推荐系统实战：python汽车之家二手车分析可视化系统（Flask+协同过滤个性化推荐源码）✅-CSDN博客

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，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、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：Python语言、Flask框架（Web后端+API开发）、requests爬虫（汽车之家二手车数据采集）、基于用户的协同过滤推荐算法、Echarts可视化（多维度图表）、MySQL/MongoDB数据库（数据存储）、HTML+CSS（前端交互界面）
核心功能：汽车之家二手车数据自动化采集（车型、价格、里程、车龄等）、基于用户行为的个性化推荐（协同过滤驱动）、多维度数据可视化分析（品牌销量、单品牌详情、价格分布等）、用户交互（注册登录、历史记录查看、偏好设置）、数据存储与管理
研究背景：二手车市场信息高度分散（汽车之家等平台车型多、参数杂），用户面临两大痛点——一是“选车难”（手动对比几十款车型的价格、里程、车龄效率低），二是“推荐不精准”（传统推荐依赖热门度，忽略个人偏好如“偏好3年车龄内的丰田”）；同时从业者缺乏直观的市场数据洞察工具，亟需“数据采集-智能推荐-可视化分析”一体化系统解决。
研究意义：技术层面，整合爬虫、协同过滤算法与Flask Web架构，构建“数据全流程处理”技术链；用户层面，为购车者提供“精准推荐+数据对比”，降低选车成本；行业层面，为二手车经销商提供市场趋势（如某品牌热销车型），辅助库存调整；学习层面，适合作为Python全栈+推荐算法的毕业设计，覆盖核心技能与实际应用场景。

2、项目界面

汽车数据分析可视化（市场整体趋势图表）
各品牌上架销售数量分析（品牌销量对比）
奔驰汽车数据分析（单品牌详细洞察）
二手车数据（车型列表与核心参数）
丰田汽车数据分析（单品牌趋势与分布）
注册登录界面（用户身份认证入口）

3、项目说明

本项目是基于Flask+协同过滤算法的二手车数据智能分析与推荐系统，核心通过requests爬虫采集汽车之家数据，结合用户行为分析生成个性化推荐，配套Echarts可视化与用户交互功能，旨在解决二手车市场信息分散、推荐不精准、分析低效的问题。

（1）系统架构与技术逻辑

架构设计：采用“分层协作”模式，覆盖“数据-算法-应用”全流程：
1. 爬虫层（requests）：定向采集汽车之家二手车板块数据，突破“手动复制低效”瓶颈，核心采集字段包括——车型（如“丰田凯美瑞2021款”）、基础参数（价格、车龄、里程数、颜色、变速箱类型）、上架时间、经销商信息；
2. 数据层（MySQL/MongoDB）：存储两类核心数据——
  - 业务数据：二手车基础信息（车型表）、市场动态（上架/成交记录）；
  - 用户数据：用户账号（注册信息）、行为数据（浏览记录、收藏车型、历史评价）、推荐日志；
3. 算法层：
  - 数据分析：Pandas处理原始数据（清洗异常值如“里程数为0”、统计品牌销量、聚合价格区间），为可视化提供结构化输入；
  - 推荐算法：基于用户的协同过滤——通过余弦相似度计算“目标用户与其他用户的行为相似度”（如共同收藏的车型、对同类车型的评价偏差），筛选TOP10相似用户，推荐其高偏好且目标用户未浏览的二手车；
4. 应用层：
  - 后端（Flask）：提供API接口（数据查询、推荐调用、用户认证）、处理请求逻辑（如用户点击“查看详情”后记录浏览行为）、管理数据库交互；
  - 前端：HTML+CSS构建响应式界面，Echarts渲染可视化图表，支持用户操作（筛选车型、查看推荐、登录注册）；
核心流程：requests爬虫采集数据→清洗后存入数据库→用户行为（浏览/收藏）记录至用户表→Flask调用协同过滤算法生成推荐→Echarts展示可视化结果（市场趋势/品牌分析）→用户通过前端查看推荐/数据→管理员维护数据库。

（2）核心功能模块详解

① 汽车之家二手车数据采集模块（基础支撑）

功能：自动化提取高质量二手车数据，保障系统数据源时效性；
技术实现（requests核心操作）：
1. 定向爬取逻辑：
  - 入口页：请求汽车之家二手车列表页（如“全国-轿车”板块），提取车型详情页链接；
  - 详情页：循环访问链接，解析HTML提取目标字段（借助BeautifulSoup定位标签，如价格在<span class="price">标签内）；
2. 反爬优化：
  - 伪装请求：添加随机User-Agent（模拟不同浏览器）、携带Cookie（降低被识别为爬虫的概率）；
  - 速率控制：设置爬取间隔（每3秒1次请求），避免短时间内高频访问导致IP封禁；
3. 数据清洗：
  - 异常值处理：剔除“价格低于1万”“车龄超过10年”的异常车型（判定为无效数据）；
  - 格式统一：将“车龄1年6个月”转为“1.5年”，“里程2.3万公里”转为“23000公里”，确保数据标准化。

② 基于用户的协同过滤推荐模块（核心价值）

功能：解决“推荐同质化”问题，为用户匹配符合个人偏好的二手车；
技术实现（协同过滤核心步骤）：
1. 数据准备：构建“用户-车型行为矩阵”，行为包括“浏览（权重1）、收藏（权重3）、评价（评分1-5，权重=评分）”，矩阵值为用户对车型的加权行为得分；
2. 相似度计算：通过余弦相似度计算用户间的偏好相似度，公式为：
  $\text{sim}(u,v) = \frac{\sum_{i \in I_{uv}} r_{ui} \times r_{vi}}{\sqrt{\sum_{i \in I_u} r_{ui}^2} \times \sqrt{\sum_{i \in I_v} r_{vi}^2}}$
  其中 $u$ 为目标用户， $v$ 为其他用户， $I_{uv}$ 为两者共同交互的车型集合， $r_{ui}$ 为 $u$ 对车型 $i$ 的行为得分；
3. 推荐生成：
  - 筛选相似用户：选取相似度≥0.7的TOP10用户；
  - 加权推荐：对相似用户的车型行为得分加权（相似度越高权重越大），排除目标用户已浏览的车型，按得分降序生成TOP5推荐列表；
4. 结果展示：推荐页面标注“推荐理由”（如“与您相似的用户收藏了该车型”），附车型核心参数（价格、车龄、里程），支持一键查看详情。

③ 多维度Echarts可视化分析模块（数据洞察）

针对二手车市场核心维度，生成直观图表，辅助用户与从业者决策：

汽车数据分析可视化（市场整体）：
- 图表类型：折线图展示“近3个月二手车上架总量趋势”、柱状图对比“不同价格区间车型占比”（如10-15万占35%）；
- 价值：用户快速把握市场供需变化（如旺季上架量激增）；
各品牌上架销售数量分析：
- 图表类型：横向柱状图展示“TOP10品牌上架数量”（如丰田第一、本田第二）、饼图展示“各品牌市场占比”；
- 价值：经销商了解竞品热度，调整库存结构；
单品牌数据分析（奔驰/丰田）：
- 图表类型：折线图展示“该品牌近1年上架量变化”、散点图展示“车龄与价格的关联”（如3年车龄奔驰均价25万）、饼图展示“该品牌热门车型占比”（如丰田凯美瑞占该品牌30%）；
- 价值：用户聚焦目标品牌，精准定位性价比车型。

④ 用户交互与数据管理模块（体验支撑）

注册登录：
- 功能：用户通过账号密码注册，登录后解锁“个性化推荐”“历史记录”功能，密码加密存储（SHA-256），防止信息泄露；
二手车数据列表：
- 功能：展示全量二手车信息，支持按“品牌（下拉选择）、价格区间（输入框）、车龄（滑块筛选）”组合查询，结果按“上架时间”排序，快速定位目标车型；
实际开发考量：
- 数据安全：用户行为数据仅本人可见，管理员需权限验证才能访问全量数据；
- 缓存优化：热门车型数据（如丰田凯美瑞）缓存至Redis，减少数据库查询次数，提升页面加载速度；
- 异常处理：爬虫采集失败时触发重试机制，推荐算法无足够用户数据时默认展示“热门车型”，避免功能失效。

4、核心代码


#!/usr/bin/python
# -*- coding: UTF-8 -*-
from math import sqrt
import operator

#1.构建用户-->物品的倒排
def loadData(files):
    data ={};
    for line in files:
        user,score,item=line.split(",");
        data.setdefault(user,{});
        data[user][item]=score;
    return data

#2.计算
# 2.1 构造物品-->物品的共现矩阵
# 2.2 计算物品与物品的相似矩阵
def similarity(data):
    # 2.1 构造物品：物品的共现矩阵
    N={};#喜欢物品i的总人数
    C={};#喜欢物品i也喜欢物品j的人数
    for user,item in data.items():
        for i,score in item.items():
            N.setdefault(i,0);
            N[i]+=1;
            C.setdefault(i,{});
            for j,scores in item.items():
                if j not in i:
                    C[i].setdefault(j,0);
                    C[i][j]+=1;


    #2.2 计算物品与物品的相似矩阵
    W={};
    for i,item in C.items():
        W.setdefault(i,{});
        for j,item2 in item.items():
            W[i].setdefault(j,0);
            W[i][j]=C[i][j]/sqrt(N[i]*N[j]);
    return W

#3.根据用户的历史记录，给用户推荐物品
def recommandList(data,W,user,k=3,N=10):
    rank={};
    for i,score in data[user].items():#获得用户user历史记录，如A用户的历史记录为{'a': '1', 'b': '1', 'd': '1'}
        for j,w in sorted(W[i].items(),key=operator.itemgetter(1),reverse=True)[0:k]:#获得与物品i相似的k个物品
            if j not in data[user].keys():#该相似的物品不在用户user的记录里
                rank.setdefault(j,0);
                rank[j]+=float(score) * w;

    return sorted(rank.items(),key=operator.itemgetter(1),reverse=True)[0:N];

if __name__=='__main__':
    #用户，兴趣度，物品
    # uid_score_bid = ['A,1,a', 'A,1,b', 'A,1,d', 'B,1,b', 'B,1,c', 'B,1,e']

    uid_score_bid = ['5,1,5','2,1,5', '2,1,38', '2,1,40', '2,1,44', '2,1,63', '2,1,107', '2,1,6', '2,1,14', '2,1,27', '2,1,32', '2,1,56', '2,1,77', '2,1,89', '2,1,92', '2,1,94', '2,1,111', '2,1,123', '2,1,124', '4,1,9', '4,1,15', '4,1,20', '4,1,22', '4,1,85', '4,1,95', '4,1,99', '4,1,131', '4,1,5', '4,1,38', '4,1,40', '4,1,44', '4,1,63', '4,1,107', '4,1,13', '4,1,17', '4,1,58', '4,1,8', '4,1,18', '4,1,21', '4,1,26', '4,1,34', '4,1,48', '4,1,51', '4,1,64', '4,1,70', '4,1,79', '4,1,84', '4,1,101', '4,1,106', '4,1,116', '4,1,117', '4,1,119', '4,1,126', '2,1,8', '2,1,18', '2,1,21', '2,1,26', '2,1,34', '2,1,48', '2,1,51', '2,1,64', '2,1,70', '2,1,79', '2,1,84', '2,1,101', '2,1,106', '2,1,116', '2,1,117', '2,1,119', '2,1,126']

    data=loadData(uid_score_bid);#获得数据
    W=similarity(data);#计算物品相似矩阵
    recommandList(data,W,'4',3,10);#推荐