尧图网站建设 
这次我们来看一个比较典型的 Web 全栈项目Python 旅游景点信息可视化系统。它和普通的景点 CRUD 管理系统不同整套方案把数据采集、数据清洗、可视化大屏、数据分析、数据挖掘以及大模型 Agent 智能问答串在一起后端基于 Django 框架前端用 ECharts 做可视化大屏并且可以接入 DeepSeek API 实现自然语言查询和智能攻略生成。如果你正在做毕业设计或者想找一个能把 Django、数据分析、可视化、大模型四条技术线整合起来的练手项目这篇文章可以直接收藏。接下来我会按“环境准备 - 项目初始化 - 数据清洗入库 - 可视化大屏 - 大模型 Agent 接入 - 接口 API 与批量任务 - 性能观察 - 问题排查 - 最佳实践”的顺序把一套可落地的旅游景点信息可视化系统拆开讲清楚。## 1. 核心能力速览 | 能力项 | 说明 | | --- | --- | | 项目类型 | Web 全栈系统Django 后端 ECharts 可视化大屏 大模型 Agent 问答 | | 技术栈 | Python、Django、Pandas、MySQL/SQLite、ECharts、JavaScript、DeepSeek API | | 主要功能 | 景点数据管理、数据可视化大屏、景区热度分析、客流与评分分析、智能问答、攻略生成 | | 数据来源 | CSV 导入、爬虫采集、后台手工录入、开放数据集 | | 数据规模 | 小规模用 SQLite中大规模建议切 MySQL重点做索引和分页 | | 运行平台 | Windows / Linux / macOS | | 启动方式 | 命令行启动可以用宝塔面板做生产部署 | | API 能力 | Django REST Framework 接口DeepSeek API 接口 | | 批量任务 | 支持批量导入 CSV、批量导出数据 | | 大模型能力 | 接入 DeepSeek支持自然语言转数据查询、景点解读、行程推荐 | | 适合场景 | 毕业设计、Django 实战、数据分析可视化实践、大模型 Agent 入门 |需要说明的是显存占用在这里不是核心问题这是 Web 项目主要看内存和 CPU。大模型推理走 DeepSeek 官方 API本机不需要跑大模型对硬件要求很低。如果是本地部署纯数据分析流程8GB 内存的机器就能跑得很顺要接入后端服务并展示大屏建议服务器 2 核 4G 起步。## 2. 适用场景与使用边界 ### 2.1 适合谁用 这个系统比较适合四类读者 1. **Django 学习者**想了解一个完整的 Django 项目如何拆模块、配路由、连数据库、写 ORM、做后台管理。 2. **数据分析与可视化的实践者**想把 Pandas 数据清洗、ECharts 图表展示、数据挖掘思路落到一个具体业务中。 3. **大模型应用开发者**想通过 DeepSeek API 把大模型能力集成进 Web 系统并研究 Agent 的“意图识别 - 数据查询 - 结果生成”流程。 4. **毕业设计作者**需要一个题材明确、技术栈完整、能演示、能扩展的系统。 ### 2.2 使用边界与合规提醒 这里必须强调几条边界 - 如果涉及景点数据爬取务必遵守目标网站的 robots 协议和平台规则只采集公开、合法、可用的数据不要对目标服务造成压力。 - 如果系统用于商用或对外发布景点图片、地图素材、统计数据要注意版权和授权问题。 - 用户数据浏览记录、收藏、评论要脱敏存储不要明文保存密码。 - 大模型生成内容攻略、描述、回答需要人工复核不能直接作为官方决策依据。 - 接入 DeepSeek 或其他大模型 API 时不要在前端暴露 API Key必须通过后端转发。3. 环境准备与前置条件3.1 本地开发环境安装部署之前先检查环境。下面是一套通用检查清单依赖项版本建议用途Python3.8 以上建议 3.10/3.11Django 运行环境Django4.x 或 5.xWeb 框架Django REST Framework3.14 以上提供 API 接口Pandas最新稳定版数据清洗与导入MySQL8.x 或 SQLite 内置数据存储Node.js不需要前端用 CDN 引入 ECharts 即可可视化图表渲染DeepSeek API Key官方平台申请大模型问答与 Agent 能力如果不想装 MySQL开发阶段直接用 SQLite 就够了。SQLite 零配置Django 初始化后自动生成数据库文件适合先跑通功能再切 MySQL。3.2 创建虚拟环境并安装依赖这里以 Windows 命令行为例macOS/Linux 的差异只在激活虚拟环境那一步。# 创建虚拟环境 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS/Linux 激活 source venv/bin/activate # 安装核心依赖 pip install django djangorestframework pandas安装时要注意 pip 源问题。如果下载速度慢可以临时切换到国内镜像源pip install django djangorestframework pandas -i https://pypi.tuna.tsinghua.edu.cn/simple## 4. Django 项目初始化与数据模型设计 ### 4.1 创建项目和 App 虚拟环境激活后创建 Django 项目和一个专门负责景点业务的 App。 bash # 创建项目我这里把项目名取为 tourist_dashboard django-admin startproject tourist_dashboard # 进入项目目录 cd tourist_dashboard # 创建 App例如 attractions python manage.py startapp attractions创建完成后在settings.py的INSTALLED_APPS里注册rest_framework和attractionsINSTALLED_APPS [ django.contrib.admin, django.contrib.auth, django.contrib.contenttypes, django.contrib.sessions, django.contrib.messages, django.contrib.staticfiles, rest_framework, attractions, ]4.2 数据模型设计旅游景点信息可视化系统的核心数据表可以围绕景点基本信息、评分评论、客流热度、区域分布几个维度展开。一个实用的models.py设计如下from django.db import models class City(models.Model): name models.CharField(max_length50, uniqueTrue) province models.CharField(max_length50, blankTrue) def __str__(self): return self.name class Attraction(models.Model): name models.CharField(max_length200) city models.ForeignKey(City, on_deletemodels.SET_NULL, nullTrue, related_nameattractions) address models.CharField(max_length300, blankTrue) category models.CharField(max_length100, blankTrue) level models.CharField(max_length20, blankTrue, verbose_name景区等级) open_time models.CharField(max_length100, blankTrue) ticket_price models.DecimalField(max_digits10, decimal_places2, default0) description models.TextField(blankTrue) def __str__(self): return self.name class AttractionStats(models.Model): attraction models.ForeignKey(Attraction, on_deletemodels.CASCADE, related_namestats) visit_date models.DateField() visit_count models.IntegerField(default0, verbose_name当日游客量) avg_stay_minutes models.IntegerField(default0, verbose_name平均停留时长/分钟) rating models.FloatField(default0, verbose_name当日评分) class Meta: unique_together (attraction, visit_date) def __str__(self): return f{self.attraction.name} - {self.visit_date}这里把“城市”单独拆成一张表方便做地图下钻和区域统计“景点表”存主数据“游客统计表”存时间序列数据适合做热度趋势、评分变化、停留时长分析。如果后期要接大数据量的景区数据只需要在visit_date和attraction上建立联合索引。4.3 数据库初始化和后台注册# 生成迁移文件 python manage.py makemigrations attractions # 写入数据库 python manage.py migrate # 创建超级管理员 python manage.py createsuperuser在attractions/admin.py中注册模型方便后台录入和修改from django.contrib import admin from .models import City, Attraction, AttractionStats admin.site.register(City) admin.site.register(Attraction) admin.site.register(AttractionStats)启动开发服务器后打开http://127.0.0.1:8000/admin就可以在后台管理城市、景点和统计数据了。## 5. 数据清洗与批量导入 ### 5.1 为什么需要数据清洗 旅游景点数据从 CSV、Excel 或爬虫拿到后通常存在字段缺省、日期格式不统一、票价含单位、城市名称别名等问题。直接用原始数据做可视化会出现重复统计、坐标漂移、时间序列断档的情况。 所以这里一定要用 Pandas 做一次数据清洗再写入 Django ORM 模型。 python import pandas as pd import os, django os.environ.setdefault(DJANGO_SETTINGS_MODULE, tourist_dashboard.settings) django.setup() from attractions.models import City, Attraction, AttractionStats df pd.read_csv(attractions_data.csv, encodingutf-8) # 去重按景点名称和城市去重 df df.drop_duplicates(subset[name, city]) # 缺失值处理填默认值 df[ticket_price] df[ticket_price].fillna(0) df[category] df[category].fillna(未知) df[level] df[level].fillna(未评级) # 类型转换票价字符串去掉“元”字转数值 df[ticket_price] df[ticket_price].astype(str).str.replace(元, ).str.strip() df[ticket_price] pd.to_numeric(df[ticket_price], errorscoerce).fillna(0) # 日期统一 df[visit_date] pd.to_datetime(df[visit_date]) for _, row in df.iterrows(): # 城市不存在则创建 city, _ City.objects.get_or_create(namerow[city]) attraction, _ Attraction.objects.update_or_create( namerow[name], defaults{ city: city, address: row.get(address, ), category: row[category], level: row[level], ticket_price: row[ticket_price], description: row.get(description, ), } ) AttractionStats.objects.update_or_create( attractionattraction, visit_daterow[visit_date].date(), defaults{ visit_count: int(row[visit_count]), avg_stay_minutes: int(row.get(avg_stay_minutes, 0)), rating: float(row.get(rating, 0)), } ) print(导入完成)这段脚本是通用的批量导入模板先清洗再按城市创建或更新数据最后写入统计表。实际使用时把attractions_data.csv的列名替换成你本地的字段即可。5.2 批量导出数据导出是反向过程从 ORM 查询结果生成 DataFrame再输出 CSV 或 Excelimport pandas as pd from django.core.paginator import Paginator def export_attractions_to_csv(file_path): data [] # 分页读取避免一次加载过多记录占用内存 paginator Paginator(Attraction.objects.select_related(city).all(), 5000) for page_num in paginator.page_range: page paginator.page(page_num) for attr in page: data.append({ 景点名称: attr.name, 城市: attr.city.name if attr.city else , 景区等级: attr.level, 门票价格: float(attr.ticket_price) if attr.ticket_price else 0, 简介: attr.description, }) pd.DataFrame(data).to_csv(file_path, indexFalse, encodingutf-8-sig)这里用utf-8-sig编码是为了让 Excel 直接打开 CSV 不乱码。## 6. 可视化大屏设计与功能测试 ### 6.1 大屏页面结构 旅游景点信息可视化系统的大屏一般分为四个区域 1. 顶部系统标题、时间、关键指标卡。 2. 中部总游客量趋势图、热门景点 TOP10 柱状图。 3. 左侧城市景点数量饼图、景区等级分布玫瑰图。 4. 右侧景点评分排行、词云、热力地图。 模板页面可以用 Django 的 render 返回CSS/JS 走 static 目录。大屏尺寸建议按 1920x1080 设计用 rem 或百分比适配不同屏幕。 ### 6.2 ECharts 图表配置示例 下面是一个景点热度 TOP10 柱状图的 ECharts 配置。前端页面通过 Django 模板变量把数据渲染到 JavaScript 中 html !DOCTYPE html html langzh-CN head meta charsetUTF-8 title旅游景点可视化大屏/title script srchttps://cdn.jsdelivr.net/npm/echarts5/dist/echarts.min.js/script /head body div idchart stylewidth: 100%; height: 500px;/div script const chartData {{ chart_data | safe }}; const chart echarts.init(document.getElementById(chart)); chart.setOption({ title: { text: 热门景点游客量 TOP10, left: center }, tooltip: { trigger: axis }, xAxis: { type: category, data: chartData.map(item item.name), axisLabel: { rotate: 30 } }, yAxis: { type: value, name: 游客量 }, series: [{ type: bar, data: chartData.map(item item.visit_count), itemStyle: { color: #409EFF } }] }); window.addEventListener(resize, () chart.resize()); /script /body /html后端视图的示例数据可以这样组织from django.db.models import Sum from django.shortcuts import render from attractions.models import AttractionStats def dashboard(request): # 按景点聚合近30天游客总量 top_attractions ( AttractionStats.objects .values(attraction__name) .annotate(total_visitsSum(visit_count)) .order_by(-total_visits)[:10] ) chart_data [ {name: item[attraction__name], visit_count: item[total_visits]} for item in top_attractions ] return render(request, dashboard.html, {chart_data: chart_data})这里是一个完整的“模型聚合查询 - 模板渲染 - 图表展示”流程。6.3 大屏功能测试用例功能点测试方法预期结果关键指标卡检查总景点数、总游客量、平均评分数值与数据库聚合结果一致TOP10 柱状图检查排序、轴标签、鼠标悬浮提示按游客量降序显示城市分布地图切换省份、城市能显示对应区域数据时间筛选选择开始日期和结束日期图表随之刷新响应式缩放拖拽浏览器窗口大小图表自适应宽度判断大屏是否成功的标准是图表数据与数据库查询结果一致页面无 JS 报错时间筛选和城市筛选能正确联动。## 7. 大模型 Agent 接入与智能问答测试 ### 7.1 从大模型 API 到 Agent 这部分是系统最出彩的地方。接入 DeepSeek 之后用户不需要去看图表直接输入一句话系统就能给出数据解读和出行建议。 一个简单但完整的 Agent 流程可以设计为 text 用户提问 | v 意图识别规则 大模型判断 | v 数据查询Django ORM / REST API | v 结果生成DeepSeek 根据数据生成自然语言回答实际实现时不需要太复杂。第一步先用大模型判断用户想查什么意图第二步根据意图去数据库查询第三步把查询结果拼进 Prompt由大模型生成最终回答。7.2 后端对接 DeepSeek API这里用 Python 的requests库直接调用 OpenAI 兼容接口。为了安全API Key 放在 Django 环境变量或.env文件中不要写到模板里。import os import requests # 从环境变量读取不要硬编码 DEEPSEEK_API_KEY os.environ.get(DEEPSEEK_API_KEY) DEEPSEEK_API_URL https://api.deepseek.com/chat/completions def ask_deepseek_intent(user_query): payload { model: deepseek-chat, messages: [ { role: system, content: ( 你是一个旅游数据助手的意图识别模块。 请判断用户问题属于哪个意图 query_attraction, query_traffic, query_rating, query_recommend, other。 只输出意图标签不要输出其他内容。 ) }, {role: user, content: user_query} ], temperature: 0 } headers { Authorization: fBearer {DEEPSEEK_API_KEY}, Content-Type: application/json } resp requests.post(DEEPSEEK_API_URL, jsonpayload, headersheaders, timeout30) resp.raise_for_status() return resp.json()[choices][0][message][content].strip() def ask_deepseek_answer(user_query, data_context): payload { model: deepseek-chat, messages: [ { role: system, content: ( 你是旅游景点数据分析助手。 请根据提供的结构化数据用简洁的中文回答用户的问题 并给出合理的解释和建议。数据来源要描述为“系统统计数据”。 ) }, {role: user, content: f数据{data_context}\n问题{user_query}} ], temperature: 0.3 } headers { Authorization: fBearer {DEEPSEEK_API_KEY}, Content-Type: application/json } resp requests.post(DEEPSEEK_API_URL, jsonpayload, headersheaders, timeout60) resp.raise_for_status() return resp.json()[choices][0][message][content].strip()接入 Agent 时要重点做一件事把大模型输出限制在系统已有的数据结构范围内不要让模型“自由发挥”出不存在的数据。所以设计提示词时要告诉大模型“只能基于用户提供的结构化数据回答”。7.3 智能问答功能测试测试输入预期输出“游客量最多的五个景点是哪些”输出排名前五的景点和对应游客量“上个月哪个景点评分最高”按评分字段排名输出带解读“推荐一条三天两晚的北京文化游线路”根据景点数据生成线路建议“最近客流量下降明显吗”对比时间序列数据给出趋势判断测试时发现大模型回答与数据库不一致优先检查两处一是意图识别是否准确二是传给模型的数据上下文是否完整。如果数据上下文太长要按时间窗口截断或汇总后再拼入 Prompt。## 8. 接口 API 与批量任务设计 ### 8.1 为什么需要 API 层 如果只有一个大屏页面前端直接访问 Django 视图就够了。但系统要做到能复用、能对接移动端、能支持批量数据更新就必须把核心查询能力抽成 REST API。 这里优先推荐 Django REST Framework。在 attractions/views.py 中写一个最简 API python from rest_framework.decorators import api_view from rest_framework.response import Response from django.db.models import Sum from .models import Attraction, AttractionStats api_view([GET]) def top_attractions_api(request): days request.query_params.get(days, 30) top_items ( AttractionStats.objects .filter(visit_date__gterequest.query_params.get(start_date, 2024-01-01)) .values(attraction__name) .annotate(totalSum(visit_count)) .order_by(-total)[:10] ) return Response(list(top_items))在tourist_dashboard/urls.py中注册路由from django.contrib import admin from django.urls import path, include from attractions import views urlpatterns [ path(admin/, admin.site.urls), path(api/top-attractions/, views.top_attractions_api, nametop_attractions_api), path(api/, include(rest_framework.urls)), ]启动后可以直接用浏览器访问http://127.0.0.1:8000/api/top-attractions/也可以在命令行用 curl 验证curl http://127.0.0.1:8000/api/top-attractions/?days30返回 JSON[ { attraction__name: 西湖, total: 185000 } ]8.2 批量任务设计批量任务建议分成三种启动时批量导入用 Django management command 封装数据导入脚本例如python manage.py import_attractions --file data.csv。定时任务调度用 Celery 或系统 crontab 定时拉取数据更新景点统计表。异步 API 处理上传 CSV 后后台线程跑数据清洗和入库前端轮询导入进度。如果不想引 Celery先用 crontab 跑 management command 就足够。批量导入时要在脚本里加日志和错误捕获import logging logger logging.getLogger(__name__) for index, row in df.iterrows(): try: city, _ City.objects.get_or_create(namerow[city]) Attraction.objects.update_or_create(...) except Exception as exc: logger.error(f第 {index} 行导入失败: {exc}) continue8.3 通用 API 调用示例模板如果你已经有一个查询接口但要自己组装请求下面是通用的 Python 调用模板import requests API_BASE http://127.0.0.1:8000/api def fetch_top_attractions(start_date2024-01-01, days30): params {start_date: start_date, days: days} response requests.get(f{API_BASE}/top-attractions/, paramsparams, timeout10) if response.status_code ! 200: raise RuntimeError(fAPI error: {response.status_code}) return response.json()接口层注意加超时、限流、日志和权限控制。生产环境使用时要限制访问范围不要把接口完全暴露在公网。## 9. 资源占用与性能观察 ### 9.1 开发环境资源观察方法 Django 开发服务器默认是单进程的直接在浏览器访问大屏时如果数据量超过 10 万条页面会出现明显卡顿。观察性能可以从三处入手 1. **Django Debug Toolbar**查看每个请求执行的 SQL 数量和耗时。 2. **服务器监控面板**观察 CPU 和内存占用。 3. **浏览器开发者工具的 Network 面板**查看接口响应时间、静态资源加载时间。 安装 Django Debug Toolbar bash pip install django-debug-toolbar在settings.py和urls.py中按官方文档配置后页面右侧会显示 SQL 查询次数和耗时。这里重点观察是否出现 N1 查询问题尤其是视图里查询景点列表时没有select_related(city)或prefetch_related(stats)会导致大量重复 SQL。9.2 降低内存与提升响应速度在数据量变大后优先做以下几件事优化方向操作效果ORM 查询加select_related/prefetch_related减少 SQL 查询次数分页列表接口加PageNumberPagination降低单次响应数据量静态资源ECharts 用 CDN本地 JS/CSS 合并压缩减轻带宽压力数据缓存大屏聚合结果加 cache例如 Redis加速重复查询数据库索引对visit_date、attraction_id建索引加快聚合查询Django 缓存大屏聚合结果的示例from django.core.cache import cache def dashboard(request): cache_key top_attractions_data_30d chart_data cache.get(cache_key) if chart_data is None: # 执行聚合查询 top_attractions ... chart_data [...] cache.set(cache_key, chart_data, timeout60 * 5) return render(request, dashboard.html, {chart_data: chart_data})大屏的 5 分钟缓存足够日常展示后台数据更新后再主动清缓存即可。## 10. 常见问题与排查方法 | 问题现象 | 可能原因 | 排查方式 | 解决方案 | | --- | --- | --- | --- | | pip install 安装失败 | 网络问题、Python 版本不兼容 | 检查 pip 日志、python 版本 | 切换镜像源或升级 Python | | ModuleNotFoundError: django | 虚拟环境未激活 | pip list 检查包 | 激活虚拟环境后重新安装 | | 启动时 Port 8000 is in use | 8000 端口被占用 | netstat -ano | findstr 8000 | 换成 python manage.py runserver 8001 | | 页面打开但没有图表 | ECharts 未加载或数据为空 | 打开浏览器控制台查看 Network | 检查 CDN 是否可访问检查模板数据是否输 | | visit_date 字段格式错误 | Pandas 读取日期列类型不对 | 打印 df[visit_date].dtype | 使用 pd.to_datetime 统一转换 | | 大屏接口很慢 | 数据量大、没做缓存和索引 | Django Debug Toolbar 查看 SQL 耗时 | 建索引、加分页、加缓存 | | DeepSeek API 超时 | 网络问题或 Prompt 太长 | 查看后端日志手动测试 API 调用 | 增加 timeout缩短 Prompt加失败重试 | | API 返回跨域错误 | 未配置 CORS | 检查浏览器控制台报错 | 使用 django-cors-headers 配置白名单 | | 批量导入中途失败 | 数据中存在脏数据 | 检查导入日志 | 逐行捕获异常并跳过记录失败的索引 | | 大模型回答与数据库不一致 | 上下文数据不完整 | 检查传给模型的数据是否被截断 | 按时间维度聚合后再拼接限制输出固定格式 | Django 项目移动目录后启动报错通常是 SQLite 路径或静态文件路径失效检查 BASE_DIR 相关配置即可。11. 最佳实践与使用建议先说最容易踩的坑数据模型没有做好就被大量导入。一定要先花时间设计表结构确定好主键、外键、唯一约束再写导入脚本。否则后期改模型需要反复迁移数据一多就非常痛苦。然后是工程化建议第一次先小参数测试。先用 100 条数据跑通全流程再放大数据量。保留一套最小可运行配置。把数据库连接、API Key、缓存配置放到.env文件中随时可以重建环境。模型、输入素材、输出结果分目录管理。项目根目录下建议分为data/raw、data/cleaned、outputs、static。批量任务要加日志和失败重试。每条记录导入失败不能中断整个任务。接口服务要限制访问范围。开发和测试阶段绑定127.0.0.1生产环境使用 Nginx 反向代理。涉及地图数据、景点图片和 DeepSeek 生成内容时注意版权、授权和复核。生产部署优先用宝塔面板或 Docker。宝塔面板自带 Nginx、MySQL、Python 项目管理器Django 项目部署比较方便。11.1 代码分层建议Django 项目结构建议拆成以下层次tourist_dashboard/ |-- attractions/ # 业务 App | |-- models.py # 数据模型 | |-- views.py # 页面视图 | |-- api.py # REST API 视图 | |-- services.py # 业务逻辑/数据清洗 | |-- agent.py # 大模型 Agent 逻辑 | |-- management/ # 自定义命令 |-- data/ # 数据文件 |-- static/ # JS/CSS/图片 |-- templates/ # HTML 模板 |-- tourist_dashboard/ # 项目配置services.py和agent.py单独拆分是为了避免大模型 Prompt 和数据分析逻辑都堆在views.py里。视图只做请求处理和响应封装业务逻辑进服务层后续加测试也方便。11.2 Agent 提示词调优大模型 Agent 的效果好坏主要在提示词和数据上下文。几条通用经验给模型明确的数据字段名称和示例数据。要求模型只基于给定数据回答不能编造。对超出数据范围的问题先返回“系统暂未统计这个指标”。长文本回答控制在 150 字以内更适合大屏页面展示。如果模型返回 JSON可以约定response_format: {type: json_object}。## 12. 总结与下一步 这个 Python 旅游景点信息可视化系统最值得尝试的地方是把 Django、数据分析、ECharts 可视化大屏和 DeepSeek 大模型 Agent 放在一个完整项目里做到了“能看、能查、能问、能扩展”。 按顺序来先跑通数据导入和可视化大屏确认图表数据和数据库一致再接入 DeepSeek API测试意图识别和智能问答最后把常用查询抽成 REST API整理批量导入命令。最容易踩的坑是 ORM 查询慢和 Prompt 上下文不完整这两点提前做好规划后续会很省事。 如果想继续扩展可以在现有基础上加入评论情感分析、基于游客行为的推荐算法、城市热力图下钻、移动端小程序对接等功能。这套 Django 结构已经预留了接口层扩展方向的选择空间比较大。建议收藏备用。 Python与Django旅游景点可视化大屏：融合数据清洗与DeepSeek智能问答
这次我们来看一个比较典型的 Web 全栈项目Python 旅游景点信息可视化系统。它和普通的景点 CRUD 管理系统不同整套方案把数据采集、数据清洗、可视化大屏、数据分析、数据挖掘以及大模型 Agent 智能问答串在一起后端基于 Django 框架前端用 ECharts 做可视化大屏并且可以接入 DeepSeek API 实现自然语言查询和智能攻略生成。如果你正在做毕业设计或者想找一个能把 Django、数据分析、可视化、大模型四条技术线整合起来的练手项目这篇文章可以直接收藏。接下来我会按“环境准备 - 项目初始化 - 数据清洗入库 - 可视化大屏 - 大模型 Agent 接入 - 接口 API 与批量任务 - 性能观察 - 问题排查 - 最佳实践”的顺序把一套可落地的旅游景点信息可视化系统拆开讲清楚。## 1. 核心能力速览 | 能力项 | 说明 | | --- | --- | | 项目类型 | Web 全栈系统Django 后端 ECharts 可视化大屏 大模型 Agent 问答 | | 技术栈 | Python、Django、Pandas、MySQL/SQLite、ECharts、JavaScript、DeepSeek API | | 主要功能 | 景点数据管理、数据可视化大屏、景区热度分析、客流与评分分析、智能问答、攻略生成 | | 数据来源 | CSV 导入、爬虫采集、后台手工录入、开放数据集 | | 数据规模 | 小规模用 SQLite中大规模建议切 MySQL重点做索引和分页 | | 运行平台 | Windows / Linux / macOS | | 启动方式 | 命令行启动可以用宝塔面板做生产部署 | | API 能力 | Django REST Framework 接口DeepSeek API 接口 | | 批量任务 | 支持批量导入 CSV、批量导出数据 | | 大模型能力 | 接入 DeepSeek支持自然语言转数据查询、景点解读、行程推荐 | | 适合场景 | 毕业设计、Django 实战、数据分析可视化实践、大模型 Agent 入门 |需要说明的是显存占用在这里不是核心问题这是 Web 项目主要看内存和 CPU。大模型推理走 DeepSeek 官方 API本机不需要跑大模型对硬件要求很低。如果是本地部署纯数据分析流程8GB 内存的机器就能跑得很顺要接入后端服务并展示大屏建议服务器 2 核 4G 起步。## 2. 适用场景与使用边界 ### 2.1 适合谁用 这个系统比较适合四类读者 1. **Django 学习者**想了解一个完整的 Django 项目如何拆模块、配路由、连数据库、写 ORM、做后台管理。 2. **数据分析与可视化的实践者**想把 Pandas 数据清洗、ECharts 图表展示、数据挖掘思路落到一个具体业务中。 3. **大模型应用开发者**想通过 DeepSeek API 把大模型能力集成进 Web 系统并研究 Agent 的“意图识别 - 数据查询 - 结果生成”流程。 4. **毕业设计作者**需要一个题材明确、技术栈完整、能演示、能扩展的系统。 ### 2.2 使用边界与合规提醒 这里必须强调几条边界 - 如果涉及景点数据爬取务必遵守目标网站的 robots 协议和平台规则只采集公开、合法、可用的数据不要对目标服务造成压力。 - 如果系统用于商用或对外发布景点图片、地图素材、统计数据要注意版权和授权问题。 - 用户数据浏览记录、收藏、评论要脱敏存储不要明文保存密码。 - 大模型生成内容攻略、描述、回答需要人工复核不能直接作为官方决策依据。 - 接入 DeepSeek 或其他大模型 API 时不要在前端暴露 API Key必须通过后端转发。3. 环境准备与前置条件3.1 本地开发环境安装部署之前先检查环境。下面是一套通用检查清单依赖项版本建议用途Python3.8 以上建议 3.10/3.11Django 运行环境Django4.x 或 5.xWeb 框架Django REST Framework3.14 以上提供 API 接口Pandas最新稳定版数据清洗与导入MySQL8.x 或 SQLite 内置数据存储Node.js不需要前端用 CDN 引入 ECharts 即可可视化图表渲染DeepSeek API Key官方平台申请大模型问答与 Agent 能力如果不想装 MySQL开发阶段直接用 SQLite 就够了。SQLite 零配置Django 初始化后自动生成数据库文件适合先跑通功能再切 MySQL。3.2 创建虚拟环境并安装依赖这里以 Windows 命令行为例macOS/Linux 的差异只在激活虚拟环境那一步。# 创建虚拟环境 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS/Linux 激活 source venv/bin/activate # 安装核心依赖 pip install django djangorestframework pandas安装时要注意 pip 源问题。如果下载速度慢可以临时切换到国内镜像源pip install django djangorestframework pandas -i https://pypi.tuna.tsinghua.edu.cn/simple## 4. Django 项目初始化与数据模型设计 ### 4.1 创建项目和 App 虚拟环境激活后创建 Django 项目和一个专门负责景点业务的 App。 bash # 创建项目我这里把项目名取为 tourist_dashboard django-admin startproject tourist_dashboard # 进入项目目录 cd tourist_dashboard # 创建 App例如 attractions python manage.py startapp attractions创建完成后在settings.py的INSTALLED_APPS里注册rest_framework和attractionsINSTALLED_APPS [ django.contrib.admin, django.contrib.auth, django.contrib.contenttypes, django.contrib.sessions, django.contrib.messages, django.contrib.staticfiles, rest_framework, attractions, ]4.2 数据模型设计旅游景点信息可视化系统的核心数据表可以围绕景点基本信息、评分评论、客流热度、区域分布几个维度展开。一个实用的models.py设计如下from django.db import models class City(models.Model): name models.CharField(max_length50, uniqueTrue) province models.CharField(max_length50, blankTrue) def __str__(self): return self.name class Attraction(models.Model): name models.CharField(max_length200) city models.ForeignKey(City, on_deletemodels.SET_NULL, nullTrue, related_nameattractions) address models.CharField(max_length300, blankTrue) category models.CharField(max_length100, blankTrue) level models.CharField(max_length20, blankTrue, verbose_name景区等级) open_time models.CharField(max_length100, blankTrue) ticket_price models.DecimalField(max_digits10, decimal_places2, default0) description models.TextField(blankTrue) def __str__(self): return self.name class AttractionStats(models.Model): attraction models.ForeignKey(Attraction, on_deletemodels.CASCADE, related_namestats) visit_date models.DateField() visit_count models.IntegerField(default0, verbose_name当日游客量) avg_stay_minutes models.IntegerField(default0, verbose_name平均停留时长/分钟) rating models.FloatField(default0, verbose_name当日评分) class Meta: unique_together (attraction, visit_date) def __str__(self): return f{self.attraction.name} - {self.visit_date}这里把“城市”单独拆成一张表方便做地图下钻和区域统计“景点表”存主数据“游客统计表”存时间序列数据适合做热度趋势、评分变化、停留时长分析。如果后期要接大数据量的景区数据只需要在visit_date和attraction上建立联合索引。4.3 数据库初始化和后台注册# 生成迁移文件 python manage.py makemigrations attractions # 写入数据库 python manage.py migrate # 创建超级管理员 python manage.py createsuperuser在attractions/admin.py中注册模型方便后台录入和修改from django.contrib import admin from .models import City, Attraction, AttractionStats admin.site.register(City) admin.site.register(Attraction) admin.site.register(AttractionStats)启动开发服务器后打开http://127.0.0.1:8000/admin就可以在后台管理城市、景点和统计数据了。## 5. 数据清洗与批量导入 ### 5.1 为什么需要数据清洗 旅游景点数据从 CSV、Excel 或爬虫拿到后通常存在字段缺省、日期格式不统一、票价含单位、城市名称别名等问题。直接用原始数据做可视化会出现重复统计、坐标漂移、时间序列断档的情况。 所以这里一定要用 Pandas 做一次数据清洗再写入 Django ORM 模型。 python import pandas as pd import os, django os.environ.setdefault(DJANGO_SETTINGS_MODULE, tourist_dashboard.settings) django.setup() from attractions.models import City, Attraction, AttractionStats df pd.read_csv(attractions_data.csv, encodingutf-8) # 去重按景点名称和城市去重 df df.drop_duplicates(subset[name, city]) # 缺失值处理填默认值 df[ticket_price] df[ticket_price].fillna(0) df[category] df[category].fillna(未知) df[level] df[level].fillna(未评级) # 类型转换票价字符串去掉“元”字转数值 df[ticket_price] df[ticket_price].astype(str).str.replace(元, ).str.strip() df[ticket_price] pd.to_numeric(df[ticket_price], errorscoerce).fillna(0) # 日期统一 df[visit_date] pd.to_datetime(df[visit_date]) for _, row in df.iterrows(): # 城市不存在则创建 city, _ City.objects.get_or_create(namerow[city]) attraction, _ Attraction.objects.update_or_create( namerow[name], defaults{ city: city, address: row.get(address, ), category: row[category], level: row[level], ticket_price: row[ticket_price], description: row.get(description, ), } ) AttractionStats.objects.update_or_create( attractionattraction, visit_daterow[visit_date].date(), defaults{ visit_count: int(row[visit_count]), avg_stay_minutes: int(row.get(avg_stay_minutes, 0)), rating: float(row.get(rating, 0)), } ) print(导入完成)这段脚本是通用的批量导入模板先清洗再按城市创建或更新数据最后写入统计表。实际使用时把attractions_data.csv的列名替换成你本地的字段即可。5.2 批量导出数据导出是反向过程从 ORM 查询结果生成 DataFrame再输出 CSV 或 Excelimport pandas as pd from django.core.paginator import Paginator def export_attractions_to_csv(file_path): data [] # 分页读取避免一次加载过多记录占用内存 paginator Paginator(Attraction.objects.select_related(city).all(), 5000) for page_num in paginator.page_range: page paginator.page(page_num) for attr in page: data.append({ 景点名称: attr.name, 城市: attr.city.name if attr.city else , 景区等级: attr.level, 门票价格: float(attr.ticket_price) if attr.ticket_price else 0, 简介: attr.description, }) pd.DataFrame(data).to_csv(file_path, indexFalse, encodingutf-8-sig)这里用utf-8-sig编码是为了让 Excel 直接打开 CSV 不乱码。## 6. 可视化大屏设计与功能测试 ### 6.1 大屏页面结构 旅游景点信息可视化系统的大屏一般分为四个区域 1. 顶部系统标题、时间、关键指标卡。 2. 中部总游客量趋势图、热门景点 TOP10 柱状图。 3. 左侧城市景点数量饼图、景区等级分布玫瑰图。 4. 右侧景点评分排行、词云、热力地图。 模板页面可以用 Django 的 render 返回CSS/JS 走 static 目录。大屏尺寸建议按 1920x1080 设计用 rem 或百分比适配不同屏幕。 ### 6.2 ECharts 图表配置示例 下面是一个景点热度 TOP10 柱状图的 ECharts 配置。前端页面通过 Django 模板变量把数据渲染到 JavaScript 中 html !DOCTYPE html html langzh-CN head meta charsetUTF-8 title旅游景点可视化大屏/title script srchttps://cdn.jsdelivr.net/npm/echarts5/dist/echarts.min.js/script /head body div idchart stylewidth: 100%; height: 500px;/div script const chartData {{ chart_data | safe }}; const chart echarts.init(document.getElementById(chart)); chart.setOption({ title: { text: 热门景点游客量 TOP10, left: center }, tooltip: { trigger: axis }, xAxis: { type: category, data: chartData.map(item item.name), axisLabel: { rotate: 30 } }, yAxis: { type: value, name: 游客量 }, series: [{ type: bar, data: chartData.map(item item.visit_count), itemStyle: { color: #409EFF } }] }); window.addEventListener(resize, () chart.resize()); /script /body /html后端视图的示例数据可以这样组织from django.db.models import Sum from django.shortcuts import render from attractions.models import AttractionStats def dashboard(request): # 按景点聚合近30天游客总量 top_attractions ( AttractionStats.objects .values(attraction__name) .annotate(total_visitsSum(visit_count)) .order_by(-total_visits)[:10] ) chart_data [ {name: item[attraction__name], visit_count: item[total_visits]} for item in top_attractions ] return render(request, dashboard.html, {chart_data: chart_data})这里是一个完整的“模型聚合查询 - 模板渲染 - 图表展示”流程。6.3 大屏功能测试用例功能点测试方法预期结果关键指标卡检查总景点数、总游客量、平均评分数值与数据库聚合结果一致TOP10 柱状图检查排序、轴标签、鼠标悬浮提示按游客量降序显示城市分布地图切换省份、城市能显示对应区域数据时间筛选选择开始日期和结束日期图表随之刷新响应式缩放拖拽浏览器窗口大小图表自适应宽度判断大屏是否成功的标准是图表数据与数据库查询结果一致页面无 JS 报错时间筛选和城市筛选能正确联动。## 7. 大模型 Agent 接入与智能问答测试 ### 7.1 从大模型 API 到 Agent 这部分是系统最出彩的地方。接入 DeepSeek 之后用户不需要去看图表直接输入一句话系统就能给出数据解读和出行建议。 一个简单但完整的 Agent 流程可以设计为 text 用户提问 | v 意图识别规则 大模型判断 | v 数据查询Django ORM / REST API | v 结果生成DeepSeek 根据数据生成自然语言回答实际实现时不需要太复杂。第一步先用大模型判断用户想查什么意图第二步根据意图去数据库查询第三步把查询结果拼进 Prompt由大模型生成最终回答。7.2 后端对接 DeepSeek API这里用 Python 的requests库直接调用 OpenAI 兼容接口。为了安全API Key 放在 Django 环境变量或.env文件中不要写到模板里。import os import requests # 从环境变量读取不要硬编码 DEEPSEEK_API_KEY os.environ.get(DEEPSEEK_API_KEY) DEEPSEEK_API_URL https://api.deepseek.com/chat/completions def ask_deepseek_intent(user_query): payload { model: deepseek-chat, messages: [ { role: system, content: ( 你是一个旅游数据助手的意图识别模块。 请判断用户问题属于哪个意图 query_attraction, query_traffic, query_rating, query_recommend, other。 只输出意图标签不要输出其他内容。 ) }, {role: user, content: user_query} ], temperature: 0 } headers { Authorization: fBearer {DEEPSEEK_API_KEY}, Content-Type: application/json } resp requests.post(DEEPSEEK_API_URL, jsonpayload, headersheaders, timeout30) resp.raise_for_status() return resp.json()[choices][0][message][content].strip() def ask_deepseek_answer(user_query, data_context): payload { model: deepseek-chat, messages: [ { role: system, content: ( 你是旅游景点数据分析助手。 请根据提供的结构化数据用简洁的中文回答用户的问题 并给出合理的解释和建议。数据来源要描述为“系统统计数据”。 ) }, {role: user, content: f数据{data_context}\n问题{user_query}} ], temperature: 0.3 } headers { Authorization: fBearer {DEEPSEEK_API_KEY}, Content-Type: application/json } resp requests.post(DEEPSEEK_API_URL, jsonpayload, headersheaders, timeout60) resp.raise_for_status() return resp.json()[choices][0][message][content].strip()接入 Agent 时要重点做一件事把大模型输出限制在系统已有的数据结构范围内不要让模型“自由发挥”出不存在的数据。所以设计提示词时要告诉大模型“只能基于用户提供的结构化数据回答”。7.3 智能问答功能测试测试输入预期输出“游客量最多的五个景点是哪些”输出排名前五的景点和对应游客量“上个月哪个景点评分最高”按评分字段排名输出带解读“推荐一条三天两晚的北京文化游线路”根据景点数据生成线路建议“最近客流量下降明显吗”对比时间序列数据给出趋势判断测试时发现大模型回答与数据库不一致优先检查两处一是意图识别是否准确二是传给模型的数据上下文是否完整。如果数据上下文太长要按时间窗口截断或汇总后再拼入 Prompt。## 8. 接口 API 与批量任务设计 ### 8.1 为什么需要 API 层 如果只有一个大屏页面前端直接访问 Django 视图就够了。但系统要做到能复用、能对接移动端、能支持批量数据更新就必须把核心查询能力抽成 REST API。 这里优先推荐 Django REST Framework。在 attractions/views.py 中写一个最简 API python from rest_framework.decorators import api_view from rest_framework.response import Response from django.db.models import Sum from .models import Attraction, AttractionStats api_view([GET]) def top_attractions_api(request): days request.query_params.get(days, 30) top_items ( AttractionStats.objects .filter(visit_date__gterequest.query_params.get(start_date, 2024-01-01)) .values(attraction__name) .annotate(totalSum(visit_count)) .order_by(-total)[:10] ) return Response(list(top_items))在tourist_dashboard/urls.py中注册路由from django.contrib import admin from django.urls import path, include from attractions import views urlpatterns [ path(admin/, admin.site.urls), path(api/top-attractions/, views.top_attractions_api, nametop_attractions_api), path(api/, include(rest_framework.urls)), ]启动后可以直接用浏览器访问http://127.0.0.1:8000/api/top-attractions/也可以在命令行用 curl 验证curl http://127.0.0.1:8000/api/top-attractions/?days30返回 JSON[ { attraction__name: 西湖, total: 185000 } ]8.2 批量任务设计批量任务建议分成三种启动时批量导入用 Django management command 封装数据导入脚本例如python manage.py import_attractions --file data.csv。定时任务调度用 Celery 或系统 crontab 定时拉取数据更新景点统计表。异步 API 处理上传 CSV 后后台线程跑数据清洗和入库前端轮询导入进度。如果不想引 Celery先用 crontab 跑 management command 就足够。批量导入时要在脚本里加日志和错误捕获import logging logger logging.getLogger(__name__) for index, row in df.iterrows(): try: city, _ City.objects.get_or_create(namerow[city]) Attraction.objects.update_or_create(...) except Exception as exc: logger.error(f第 {index} 行导入失败: {exc}) continue8.3 通用 API 调用示例模板如果你已经有一个查询接口但要自己组装请求下面是通用的 Python 调用模板import requests API_BASE http://127.0.0.1:8000/api def fetch_top_attractions(start_date2024-01-01, days30): params {start_date: start_date, days: days} response requests.get(f{API_BASE}/top-attractions/, paramsparams, timeout10) if response.status_code ! 200: raise RuntimeError(fAPI error: {response.status_code}) return response.json()接口层注意加超时、限流、日志和权限控制。生产环境使用时要限制访问范围不要把接口完全暴露在公网。## 9. 资源占用与性能观察 ### 9.1 开发环境资源观察方法 Django 开发服务器默认是单进程的直接在浏览器访问大屏时如果数据量超过 10 万条页面会出现明显卡顿。观察性能可以从三处入手 1. **Django Debug Toolbar**查看每个请求执行的 SQL 数量和耗时。 2. **服务器监控面板**观察 CPU 和内存占用。 3. **浏览器开发者工具的 Network 面板**查看接口响应时间、静态资源加载时间。 安装 Django Debug Toolbar bash pip install django-debug-toolbar在settings.py和urls.py中按官方文档配置后页面右侧会显示 SQL 查询次数和耗时。这里重点观察是否出现 N1 查询问题尤其是视图里查询景点列表时没有select_related(city)或prefetch_related(stats)会导致大量重复 SQL。9.2 降低内存与提升响应速度在数据量变大后优先做以下几件事优化方向操作效果ORM 查询加select_related/prefetch_related减少 SQL 查询次数分页列表接口加PageNumberPagination降低单次响应数据量静态资源ECharts 用 CDN本地 JS/CSS 合并压缩减轻带宽压力数据缓存大屏聚合结果加 cache例如 Redis加速重复查询数据库索引对visit_date、attraction_id建索引加快聚合查询Django 缓存大屏聚合结果的示例from django.core.cache import cache def dashboard(request): cache_key top_attractions_data_30d chart_data cache.get(cache_key) if chart_data is None: # 执行聚合查询 top_attractions ... chart_data [...] cache.set(cache_key, chart_data, timeout60 * 5) return render(request, dashboard.html, {chart_data: chart_data})大屏的 5 分钟缓存足够日常展示后台数据更新后再主动清缓存即可。## 10. 常见问题与排查方法 | 问题现象 | 可能原因 | 排查方式 | 解决方案 | | --- | --- | --- | --- | | pip install 安装失败 | 网络问题、Python 版本不兼容 | 检查 pip 日志、python 版本 | 切换镜像源或升级 Python | | ModuleNotFoundError: django | 虚拟环境未激活 | pip list 检查包 | 激活虚拟环境后重新安装 | | 启动时 Port 8000 is in use | 8000 端口被占用 | netstat -ano | findstr 8000 | 换成 python manage.py runserver 8001 | | 页面打开但没有图表 | ECharts 未加载或数据为空 | 打开浏览器控制台查看 Network | 检查 CDN 是否可访问检查模板数据是否输 | | visit_date 字段格式错误 | Pandas 读取日期列类型不对 | 打印 df[visit_date].dtype | 使用 pd.to_datetime 统一转换 | | 大屏接口很慢 | 数据量大、没做缓存和索引 | Django Debug Toolbar 查看 SQL 耗时 | 建索引、加分页、加缓存 | | DeepSeek API 超时 | 网络问题或 Prompt 太长 | 查看后端日志手动测试 API 调用 | 增加 timeout缩短 Prompt加失败重试 | | API 返回跨域错误 | 未配置 CORS | 检查浏览器控制台报错 | 使用 django-cors-headers 配置白名单 | | 批量导入中途失败 | 数据中存在脏数据 | 检查导入日志 | 逐行捕获异常并跳过记录失败的索引 | | 大模型回答与数据库不一致 | 上下文数据不完整 | 检查传给模型的数据是否被截断 | 按时间维度聚合后再拼接限制输出固定格式 | Django 项目移动目录后启动报错通常是 SQLite 路径或静态文件路径失效检查 BASE_DIR 相关配置即可。11. 最佳实践与使用建议先说最容易踩的坑数据模型没有做好就被大量导入。一定要先花时间设计表结构确定好主键、外键、唯一约束再写导入脚本。否则后期改模型需要反复迁移数据一多就非常痛苦。然后是工程化建议第一次先小参数测试。先用 100 条数据跑通全流程再放大数据量。保留一套最小可运行配置。把数据库连接、API Key、缓存配置放到.env文件中随时可以重建环境。模型、输入素材、输出结果分目录管理。项目根目录下建议分为data/raw、data/cleaned、outputs、static。批量任务要加日志和失败重试。每条记录导入失败不能中断整个任务。接口服务要限制访问范围。开发和测试阶段绑定127.0.0.1生产环境使用 Nginx 反向代理。涉及地图数据、景点图片和 DeepSeek 生成内容时注意版权、授权和复核。生产部署优先用宝塔面板或 Docker。宝塔面板自带 Nginx、MySQL、Python 项目管理器Django 项目部署比较方便。11.1 代码分层建议Django 项目结构建议拆成以下层次tourist_dashboard/ |-- attractions/ # 业务 App | |-- models.py # 数据模型 | |-- views.py # 页面视图 | |-- api.py # REST API 视图 | |-- services.py # 业务逻辑/数据清洗 | |-- agent.py # 大模型 Agent 逻辑 | |-- management/ # 自定义命令 |-- data/ # 数据文件 |-- static/ # JS/CSS/图片 |-- templates/ # HTML 模板 |-- tourist_dashboard/ # 项目配置services.py和agent.py单独拆分是为了避免大模型 Prompt 和数据分析逻辑都堆在views.py里。视图只做请求处理和响应封装业务逻辑进服务层后续加测试也方便。11.2 Agent 提示词调优大模型 Agent 的效果好坏主要在提示词和数据上下文。几条通用经验给模型明确的数据字段名称和示例数据。要求模型只基于给定数据回答不能编造。对超出数据范围的问题先返回“系统暂未统计这个指标”。长文本回答控制在 150 字以内更适合大屏页面展示。如果模型返回 JSON可以约定response_format: {type: json_object}。## 12. 总结与下一步 这个 Python 旅游景点信息可视化系统最值得尝试的地方是把 Django、数据分析、ECharts 可视化大屏和 DeepSeek 大模型 Agent 放在一个完整项目里做到了“能看、能查、能问、能扩展”。 按顺序来先跑通数据导入和可视化大屏确认图表数据和数据库一致再接入 DeepSeek API测试意图识别和智能问答最后把常用查询抽成 REST API整理批量导入命令。最容易踩的坑是 ORM 查询慢和 Prompt 上下文不完整这两点提前做好规划后续会很省事。 如果想继续扩展可以在现有基础上加入评论情感分析、基于游客行为的推荐算法、城市热力图下钻、移动端小程序对接等功能。这套 Django 结构已经预留了接口层扩展方向的选择空间比较大。建议收藏备用。