需要的列返回，避免過多無用信息
    result_df = predictions_with_label_df.select("id", "name", "kouweifenshu", "huanjingfenshu", "fuwufenshu", "prediction", "cluster_label")
    return result_df
# ==============================================================================
# 主程序入口：用於演示和調試
# ==============================================================================
if __name__ == "__main__":
    # 1. 初始化SparkSession
    # local[*] 表示使用本機所有可用的CPU核心
    spark = SparkSession.builder \
        .appName("HotPotAnalysisCoreModules") \
        .master("local[*]") \
        .getOrCreate()
    # 2. 讀取數據集
    # 確保HotPotRestaurant.csv文件在項目根目錄或指定路徑下
    # header=True表示第一行是列名，inferSchema=True會自動推斷列類型
    try:
        raw_df = spark.read.csv("HotPotRestaurant.csv", header=True, inferSchema=True)
    except Exception as e:
        print(f"读取CSV文件失败，请确保文件路径正确: {e}")
        spark.stop()
        exit()
    # 3. 調用核心模塊一並展示結果
    city_analysis_result = analyze_city_density_and_rating(raw_df)
    print("城市火锅店密度与评分关联分析结果:")
    city_analysis_result.show(10, truncate=False) # 展示前10條結果，不截斷列內容
    # 4. 調用核心模塊二並展示結果
    clustering_result = analyze_satisfaction_clustering(raw_df)
    print("用户满意度聚类分析结果:")
    clustering_result.show(10, truncate=False) # 展示前10條結果，不截斷列內容