资源网站模板下载,做棋牌网站抓到会怎么量刑,天猫开店流程及费用2023,网站后台管理员密码文章目录 0 前言1 课题背景2 实现效果3 项目实现3.1 概括 3.2 Flask实现3.3 HTML页面交互及Jinja2 4 **完整代码**5 最后 0 前言
#x1f525; 这两年开始毕业设计和毕业答辩的要求和难度不断提升#xff0c;传统的毕设题目缺少创新和亮点#xff0c;往往达不到毕业答辩的要… 文章目录 0 前言1 课题背景2 实现效果3 项目实现3.1 概括 3.2 Flask实现3.3 HTML页面交互及Jinja2 4 **完整代码**5 最后 0 前言 这两年开始毕业设计和毕业答辩的要求和难度不断提升传统的毕设题目缺少创新和亮点往往达不到毕业答辩的要求这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。
为了大家能够顺利以及最少的精力通过毕设学长分享优质毕业设计项目今天要分享的是 基于大数据的工作岗位数据分析与可视化
学长这里给一个题目综合评分(每项满分5分)
难度系数3分工作量3分创新点3分
1 课题背景
基于pythonflask的python岗大数据可视化web系统可以进行数据交互可视化主题为python岗位相关大数据分析。
2 实现效果
Web_App动作描述
用户点击导航栏四个选项跳转到想了解的页面
平均月薪岗位数量工作经验最低学历 用户通过选择器点击想要了解的城市可显示该城市的相关岗位数量 鼠标下拉可看文字结论分析 3 项目实现
3.1 概括
主运行文件为 app.py 文件。static 文件为网页样式。templates 里的map.html系列文件为生成可视化图表的离线文件作为引用文件。data1.csv 等csv文件为引用的数据文档。csv档 为数据源。 在flask环境下导入pandas 、pyecharts实现数据图表交互展示。写出四个route分别呈现为各省python相关岗位平均月薪、各省python相关岗位数量、工作经验与最低要求学历的职位分布数量、最低学历-工作经验与平 均月薪的相关图表展示。df pd.read_csv(xxx.csv,encoding utf8, index_colxxx)英文采用单字节编码部分中文采用双字节编码。利用.renter/with open导入和打开文件。调用pyecharts模块作图传输到HTML页面。使用list字典循环。使用列表推导式进行取值。
3.2 Flask实现
数据循环 数据嵌套 推导式 条件判断 数据交互
3.3 HTML页面交互及Jinja2
Jinja2介绍
jinja2是Flask作者开发的一个模板系统起初是仿django模板的一个模板引擎为Flask提供模板支持由于其灵活快速和安全等优点被广泛使用。
jinja2的优点
jinja2之所以被广泛使用是因为它具有以下优点
相对于Templatejinja2更加灵活它提供了控制结构表达式和继承等。相对于Makojinja2仅有控制结构不允许在模板中编写太多的业务逻辑。相对于Django模板jinja2性能更好。Jinja2模板的可读性很棒。
项目代码 4 完整代码
import random
from calendar import c
from tkinter import Gridfrom flask import Flask,render_template,request
import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Map, EffectScatter, HeatMap, Line,Grid
from pyecharts.faker import Faker
from pyecharts.globals import SymbolType
from pyecharts.charts import Pie,Bardf pd.read_csv(data1.csv)
app Flask(__name__)app.route(/)
def map() - html:a (Map().add(平均月薪, list(zip(df.省, df.平均月薪)), china).set_global_opts(title_optsopts.TitleOpts(title各省python相关岗位平均月薪),visualmap_optsopts.VisualMapOpts(min_7164.08, max_17096.07),))a.render(./templates/map.html)with open(./templates/map.html, encodingutf8, moder) as f:map .join(f.readlines())the_select_province {北京:4924,上海:3114,广东:3164,浙江:1244,南京:701,湖北:412,江苏:450,福建:359,四川:985,辽宁:227,安徽:236,湖南:239,山东:360,吉林:88,江西:60,天津:355,山西:417,陕西:60,重庆:179,黑龙江:60,河南:477,贵州:60,河北:60,}return render_template(python_map.html,the_mapmap,the_provincethe_select_province)element list(set(most[分类]))app.route(/effectscatter_symbol)
def effectscattere_symbol() - html:df pd.read_csv(data2.csv,encoding utf8, index_col名称)省 list(df.loc[省].values)[-24:]数量 list(df.loc[数量].values)[-24:]value [[i, j, random.randint(0, 80)] for i in range(24) for j in range(24)]c (HeatMap().add_xaxis(省).add_yaxis(数量, 数量, value).set_global_opts(title_optsopts.TitleOpts(title各省Python相关岗位数量),visualmap_optsopts.VisualMapOpts(),))c.render(./templates/effectscatter_symbol.html)with open(./templates/effectscatter_symbol.html, encodingutf8, moder) as f:sym .join(f.readlines())return render_template(python_effectscatter_symbol.html,the_symsym,)1data_pie1 data_pie.T.to_html()pie1_list [num for num in data_pie[分类]]labels [index for index in data_pie.index]app.route(/pie_base)
def pie_base() - html:df pd.read_csv(data3.csv, encodingutf8)bar (Bar().add_xaxis([不限, 3-5年, 1-3年, 5-10年, 无经验, 一年以下, 10年以上]).add_yaxis(职位数量, [6183, 5164, 4842, 1516, 366, 111, 34]).set_global_opts(title_optsopts.TitleOpts(title工作经验-职位分布数量)))line (Line().add_xaxis([本科, 大专, 不限, 硕士, 博士, 中专]).add_yaxis(职位数量, [9954, 3704, 3205, 1137, 88, 31]).set_global_opts(title_optsopts.TitleOpts(title最低要求学历-职位分布数量, pos_top50%),legend_optsopts.LegendOpts(pos_top50%),))grid (Grid().add(bar, grid_optsopts.GridOpts(pos_bottom60%, pos_right0, height30%)).add(line, grid_optsopts.GridOpts(pos_top60%, pos_right0, height30%)))bar,line,grid.render(./templates/pie_base.html)with open(./templates/pie_base.html, encodingutf8, moder) as f:pie_base .join(f.readlines())return render_template(python_pie_base.html,the_pie_basepie_base,)the_element3 request.form[the_element3_selected]print(the_element3)element3_available element3if the_element3 广州:the_level 广州elif the_element3 上海:the_level 上海elif the_element3 北京:the_level 北京else:the_level 其它def python_most():title1 最低学历data_pie pd.DataFrame(pressure2.loc[最低学历与工作经验的关系][分类].value_counts())data_pie1 data_pie.T.to_html()pie1_list [num for num in data_pie[分类]]labels [index for index in data_pie.index]app.route(/Bar/)
def bar_base() - Bar:df pd.read_csv(data4.csv, encodingutf8, index_col学历)最低学历 list(df.loc[最低学历].values)[-6:]无经验 list(df.loc[无经验].values)[-6:]一年以下 list(df.loc[一年以下].values)[-6:]不限 list(df.loc[不限].values)[-24:]一至三年 list(df.loc[一至三年].values)[-24:]三至五年 list(df.loc[三至五年].values)[-24:]五至十年 list(df.loc[五至十年].values)[-24:]十年以上 list(df.loc[十年以上].values)[-24:]c (Line().add_xaxis(最低学历).add_yaxis(无经验, 无经验).add_yaxis(一年以下, 一年以下).add_yaxis(不限, 不限).add_yaxis(一至三年, 一至三年).add_yaxis(三至五年, 三至五年).add_yaxis(五至十年, 五至十年).add_yaxis(十年以上, 十年以上).set_global_opts(title_optsopts.TitleOpts(title最低学历-工作经验与平均月薪,subtitle平均月薪(元))))c.render(./templates/Bar.html)with open(./templates/Bar.html, encodingutf8, moder) as f:bar_base .join(f.readlines())return render_template(python_bar.html,the_bar_basebar_base,)return render_template(first.html,the_title1 title1,the_select_element1 element1_available,the_data_pie1 data_pie1,the_pyecharts_all plot_all,the_pyecharts_all1 plot_all1,the_pyecharts_all3 plot_all3,5 最后
