当前位置：首页 > news >正文

计算机毕业设计：Python城市空气质量大数据分析平台 Django框架 Spark 线性回归可视化大数据机器学习深度学习（建议收藏）✅

news 2026/6/6 21:34:05

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

采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，前端利用 Echarts 实现可视化展示并结合 HTML 构建页面。通过 requests 爬虫技术从天气后报网站采集空气质量数据，运用机器学习线性回归模型根据 PM2.5、SO₂、NO₂、O₃ 四个指标预测 AQI，集成大数据技术栈（Hadoop、Hive、Spark）进行分布式数据处理。

功能模块

· 首页（各城市日期筛选查看 AQI 均值分析、气体分析）
· 数据列表
· 空气质量年度分析
· AQI 月度分析
· 气体分析
· 城市分析
· 词云图
· AQI 预测
· 注册登录
· Spark 分析
· 爬虫（数据采集）
· 后台用户管理

项目介绍

本系统基于 Django 框架构建空气质量数据可视化分析平台，通过爬虫技术从天气后报网站批量采集多城市空气质量数据，存入 MySQL 数据库，并利用 Spark 进行分布式计算与统计分析。系统提供首页多城市 AQI 与气体分析、数据列表查询、年度与月度 AQI 变化趋势、PM 颗粒物分析、气体污染物浓度分析、城市 AQI 地理分布、空气质量词云图等功能。用户可输入 PM2.5、SO₂、NO₂、O₃ 特征值，通过线性回归模型预测 AQI 数值与等级。系统还包含注册登录与后台用户管理模块。

2、项目界面

1 、首页-各城市日期筛选查看AQI、各气体分析
该页面为空气质量数据可视化分析系统，支持选择日期与城市，通过柱状图展示多城市AQI均值，以仪表盘呈现单城市AQI等级，用折线图分析各气体污染物含量，直观展示城市空气质量相关数据。

2、空气质量、颗粒物年度分析–年度城市筛选分析
该页面为空气质量数据可视化分析系统的年度分析模块，支持选择年份与城市，通过折线图展示选定城市全年AQI最大值与最小值的月度变化趋势，同时可查看PM颗粒物等污染物的相关分析，直观呈现城市空气质量的年度波动情况。

3、AQI月度分析—月份城市筛选
该页面为空气质量数据可视化分析系统的月度分析模块，支持选择年份、月份与城市，通过柱状图与折线图结合的方式展示选定城市当月每日AQI值及排名，直观呈现月度内每日空气质量的变化情况，辅助月度空气质量分析。

4、城市分析----中国地图各城市分布、按月份筛选
该页面为空气质量数据可视化分析系统的城市分布模块，支持选择年份与月份，通过中国地图热力图的形式直观展示对应时段全国各城市AQI均值的地理分布情况，可查看单个城市的具体空气质量数据，直观呈现区域空气质量的空间分布特征。

5、气体分析-----SO2 NO2 CO O3
该页面为空气质量数据可视化分析系统的气体分析模块，通过折线图展示多城市二氧化硫与二氧化氮的最大值对比，同时以饼图分别呈现一氧化碳、臭氧的含量分布情况，直观呈现不同城市各类气体污染物的浓度特征与占比规律。

6、数据中心
该页面为空气质量数据可视化分析系统的数据总览模块，以表格形式集中展示各城市每日空气质量相关数据，支持分页浏览、搜索查询与条目数量调整，可查看城市、污染物浓度等详细信息，实现空气质量数据的集中查阅与管理。

7、词云图分析
该页面为空气质量数据可视化分析系统的数据词云图模块，通过词云的形式直观展示各类空气质量等级的出现频次，高频等级以更大字号呈现，可快速识别整体空气质量的主要特征与分布情况，直观呈现空气质量等级的统计规律。

8、AQI预测----输入特征值：PM值 SO2值 NO2值 O3值
该页面为空气质量数据可视化分析系统的空气质量预测模块，支持输入PM值、SO2值、NO2值、O3值等污染物特征数据，点击查看后即可输出对应的AQI数值与空气质量等级预测结果，实现基于污染物浓度的空气质量智能预测。

9、注册登录
该页面为空气质量数据分析可视化系统的登录入口，提供用户名、密码输入框，支持记住我功能，同时提供注册入口，用于验证用户身份，保障系统访问安全，是进入系统各功能模块的前置入口。

10、Spark大数据分析
该页面是空气质量数据分析可视化系统的后端数据处理模块，基于Spark实现空气质量数据的分布式计算，可完成城市AQI均值统计等数据处理任务，并将计算结果写入数据库，为前端可视化分析提供数据支撑，同时支持Hive数据仓库的集成与数据读取。

11、数据采集
该页面是空气质量数据分析可视化系统的数据采集模块，基于Python爬虫实现，可按指定年份、月份，批量爬取多个目标城市的空气质量数据，包含AQI、各类污染物浓度等信息，为系统的数据分析与可视化提供原始数据支撑。

12、后台数据管理
该页面为空气质量数据分析可视化系统的后台管理用户表模块，以列表形式展示系统用户信息，支持分页浏览、用户增加与删除操作，可对系统用户进行集中管理，保障系统用户权限与账号的有序维护。

3、项目说明

一、技术栈简要说明

本系统采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，前端利用 Echarts 实现可视化展示并结合 HTML 构建页面。通过 requests 爬虫技术从天气后报网站采集空气质量数据，运用机器学习线性回归模型根据 PM2.5、SO₂、NO₂、O₃ 四个指标预测 AQI，集成大数据技术栈（Hadoop、Hive、Spark）进行分布式数据处理。

二、功能模块详细介绍

· 首页（各城市日期筛选查看 AQI 均值分析、气体分析）
该页面支持选择日期与城市，通过柱状图展示多城市 AQI 均值，以仪表盘呈现单城市 AQI 等级，用折线图分析 PM2.5、PM10、SO₂、NO₂、CO、O₃ 等气体污染物含量，直观展示城市空气质量相关数据。

· 数据列表
该页面以表格形式集中展示各城市每日空气质量相关数据，支持分页浏览、搜索查询与条目数量调整，可查看城市、各类污染物浓度等详细信息，实现空气质量数据的集中查阅与管理。

· 空气质量年度分析
该模块支持选择年份与城市，通过折线图展示选定城市全年 AQI 最大值与最小值的月度变化趋势，同时可查看 PM 颗粒物等污染物的相关分析，直观呈现城市空气质量的年度波动情况。

· AQI 月度分析
该模块支持选择年份、月份与城市，通过柱状图与折线图结合的方式展示选定城市当月每日 AQI 值及排名，直观呈现月度内每日空气质量的变化情况，辅助月度空气质量分析。

· 气体分析
该模块通过折线图展示多城市二氧化硫与二氧化氮的最大值对比，同时以饼图分别呈现一氧化碳、臭氧的含量分布情况，直观呈现不同城市各类气体污染物的浓度特征与占比规律。

· 城市分析
该模块支持选择年份与月份，通过中国地图热力图的形式直观展示对应时段全国各城市 AQI 均值的地理分布情况，可查看单个城市的具体空气质量数据，直观呈现区域空气质量的空间分布特征。

· 词云图
该模块通过词云的形式直观展示各类空气质量等级的出现频次，高频等级以更大字号呈现，可快速识别整体空气质量的主要特征与分布情况，直观呈现空气质量等级的统计规律。

· AQI 预测
该模块支持用户输入 PM 值、SO₂ 值、NO₂ 值、O₃ 值等污染物特征数据，系统利用线性回归模型输出对应的 AQI 数值与空气质量等级预测结果，实现基于污染物浓度的空气质量智能预测。

· 注册登录
该页面提供用户名、密码输入框，支持记住我功能，同时提供注册入口，用于验证用户身份，保障系统访问安全，是进入系统各功能模块的前置入口。

· Spark 分析
该模块基于 Spark 实现空气质量数据的分布式计算，可完成城市 AQI 均值统计等数据处理任务，并将计算结果写入数据库，为前端可视化分析提供数据支撑，同时支持 Hive 数据仓库的集成与数据读取。

· 爬虫（数据采集）
该模块基于 Python 爬虫实现，可按指定年份、月份批量爬取多个目标城市的空气质量数据，包含 AQI、各类污染物浓度等信息，为系统的数据分析与可视化提供原始数据支撑。

· 后台用户管理
该模块以列表形式展示系统用户信息，支持分页浏览、用户增加与删除操作，可对系统用户进行集中管理，保障系统用户权限与账号的有序维护。

三、项目总结

本系统基于 Django 框架构建空气质量数据可视化分析平台，通过爬虫技术从天气后报网站批量采集多城市空气质量数据，存入 MySQL 数据库，并利用 Spark 进行分布式计算与统计分析。系统提供首页多城市 AQI 与气体分析、数据列表查询、年度与月度 AQI 变化趋势、PM 颗粒物分析、气体污染物浓度分析、城市 AQI 地理分布、空气质量词云图等可视化功能。用户可输入 PM2.5、SO₂、NO₂、O₃ 特征值，通过线性回归模型预测 AQI 数值与等级。系统还包含注册登录与后台用户管理模块，为环境监测、健康出行和污染治理提供了数据支撑与决策参考。

4、核心代码

frompyspark.sqlimportSparkSessionfrompyspark.sql.functionsimportmonotonically_increasing_idfrompyspark.sql.functionsimportcount,mean,col,sum,when,year,month,max,min,avgfrompyspark.sqlimportfunctionsasFfrompyspark.sql.typesimportStructType,StructField,IntegerType,StringType,FloatTypeif__name__=='__main__':#构建spark=SparkSession.builder.appName("sparkSQL").master("local[*]").\ config("spark.sql.shuffle.partitions",2).\ config("spark.sql.warehouse.dir","hdfs://node1:8020/user/hive/warehouse").\ config("hive.metastore.uris","thrift://node1:9083").\ enableHiveSupport().\ getOrCreate()sc=spark.sparkContext#读取airdata=spark.read.table("airdata")#需求1 城市平均AQIprint("-------------------需求1 城市平均AQI--------------------")result1=airdata.groupby("city")\.agg(mean("AQI").alias("avg_AQI"))\.orderBy("avg_AQI",ascending=False)#dfdf=result1.toPandas()# print(df)# sqlresult1.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","avgCityAqi").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result1.write.mode("overwrite").saveAsTable("avgCityAqi","parquet")spark.sql("select * from avgCityAqi").show()#需求2 各气体分析print("-------------------需求2 各气体分析--------------------")result2=airdata.groupby("city")\.agg(mean("PM").alias("avg_PM"),mean("PM10").alias("avg_PM10"),mean("So2").alias("avg_So2"),mean("No2").alias("avg_No2"),mean("Co").alias("avg_Co"),mean("O3").alias("avg_O3"),)# sqlresult2.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","avgCitySix").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result2.write.mode("overwrite").saveAsTable("avgCitySix","parquet")spark.sql("select * from avgCitySix").show()#需求三 年度空气质量分析print("-------------------需求3 年度空气质量分析--------------------")airdata=airdata.withColumn("date",airdata["date"].cast("date"))result3=airdata.groupby("city",year("date").alias("year"),month("date").alias("month"))\.agg(max("AQI").alias("max_AQI"),min("AQI").alias("min_AQI"))result3.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","maxCityAqi").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result3.write.mode("overwrite").saveAsTable("maxCityAqi","parquet")spark.sql("select * from maxCityAqi").show()#需求四print("-------------------需求4 计算每个城市每年每月的 PM 和 PM10 的平均值--------------------")result4=airdata.groupby("city",year("date").alias("year"),month("date").alias("month"))\.agg(avg("PM").alias("max_PM"),avg("PM10").alias("min_PM10"))result4.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","avgCityPM").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result4.write.mode("overwrite").saveAsTable("avgCityPM","parquet")spark.sql("select * from avgCityPM").show()#需求五print("-------------------需求5 计算每个城市每年每月 AQI 小于 50 的天数。--------------------")result5=airdata.groupby("city",year("date").alias("year"),month("date").alias("month"))\.agg(count(when(airdata["AQI"]<50,True)).alias("greatAirCount"))result5.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","greatAir").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result5.write.mode("overwrite").saveAsTable("greatAir","parquet")spark.sql("select * from greatAir").show()#需求6print("-------------------需求6 计算每个城市的最大 So2 和 No2 值--------------------")result6=airdata.groupby("city")\.agg(max("So2").alias("max_So2"),max("No2").alias("max_No2"))result6.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","maxSN").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result6.write.mode("overwrite").saveAsTable("maxSN","parquet")spark.sql("select * from maxSN").show()#需求7print("-------------------需求7 将 Co 值分为不同的区间，并计算每个区间的记录数--------------------")airdata=airdata.withColumn("Co_category",when((col("Co")>=0)&(col("Co")<0.25),'0-0.25').when((col("Co")>=0.25)&(col("Co")<0.5),'0.25-0.5').when((col("Co")>=0.5)&(col("Co")<0.75),'0.5-0.75').when((col("Co")>=0.75)&(col("Co")<1.0),'0.75-1').otherwise("1以上"))result7=airdata.groupby("Co_category").agg(count('*').alias('Co_count'))result7.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","CoCategory").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result7.write.mode("overwrite").saveAsTable("CoCategory","parquet")spark.sql("select * from CoCategory").show()#需求8print("-------------------需求8 O3 值分为不同的区间，并计算每个区间的记录数--------------------")airdata=airdata.withColumn("O3_category",when((col("O3")>=0)&(col("O3")<25),'0-25').when((col("O3")>=0.25)&(col("O3")<50),'25-50').when((col("O3")>=50)&(col("O3")<75),'50-75').when((col("O3")>=75)&(col("O3")<100),'75-100').otherwise("100以上"))result8=airdata.groupby("O3_category").agg(count('*').alias('O3_count'))result8.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","O3Category").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()result8.write.mode("overwrite").saveAsTable("O3Category","parquet")spark.sql("select * from O3Category").show()#需求9print("-------------------需求9 计算每个城市每年每月的平均 AQI--------------------")reuslt9=airdata.groupby("city",year("date").alias("year"),month("date").alias("month"))\.agg(avg("AQI").alias("month_AQI"))reuslt9.write.mode("overwrite").\format("jdbc").\ option("url","jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8").\ option("dbtable","monthAQI").\ option("user","root").\ option("password","root").\ option("encoding","utf-8").\ save()reuslt9.write.mode("overwrite").saveAsTable("monthAQI","parquet")spark.sql("select * from monthAQI").show()