美食店铺数据分析与可视化：Django与随机森林完整实践

美食店铺数据分析与可视化配上Django和随机森林算法，这类毕设题目在计算机专业里几乎每年都会被翻出来反复做。从标题看它是个“大杂烩”——既有数据分析，又有机器学习建模，还要搭Web系统做可视化展示。很多人拿到题目的第一反应是“东西这么多，从哪下手”，但把它拆开看，其实是一条非常标准的流水线：数据从哪来、怎么洗干净、模型怎么训练、结果怎么展示。

我实际做完这个项目后最大的感受是：题目不偏，功能不炫，难就难在把每个环节都做得扎实。答辩时老师真正关心的，不是你会不会调包，而是你清不清楚每一步在干什么、出了问题怎么排查。这篇文章就把整个项目从零到一完整分享一遍，包括选型的真实理由、建模时踩过的坑、Django里做可视化的细节，适合正在做类似毕设、或者想拿这个题目练手的朋友直接参考。

1. 选题与需求拆解：一个毕设题目到底在考什么

拿到题目先别急着写代码，第一步是把需求拆清楚。很多人毕设做不下去，不是因为技术难，而是根本没想明白自己要交付一个什么东西。

1.1 从一句话标题反推需求清单

“美食店铺数据分析与可视化”这个短语，翻译成技术语言就是三块：数据部分、分析部分、展示部分。

数据部分要解决“数据怎么来、长什么样”。通常的做法是采集美食平台上的店铺公开信息，比如店铺名称、评分、人均消费、评论数、所在商圈、菜系分类、营业时长、地址坐标等。如果不想采集，也可以使用公开数据集，或者自己按规则模拟生成一份带完整字段的数据集，从毕设角度完全够用。

分析部分是这个项目的灵魂。题目点名了随机森林算法，那就必须让“机器学习”真的派上用场。最常见的做法是预测任务，比如用店铺已知特征预测评分档位、预测月流水区间、预测是否成为人气店铺。也可以做特征重要性分析，看看哪些因素对最终评分影响最大，这样既能输出模型，又能输出业务结论。

展示部分就是Django要干的活。把分析结果整理成可视化面板，包括评分分布、人均价格分布、菜系热度排行、商圈店铺密度、评分与评论数的关系图，以及模型预测结果的对比图。到这里，一个完整的毕设功能版图就清晰了。

1.2 为什么是Django加随机森林，而不是别的组合

先说说技术选型的逻辑。

随机森林属于机器学习里的集成学习，和题目里写的“深度学习算法”严格来说不是一回事——答辩时极有可能被老师问到，要提前想好怎么回应。我的建议是：承认这是传统机器学习方法，但强调它在这个场景下的优势。美食店铺数据通常是结构化表格数据，样本量也就几千到几万条，深度学习在这种规模的数据上优势不明显，反而容易过拟合。随机森林训练快、可解释性好、对表格数据几乎是最稳定可靠的选择。

Django这边，选它的核心原因是“开箱即用”。它自带Admin后台、ORM数据库映射、模板引擎和完整的用户认证，一个人独立开发一个带增删改查和可视化面板的系统，Django是效率最高的方案。如果换Flask，自由度是高，但所有组件都要自己拼，对毕设项目来说时间成本太高。

项目里还有“大数据”三个字。对毕设来说，不一定要上Hadoop、Spark才算大数据。只要数据量在百万行以内、用Pandas能流畅处理，做一个合理的技术解释——“面向大规模数据的预处理与分析流程设计”——就能把话说圆。真要上一套分布式集群，反而把自己拖进运维坑里。

1.3 项目总体架构与运行逻辑

整个项目分四层：

数据层负责采集和准备数据，输出一份干净的CSV文件。算法层用Python读取数据，做特征工程，训练随机森林模型，评估效果并导出模型文件。业务层由Django承载，加载模型文件，接收前端请求，处理预测逻辑。展示层负责在网页上渲染图表和结果。

数据流向是单向的：原始数据进清洗脚本，出特征表；特征表进随机森林训练脚本，出模型和评估报告；模型文件被Django调用，前端页面通过接口获取数据并绘图。这个结构简单清晰，答辩画架构图也方便。我第一次做的时候把数据清洗和模型训练混在同一个脚本里，结果每次调参都要重新清洗一遍数据，白白浪费了半小时，后来才拆成独立模块。

前置准备用conda创建虚拟环境是值得推荐的。Python版本锁定3.9或3.10，避免第三方库依赖冲突。Django用3.2以上版本，scikit-learn用1.0以上，数据库直接用SQLite就够。可视化方面，前端用ECharts，后端只需要把数据整理成JSON返回给页面即可。

2. 数据获取与准备：建模之前最重要的一步

很多人在建模上花大量时间，却忽略了数据质量。实际上，模型效果好不好，八成取决于数据本身。美食店铺数据这块，方向对了，后面就顺了。

2.1 数据来源的现实选择

我在做这个项目时，数据来源主要考虑了三个方向。

一个是公开数据集。国内外的开源数据社区里能找到一些餐饮点评数据，字段比较规整，下载下来就能用，适合不想折腾爬虫的同学。不过要注意数据时效性，太旧的点评数据特征分布会跟现实脱节。

一个是公开API。部分本地生活平台会开放聚合搜索接口，可以通过关键词拉取店铺基础信息。这种方式拿到的数据比较规范，但请求频率要控制，并且要遵守平台的使用条款。还有一个是自己生成模拟数据。用Python的随机数配合预设分布，生成一批符合业务逻辑的店铺数据。这里的关键是要让数据“看着像真的”：人均消费集中在20到200元区间，评分集中在3.5到5.0分，评论数服从长尾分布。模拟数据的好处是便于控制样本量和类别平衡，对流程开发非常友好。

我实际采用的是“公开数据为主、自建补充为辅”。用现有的几千条店铺数据作为主集，再补充几百条自己想验证的场景数据，既保证了真实性，又覆盖了偏态情况。

2.2 字段设计与业务含义

美食店铺数据的关键字段大约是这么十几项：

店铺ID、店铺名称、城市、商圈、地址、经度、纬度、菜系类别、人均消费、评分、评论数、营业开始时间、营业结束时间、评分1星到5星各自的数量、店铺标签、是否品牌连锁。其中评论数和评分分布是有价值的原始特征，菜系类别和商圈可以用Pandas的get_dummies直接做哑变量处理，经度和纬度是两个地理位置特征，可以用来计算店铺密度。

有个细节容易被忽略：营业时长。把打烊时间减去开业时间就得到一个数值型的营业时长特征，在很多预测任务里它比原始时间字段好用得多。我一开始直接用“营业开始时间”和“营业结束时间”两个字符串字段进模型，结果训练报错——模型根本不认识字符串。后来才算明白，时间字段必须先转换成时长数字，这是一次很痛的教训。

2.3 数据清洗与特征工程的完整操作

数据清洗这件事，用Pandas几条命令就能完成，但每一步都要有其目的。

第一步去重，检查店铺ID和店铺名称是否重复。第二步处理缺失值，评分为空的店铺可以直接删除，人均消费为空可以用该菜系的均值填充。第三步处理异常值，人均消费超过2000元的记录大概率是录入错误，评分低于2分或高于5分的要修正或删除。第四步统一格式，把字符串类型的数值列转成float，时间列转成datetime类型。

特征工程是提升模型效果的关键环节。要生成的特征包括营业时长、评分标准差、高分评价占比、店铺在商圈内的竞争密度等。其中竞争密度的计算是：对每个商圈按菜系分组，统计同菜系店铺数量，这个特征在预测店铺人气时往往排名非常靠前。

我实际编写的清洗脚本大概长这样：

import pandas as pd import numpy as np df = pd.read_csv('raw_shop_data.csv', encoding='utf-8-sig') df['人均消费'] = pd.to_numeric(df['人均消费'], errors='coerce') df = df.dropna(subset=['评分']) # 过滤异常数据 df = df[(df['评分'] >= 2.0) & (df['评分'] <= 5.0)] df = df[df['人均消费'].between(5, 500)] # 构造时长特征 df['开张时间'] = pd.to_datetime(df['营业开始时间'], format='%H:%M') df['打烊时间'] = pd.to_datetime(df['营业结束时间'], format='%H:%M') df['营业时长'] = (df['打烊时间'] - df['开张时间']).dt.seconds / 3600 # 构造哑变量 df = pd.get_dummies(df, columns=['菜系类别'], prefix='菜系') # 计算商圈同菜系竞争密度 density_map = df.groupby(['商圈', '菜系类别'])['店铺ID'].transform('count') df['同商圈同菜系店铺数'] = density_map df.to_csv('clean_shop_data.csv', index=False, encoding='utf-8-sig')

这里有几个实用经验。Jupyter里跑清洗脚本，要保存一个中间版本，因为后续处理失误还能回头，而不用全部重来。数据量在几万条以内时，Pandas是绝对够用的，不要为了显示“大数据”就把DataFrame转成Spark，只会给自己添堵。清洗完数据一定要做一次描述性统计，df.describe()看一眼均值、方差、最大最小值是否合理，任何业务上解释不通的数字都要回去追查。

3. 随机森林建模与调参：让算法真正解决问题

数据准备好了，就到了这个项目的核心环节——随机森林建模。这一部分不光是跑通代码，更要把算法原理和业务场景结合起来。

3.1 随机森林是怎么回事：讲给答辩老师听的版本

随机森林的原理可以这么理解：它训练了很多棵决策树，每棵树都是在不同的数据子集和不同的特征子集上训练出来的，最后预测时让所有树投票决定结果。这就是为什么它被称为“集成学习”。

为什么说它适合美食店铺数据？因为店铺数据的特征是典型的非线性关系。比如评分和人气不是简单线性关系，高评分不一定高评论数，评分很低的店可能因为网红打卡反而评论数爆炸。随机森林能捕捉这些复杂交互关系，而且几乎不需要做特征归一化，对缺失值也不敏感，很适合做表格数据分析。

答辩时要能把“Bagging”和“特征随机”讲清楚。Bagging是Bootstrap Aggregating的缩写，意思是从原始数据集有放回地抽样，生成多个子数据集来训练多棵树。特征随机则是每次分裂只随机选择一部分特征来寻找最优划分，这样能降低树与树之间的相关性，让投票结果更稳定。这两个机制合在一起，就是随机森林泛化能力强的原因。

3.2 训练脚本的关键代码与参数解读

我用scikit-learn构建训练脚本。假设预测任务是“店铺是否成为人气店铺”——定义为评论数超过该城市中位数、且评分不低于4.0。

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report, f1_score from sklearn.model_selection import GridSearchCV import joblib df = pd.read_csv('clean_shop_data.csv', encoding='utf-8-sig') feature_cols = ['人均消费', '评论数', '营业时长', '评分标准差', '同商圈同菜系店铺数', '经度', '纬度'] # 加上所有菜系哑变量列 feature_cols += [c for c in df.columns if c.startswith('菜系_')] X = df[feature_cols] y = df['是否人气店铺'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y) base_model = RandomForestClassifier( n_estimators=300, max_depth=None, min_samples_split=4, min_samples_leaf=2, max_features='sqrt', class_weight='balanced', random_state=42, n_jobs=-1 ) base_model.fit(X_train, y_train) y_pred = base_model.predict(X_test) print("准确率：", accuracy_score(y_test, y_pred)) print("F1分数：", f1_score(y_test, y_pred)) print(classification_report(y_test, y_pred))

哪些参数值得关注？n_estimators是树的数量，太少容易欠拟合，太多对效果提升有限还拖慢训练速度。我的经验是300棵就够了。max_depth限制树的最大深度，不设置时容易过拟合，在实际数据上先限制到15到20层观察效果。min_samples_split是内部节点再划分所需的最小样本数，适当调大可以防止树被少数异常样本带偏。max_features='sqrt'表示每次分裂只随机考虑根号下特征总数的特征，这是分类任务的经验值。class_weight='balanced'是为了处理标签不均衡，人气店铺通常只占少数，不加重权重的话模型会倾向于把所有店铺都预测成非人气。

3.3 调参与评估：用数据说话

调参不是瞎试，我用的是GridSearchCV，在参数空间中按网格组合搜索最优值。

param_grid = { 'n_estimators': [200, 300, 400], 'max_depth': [10, 15, 20], 'min_samples_split': [2, 4, 8], 'min_samples_leaf': [1, 2, 4] } grid_search = GridSearchCV( RandomForestClassifier(random_state=42, class_weight='balanced'), param_grid, cv=5, scoring='f1', n_jobs=-1 ) grid_search.fit(X_train, y_train) print("最佳参数：", grid_search.best_params_) print("最佳F1：", grid_search.best_score_)

这里有个实战细节：评估指标别只盯着准确率。当标签不均衡时，哪怕所有样本都预测成“非人气”，准确率也可能高达80%，但模型毫无价值。所以我在二分类中用F1分数作为主要调参目标，并且要求答辩时也能解释F1为什么比准确率更合适——F1综合了精确率和召回率，能更好衡量模型对少数类的预测能力。

调完参数后输出一份特征重要性排序表，这是随机森林天然自带的可解释性能力：

importances = grid_search.best_estimator_.feature_importances_ feat_importance = pd.DataFrame({ '特征': feature_cols, '重要性': importances }).sort_values(by='重要性', ascending=False) print(feat_importance.to_string(index=False))

实测下来，评论数、人均消费和同商圈同菜系店铺数在大多数模型里都是排名靠前的特征。这说明消费者评价数量直接反映了店铺活跃度，而竞争密度则会明显影响店铺是否能突出重围。

最后把模型保存下来，供Django调用：

joblib.dump(grid_search.best_estimator_, '人气店铺预测模型.joblib')

这里特别提醒一点，保存模型时顺带保存一份特征列名清单。Django加载模型后，输入特征需要和训练时的列顺序完全一致，我用下面的代码保证一致性：

joblib.dump({'model': grid_search.best_estimator_, 'feature_cols': feature_cols}, 'shop_model_package.joblib')

4. Django平台搭建：把模型和分析结果变成看得见的网页

模型训练完成只是完成了一半任务，另一半是把这个模型和各类分析结果通过Django整合成一个可以演示的系统。这一部分是答辩时的脸面，做得漂不漂亮直接影响印象分。

4.1 Django工程结构与数据模型设计

我的项目目录结构是典型的两层Django应用结构。项目根目录下面有manage.py、项目配置目录，以及核心应用目录。其中核心应用专门负责数据处理、模型调用和前端页面展示。模板目录放HTML模板，静态目录放CSS、JS和ECharts库文件，视图模块里集中编写所有页面渲染和JSON接口逻辑。

如何在Django中管理店铺数据？两种思路都可以。如果数据量不大，直接将数据读成Pandas DataFrame，在视图里做分析处理；如果希望系统更完整，可以定义Django模型类，通过ORM管理店铺数据，并在Admin后台可视化管理。

我采用了ORM方案。店铺模型大致如下：

from django.db import models class Shop(models.Model): shop_id = models.CharField(max_length=50, unique=True) name = models.CharField(max_length=100) city = models.CharField(max_length=50) district = models.CharField(max_length=50) cuisine_type = models.CharField(max_length=50) price = models.FloatField() rating = models.FloatField() comment_count = models.IntegerField() open_duration = models.FloatField() latitude = models.FloatField(null=True, blank=True) longitude = models.FloatField(null=True, blank=True) is_popular = models.BooleanField(default=False) def __str__(self): return self.name

然后在管理后台注册模型，启动后就能直接在Django Admin里增删改查店铺数据。导入数据时写一个管理命令脚本，读取清洗后的CSV批量写入数据库。这样整个系统不再是“数据看一眼就丢”，而是真的可维护、可管理。

4.2 可视化面板与ECharts接入

可视化面板我用ECharts实现。为什么不选Plotly或Highcharts？ECharts在中文生态里文档全、图表类型丰富、只需要几行JavaScript就能渲染交互图表，而且离线版本体积小，适合校园网络环境演示。

第一个页面是总览仪表盘。顶部放四个统计卡片：店铺总数、平均评分、平均人均消费、人气店铺数量。下面放两个图表，一个是评分分布直方图，一个是菜系市场份额饼图。第二个页面是区域分析页，用一个柱状图展示各商圈店铺数量排名，配合散点图展示店铺在各个街区的分布情况。第三个页面是预测页，用户可以填写一批特征数据，点击提交调用随机森林模型，返回预测结果。

前端从Django后端获取数据的标准方式是通过JSON接口。视图层返回JsonResponse，前端用fetch请求后渲染ECharts。

from django.http import JsonResponse import pandas as pd def rating_distribution(request): shops = Shop.objects.all().values('rating') df = pd.DataFrame.from_records(shops) bins = [0, 1, 2, 3, 4, 5] labels = ['1分以下', '1-2分', '2-3分', '3-4分', '4-5分'] df['评分分组'] = pd.cut(df['rating'], bins=bins, labels=labels, right=False) count = df['评分分组'].value_counts().reindex(labels).fillna(0).astype(int) data = [{'name': name, 'value': int(count[name])} for name in labels] return JsonResponse({'data': data})

页面里对应的一段ECharts代码大致是这样的结构：

fetch('/chart/rating_distribution/') .then(response => response.json()) .then(result => { const chart = echarts.init(document.getElementById('ratingChart')); chart.setOption({ tooltip: {}, xAxis: { type: 'category', data: result.data.map(d => d.name) }, yAxis: { type: 'value' }, series: [{ type: 'bar', data: result.data.map(d => d.value) }] }); });

4.3 模型部署与预测接口实现

模型部署到Django里，是在视图层加载保存好的joblib包，然后封装一个特征构造函数。前端传入已知的字段值，后端构造完整的特征向量，调用模型predict_proba返回概率。

import joblib from django.shortcuts import render from django.http import JsonResponse import pandas as pd package = joblib.load('shop_model_package.joblib') model = package['model'] feature_cols = package['feature_cols'] def predict_popular(request): if request.method == 'POST': price = float(request.POST.get('price')) comment_count = int(request.POST.get('comment_count')) rating = float(request.POST.get('rating')) open_duration = float(request.POST.get('open_duration')) district_code = request.POST.get('district_code') cuisine = request.POST.get('cuisine_type') # 构造特征向量，哑变量与训练时保持一致 row = {col: 0 for col in feature_cols} row['人均消费'] = price row['评论数'] = comment_count row['评分标准差'] = 0.8 row['同商圈同菜系店铺数'] = int(request.POST.get('competitors', 10)) cuisine_col = '菜系_' + cuisine if cuisine_col in row: row[cuisine_col] = 1 input_df = pd.DataFrame([row], columns=feature_cols) prob = model.predict_proba(input_df)[0][1] pred = int(model.predict(input_df)[0]) return JsonResponse({'pred': pred, 'prob': round(float(prob), 4)}) return render(request, 'prediction.html')

一个非常重要的坑：训练时的特征列顺序和预测时的输入顺序必须完全一致。如果训练时特征列是train_df.columns，预测时不能直接用不同顺序的DataFrame。上面代码中显式指定columns=feature_cols，就是为了强制对齐。因为模型包和特征列清单一起保存，加载后直接用，实测下来这种写法最稳定。

Django的静态资源和模板配置也要提前搞定。在settings.py中配置STATIC_URL和STATICFILES_DIRS，模板目录必须在TEMPLATES中的DIRS列表里注册，否则启动后页面找不到文件，样式全丢。ECharts的JS文件直接放到本地static里，不要依赖CDN，演示环境万一断网，整个可视化页面就崩了，这是我在答辩前一天踩过的坑。

5. 常见问题与排查技巧：做完一遍之后的避坑总结

项目全部功能都跑通只是一半工作，能做出来是一回事，出了问题能不能快速定位是另一回事。把实际调试过程中最常见的坑整理成清单，每个都是真实遇到过的。表格方便快速定位问题：

这些坑大多不复杂，但排查起来很费时间。比如中文乱码问题，我第一次跑清洗脚本时输出的CSV用Excel打开全是乱码，浪费了半天才明白是保存编码没加utf-8-sig。后来所有涉及文件读写的代码统一规范编码，这个问题就再也没出现过。

还有一个关于项目创新的建议。光完成基本功能只能及格，想拿高分要体现差异化。可以在特征工程上做文章，比如加入评论情感分析作为新特征；也可以在预测任务上做扩展，比如同时训练“评分预测回归模型”和“人气店铺分类模型”，用多任务分析丰富系统功能；还可以在可视化交互上做文章，比如加入城市、商圈、菜系的多级联动筛选，让图表能跟随条件变化动态更新。

答辩演示时，建议准备一份完整的故事线：从数据导入Admin后台开始，展示店铺管理；然后打开数据分析页，说明各个图表的业务含义；接着进入预测页，输入一组特征，展示模型结果和置信概率；最后展示特征重要性分析，解释“评论数”“人均消费”等特征如何影响预测。这条线走下来，老师的印象会非常深刻，因为整体展示逻辑是“数据→分析→建模→应用”的完整闭环，而不是东一个功能西一个页面地零散演示。

说回标题里那个“深度学习算法”的小问题——答辩前一定要想清楚怎么回应。随机森林不是深度学习，这是事实。如果老师问起来，我会这样回答：深度学习擅长处理图像、文本、时序这类高维非结构化数据，而美食店铺数据是典型的结构化表格数据，样本量有限，随机森林在这个场景下能以更低的成本获得同等甚至更好的效果。这个回答既专业又诚实，完全站得住脚。

最后再分享一个小细节。整套系统跑通之后，我用Django自带的部署方式跑了本地服务器来演示效果，用nohup启动避免中断。把所有静态资源全部放到本地，全部文件都手动确认过一遍。我还提前关掉了自动重载功能，防止演示过程中代码变更触发重启导致页面刷新异常。准备工作做得足，答辩的时候就不会被环境问题拖后腿。

做这个项目最大的体会是：毕设的价值不在于用了多高级的框架，而在于你是否把每个环节都理解透了。拆开来看，数据清洗、特征工程、模型评估、Web展示这些能力，正是未来进入实际工作中每天都要用的。把这条路完整走一遍，收获远不止一个毕业设计。