大数据毕业设计：商品销售数据分析可视化系统 ARIMA 时序预测算法 销量预测（附源码+文档）✅_实现arima的开源项目

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毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

1、项目介绍

技术栈：
Django框架、requests爬虫、ARIMA 时序预测模型 【销量预测】、MySQL数据库、淘宝数据

2、项目界面

（1）商品销量分布地图

（2）销量预测—ARIMA 时序预测模型 【销量预测】

（3）商品价格与销量的关系

（4）商品数据展示

（5）商品价格区间分布

（6）商品销量分布

（7）商品词云可视化分析

（8）系统首页

3、项目说明

淘宝数据采集分析可视预测系统是基于Django框架和requests爬虫技术开发的一个销量预测系统。它使用ARIMA时序预测模型来对淘宝店铺的销量进行预测，并将预测结果可视化展示。

系统的主要技术栈包括：

1. Django框架：作为系统的开发框架，提供了丰富的功能和工具，方便开发人员快速构建Web应用。

2. requests爬虫：用于从淘宝网站上爬取商品、店铺等数据。通过请求网页并解析返回的HTML内容，可以获取到所需的数据。

3. ARIMA时序预测模型：用于对淘宝店铺的销量进行预测。ARIMA模型是一种经典的时间序列分析方法，可以根据历史销量数据进行模型训练，然后预测未来的销量趋势。

4. MySQL数据库：用于存储和管理采集到的淘宝数据、历史销量数据和预测结果等。通过使用MySQL数据库，可以方便地进行数据的存取和管理。

淘宝数据采集分析可视预测系统的工作流程如下：

1. 使用requests爬虫技术从淘宝网站上爬取商品、店铺等数据，并将其保存到MySQL数据库中。

2. 从MySQL数据库中获取历史销量数据，用于ARIMA模型的训练。

3. 使用ARIMA模型对淘宝店铺的销量进行预测，并将预测结果保存到MySQL数据库中。

4. 使用Django框架构建Web界面，通过前端页面展示淘宝店铺的销量数据和预测结果，并提供数据可视化的功能，如折线图、柱状图等。

通过这个系统，用户可以方便地对淘宝店铺的销量进行预测和分析，从而帮助他们做出更准确的销售决策。

Arima模型的全称叫做自回归移动平均模型，是统计模型中最常见的一种用来进行时间序列 预测的模型。

（1）ARIMA的优点：
模型十分简单，只需要内生变量而不需要借助其他外生变量。
（2）ARIMA的缺点：
要求时序数据是稳定的，或者是通过差分化后是稳定的。本质上只能捕捉线性关系，而不能捕捉非线性关系。
注意，采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。

4、核心代码

import json
import os
import sqlite3
from collections import Counter
from datetime import datetime

import jieba
import pandas as pd
from django.contrib import auth
from django.contrib.auth.decorators import login_required
from django.http import JsonResponse
from django.shortcuts import render, redirect
from django.urls import reverse
from statsmodels.tsa.arima.model import ARIMA

from app.models import User




@login_required
def ciyun(request):
    query1 = 'select * from 淘宝数据'


    df1 = query_database(query1)


    def cy(df):
        # 词云图数据处理
        titles = df['标题'].tolist()
        # 加载停用词表
        stopwords = set()
        with open(BASE_DIR + r'./app/StopWords.txt', 'r', encoding='utf-8') as f:
            for line in f:
                stopwords.add(line.strip())
        # 将数据进行分词并计算词频
        words = []
        for item in titles:
            if item:
                words += jieba.lcut(item.replace(' ', ''))
        word_counts = Counter([w for w in words if w not in stopwords])
        # 获取词频最高的词汇
        top20_words = word_counts.most_common()
        words_data = []
        for word in top20_words:
            words_data.append({'name': word[0], 'value': word[1]})
        return words_data

    word1 = cy(df1)

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



@login_required
def xiaoliang(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    def cy(sales_df):
        # 商品销量分布情况
        data_dict = {}
        for i in sales_df:
            print(i)
            key = i[0]
            value = '0'
            if i[1]:
                value = str(i[1]).replace('万', '0000').replace('+', '').replace('评价', '').replace('.', '')
            if data_dict.get(key):
                data_dict[key] += int(value)
            else:
                data_dict[key] = int(value)

        sales_data = []
        sales_key = []
        for key, value in data_dict.items():
            sales_key.append(key)
            sales_data.append({'name': key, 'value': value})

        return sales_key, sales_data

    sales_key1, sales_data1 = cy(df1[['word', '销量']].values.tolist())

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


@login_required
def map(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    # 地图销量数据处理
    addr = df1[['发货地', '销量']]
    addr_data = addr.groupby('发货地')['销量'].sum()
    map_data = []
    addr_dict = {}
    for key, value in addr_data.to_dict().items():
        key = key.split(' ')[0]
        if addr_dict.get(key):
            addr_dict[key] += value
        else:
            addr_dict[key] = value
    for key, value in addr_dict.items():
        map_data.append({'name': key, 'value': value})

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


@login_required
def map2(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    # 地图销量数据处理
    addr = df1['发货地'].value_counts()
    map_data = []
    addr_dict = {}
    for key, value in addr.to_dict().items():
        key = key.split(' ')[0]
        if addr_dict.get(key):
            addr_dict[key] += value
        else:
            addr_dict[key] = value
    for key, value in addr_dict.items():
        map_data.append({'name': key, 'value': value})

    return render(request, 'map2.html', locals())


@login_required
def jgxl(request):
    query1 = 'select * from 淘宝数据'

    df1 = query_database(query1)

    df1 = df1[['价格', '销量']]
    # 按价格升序排序
    df1 = df1.sort_values(by=['价格'])
    # 使用布尔索引选择需要删除的行
    rows_to_drop = df1['销量'] < 100
    # 使用 drop() 方法删除行
    df1 = df1.drop(df1[rows_to_drop].index)
    df1_data = [df1['价格'].tolist(), df1['销量'].tolist()]


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


# ARIMA 时序预测模型   【销量预测】
@login_required
def predict(request):

    def arima_model_train_eval(history):
        # 构造 ARIMA 模型
        model = ARIMA(history, order=(1, 1, 1))
        # 基于历史数据训练
        model_fit = model.fit()
        # 预测接下来的3个时间步的值
        output = model_fit.forecast(steps=3)
        yhat = output
        return yhat

    query1 = 'select * from 预测数据'

    df = query_database(query1)
    df = df[['名称', '2022/10月销量', '2022/11月销量', '2022/12月销量', '2023/01月销量', '2023/02月销量', '2023/03月销量']]
    df = df.groupby('名称').sum()
    df = df.reset_index()
    print(df)
    year_data = ['2022/10月销量', '2022/11月销量', '2022/12月销量', '2023/01月销量', '2023/02月销量', '2023/03月销量', '2023/04月销量',
                 '2023/05月销量', '2023/06月销量']
    data = df.iloc[:, 1:].values.tolist()
    bingxiang = data[0] + arima_model_train_eval(data[0]).tolist()
    xiyiji = data[1] + arima_model_train_eval(data[1]).tolist()
    dianshi = data[2] + arima_model_train_eval(data[2]).tolist()

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



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185