计算机毕设答辩|大数据深度学习|计算机毕设项目|房屋租赁信息的数据分析与可视化
标题：房屋租赁信息的数据分析与可视化
文档介绍：
第一章 概述
1.1研究背景和意义
随着城市化进程的加速和人口流动性的增强，房屋租赁市场日益繁荣，成为解决住房问题的重要途径。然而，传统的房屋租赁信息分散、不透明，给租客和房东带来了诸多不便。在这一背景下，对房屋租赁信息进行数据分析与可视化研究，显得尤为重要。
首先，从租客角度来看，房屋租赁信息的分析与可视化能够帮助他们更快速、更准确地找到合适的房源。通过大数据技术，可以整合各类房屋租赁平台的信息，分析租金价格、地理位置、房屋类型等多个维度，为租客提供个性化的推荐服务。同时，可视化技术可以将复杂的房屋信息以直观、易懂的方式呈现出来，降低租客的信息筛选成本，提高租房效率。
其次，对于房东而言，房屋租赁信息的分析与可视化同样具有显著意义。通过对市场数据的深入分析，房东可以了解当前租赁市场的供需状况、价格趋势和租客偏好，从而制定更合理的租金策略和营销方案。此外，可视化技术还可以帮助房东更好地管理自己的房源，实时监控房屋状态和租客反馈，提升服务质量和客户满意度。
最后，从行业和社会层面来看，房屋租赁信息的分析与可视化研究有助于推动房屋租赁市场的规范化和透明化。通过对大量数据的挖掘和分析，可以揭示市场规律和潜在问题，为政府制定相关政策和法规提供数据支持。同时，可视化技术可以将市场动态以直观的方式展示给公众，增强市场参与者的信息对称性，促进公平竞争和健康发展。综上所述，房屋租赁信息的数据分析与可视化研究不仅具有现实的应用价值，还具有重要的社会意义和长远的发展前景。
1.2国内外发展现状
中国的房屋租赁市场在近年来经历了显著的变化和发展。随着城市化进程的加速和人口流动性的增强，租赁需求持续增长。2024年，中国的住房租赁市场规模已突破万亿，长租公寓、整租、短租等多种租赁形态百花齐放。数字化技术的应用在这一过程中发挥了重要作用。例如，数字化管理平台已经成为租赁企业的重要工具，通过统一的平台或系统，实现租赁合同的签订、租金收取、维修服务等各个环节的自动化和智能化管理。
在数据分析与可视化方面，基于大数据的城市租房信息可视化分析系统已经成为一种趋势。例如，利用Python网络爬虫抓取租房网站的租房信息，进行数据清洗和结构化处理，存储到数据库中，并通过Web系统进行统计分析与可视化展示。这种系统不仅可以帮助租客更快速地找到合适的房源，还可以为房东提供市场分析和决策支持。
在美国，租赁市场也经历了显著的变化。根据2024年的调查，22%的美国租户表示，他们的全部常规收入都用于支付房租。这一现象反映了租金上涨速度远快于工资增长，给许多租户带来了经济压力。尽管如此，由于购房成本的上升，租房仍然是一个受欢迎的选择。数字化技术在国外租赁市场的应用同样广泛，许多租赁平台通过大数据分析和人工智能技术来优化房源配置和提升用户体验。
在英国，租金成本也在不断上升。2024年，英国的平均月租金达到了1,270英镑，年租金成本比三年前高出27%。尽管租金增速有所放缓，但供需失衡依然存在，租房成本面临持续上行的压力。英国的租赁市场也在逐步采用数字化工具，以提高市场透明度和效率。
总体来看，房屋租赁信息的数据分析与可视化在国内外都呈现出快速发展的趋势。数字化技术的应用不仅提升了租赁市场的透明度和效率，还为租客和房东提供了更多的便利和服务。未来，随着技术的不断进步和政策的支持，房屋租赁市场将继续向智能化、透明化和高效化方向发展。企业和政策制定者需要密切关注市场动态，及时调整策略，以应对市场的变化和挑战。
1.3研究内容
本研究旨在开发一个基于Django、HTML、MySQL和随机森林技术的房屋租赁信息数据分析与可视化系统。系统针对用户需求，提供了丰富的数据可视化功能，包括区域房价分布图、热门房型分布图、房源聚类分析图、租金与面积关系相关性图、设施完善度与租金关系图、各区域房源聚类分布以及配套设施覆盖率等。这些图表直观地展示了房屋租赁市场的多维度信息，帮助用户全面了解市场动态。同时，系统还集成了租金预测功能，利用随机森林算法对房屋租金进行精准预测，为用户的租赁决策提供有力支持。
对于管理员，系统不仅提供了与用户相同的数据大屏查看和租金预测权限，还增加了用户管理和数据管理功能。管理员可以通过用户管理模块对系统用户进行监控、管理和反馈处理，确保系统的安全稳定运行。数据管理模块则允许管理员对房屋租赁数据进行导入、导出、编辑和删除等操作，保证数据的实时更新和准确性。本研究通过融合多种技术，实现了房屋租赁信息的深度分析与可视化展示，为房屋租赁市场提供了高效、便捷的数据分析与决策支持工具。
第二章 开发工具及技术介绍
2.1Django简介
Django简单来说就是python的应用的web框架，它拥有和springMVC类似的工作原理，提供MVT框架模式以提高系统的开发效率。M层就是模型层，在java应用中需要mybatis这样的ORM（对象模型映射）框架，但是Django内置了ORM框架的类库，这样就省去了额外的配置，减少了使用上的困难。另外，值得一提的是，框架对controller控制层进一步进行了封装，成为了更符合开发模式的路由，由路由来分发具体的操作请求，主要通过在相应的配置文件中进行配置，所以通过使用Django就能快速搭建一个web系统服务器。
2.2 Spark简介
Apache Spark，作为一款开源的大规模数据处理框架，凭借其迅速、便捷和全面的特点，在大数据领域迅速崛起。作为Hadoop的升级换代产品，Spark不仅保留了Hadoop的分布式存储和计算优势，更在性能和用户体验上实现了质的飞跃。通过RDD，用户可以精细地掌控数据分布和并行操作的每一个细节。
此外，Spark还提供了一系列丰富的API和高级工具，如Spark SQL、Spark Streaming、MLlib和GraphX等，为开发者搭建复杂的数据处理管道和应用程序提供了极大的便利。
Spark的卓越性能主要归功于其创新的内存计算模型。通过将数据缓存至内存，Spark大幅减少了磁盘I/O操作，从而实现了计算速度的显著提升。在实际应用中，Spark处理大规模数据集的速度往往比传统MapReduce框架快数十倍甚至数百倍。
在易用性方面，Spark同样表现出色。它支持多种主流编程语言，包括Scala、Python、Java和R等，满足了不同背景开发者的需求。而其通用性则体现在对各种数据类型的全面支持，成为了大数据处理领域的佼佼者。如图2-3所示。
|
|
图2-3 Spark运行架构图
RDD（弹性分布式数据集）的分区与工作节点分布关系是Apache Spark实现高效并行计算的关键。在Spark中，RDD被划分为多个分区，每个分区是一个数据集的子集，这些分区被分布式地存储在集群中的不同工作节点上。分区策略可以根据数据的关键字或自定义规则进行，以确保数据在节点间的均匀分布。工作节点负责处理分配给它的分区数据，执行相应的转换和行动操作。这种分布方式使得Spark能够充分利用集群的计算资源，实现数据的并行处理。当执行任务时，Spark会根据分区信息将任务分配给对应的工作节点，节点上的Executor负责执行任务并处理本地数据，从而减少了数据在网络中的传输，提高了计算效率。此外，RDD的分区机制还支持数据的本地化优化，如数据本地性和 rack本地性，进一步提升了Spark的性能和可扩展性。因此，RDD的分区与工作节点分布关系是Spark实现高效、可扩展大数据处理的基础。如图2-4所示。
图2-4 RDD的分区与工作节点分布关系
2.3 MySQL数据库简介
MySQL数据库概述
MySQL，一款备受青睐的开源关系型数据库管理系统，以其出色的性能、稳健的运行和友好的操作界面在众多数据库中独树一帜。自1995年由瑞典的MySQL AB公司初创以来，MySQL凭借其强大的跨平台能力，兼容多种操作系统，已成为Web应用开发的坚实后盾。
该数据库采用C和C++编程语言精心打造，严格遵循SQL标准，提供了多样化的数据类型和存储引擎，如InnoDB、MyISAM等，灵活应对各种应用场景。其分布式架构设计，使得MySQL能够高效处理大规模数据存储和查询任务，并通过主从复制、集群等先进技术，确保数据的高可用性和负载均衡。
在安全性方面，MySQL内置了完善的安全机制，包括严格的用户权限管理和数据加密功能，为数据的安全性和完整性提供了有力保障。作为开源软件，MySQL拥有庞大的社区支持，持续有新的功能和优化加入，使其在云计算和大数据时代依然保持旺盛的生命力。
MySQL的广泛应用得益于其卓越的灵活性和可扩展性。从中小型网站到大型互联网巨头，如Facebook、Twitter等，都信赖MySQL来处理海量数据。其简洁的操作界面和丰富的开发工具，如phpMyAdmin、DBeaver等，大大降低了数据库管理的难度，让开发者能够更专注于业务逻辑的实现。
此外，MySQL良好的兼容性和可移植性，使其在多种编程语言和开发框架中都能得到完美支持。无论是数据库初学者还是资深管理员，都能在MySQL丰富的文档和教程中找到所需，快速上手并深入掌握。
随着技术的不断进步，MySQL也在不断进化，加入了JSON支持、窗口函数等现代化数据库特性，以适应日益复杂的数据处理需求。总之，MySQL作为一款成熟、稳定、高效的数据库系统，将继续在数据存储和管理领域扮演关键角色。
2.4 随机森林简介
随机森林（Random Forest）是一种集成学习算法，通过构建多个决策树并进行投票或平均来进行预测。它属于袋装法（Bagging）的一个实例，每棵决策树在训练时使用不同的样本子集，从而减少了过拟合的风险。每棵树在选择分裂特征时也进行随机选择，这使得每棵树的结构都不同，从而增加了模型的多样性和准确性。随机森林特别适用于分类和回归任务，能够处理高维度和复杂数据。
随机森林具有较强的鲁棒性，能够自动处理缺失值和不平衡数据，并且对异常值不敏感。与单棵决策树相比，随机森林通过集成多个弱学习器，显著提高了预测的稳定性和准确性。此外，随机森林的训练过程并行化容易，因此在大规模数据集上表现优异，训练时间较短，且对计算资源的需求相对较低。
图2-5 随机森林工作流程
在模型解释性方面，随机森林虽然表现优秀，但由于其集成的性质，较难直接理解每棵树的决策过程。然而，通过特征重要性评估等方法，用户可以了解哪些特征对模型预测影响较大。随机森林广泛应用于医学诊断、金融风控、图像识别等领域，是数据科学中常用的强大工具。
2.5 Echarts简介
Echarts，即Enterprise Charts。Echarts采用基于配置的方式生成图表，用户只需通过简单的JSON格式配置即可实现丰富的数据可视化效果，极大地简化了开发过程。其高效的渲染引擎和优化的内存管理，确保了在大数据量下的流畅展示。此外，Echarts还提供了丰富的交互功能，如缩放、平移、点击、悬浮等，使得用户能够更直观地探索数据。Echarts的跨平台特性也使其在各种设备上都能保持一致的表现，无论是PC端还是移动端，都能提供优质的视觉[7]。
第三章 系统分析
3.1功能需求分析
本系统基于Django、HTML、MySQL和随机森林技术，旨在为用户提供全面的房屋租赁信息数据分析与可视化服务。用户登录后，需能够查看区域房价分布图、热门房型分布图、房源聚类分析图等多维度图表，以直观了解市场动态。此外，系统还应提供租金与面积关系相关性图、设施完善度与租金关系图等深度分析功能，帮助用户精准把握市场规律。各区域房源聚类分布和配套设施覆盖率的展示也是必备功能，以辅助用户进行区位选择。同时，系统需集成租金预测模块，利用随机森林算法为用户提供准确的租金预测服务。
对于管理员，系统除提供与用户相同的数据大屏查看和租金预测功能外，还需增加用户管理和数据管理模块。用户管理模块应包括用户监控、权限设置、反馈处理等功能，以确保系统安全稳定运行。数据管理模块则需支持房屋租赁数据的导入、导出、编辑和删除操作，保证数据的实时性和准确性。通过这些功能，管理员能够高效地管理系统和数据，为用户提供更优质的服务。整体而言，系统需在保证用户体验的同时，满足管理员的管理需求，实现房屋租赁信息的全面、深入分析与可视化展示。
3.2系统可行性分析
3.2.1技术可行性
本系统采用Django、HTML、MySQL和随机森林技术，从技术层面来看，实现房屋租赁信息的数据分析与可视化完全可行。Django作为强大的Python后端框架，提供了丰富的模块和工具，能够高效地处理数据请求和业务逻辑，确保系统的稳定性和可扩展性。HTML作为前端展示技术，结合CSS和JavaScript，能够打造出直观、交互性强的用户界面，满足用户对数据可视化图表的查看需求。MySQL作为成熟的数据库管理系统，具备强大的数据存储和处理能力，能够保证房屋租赁数据的安全性和完整性。随机森林算法在机器学习中以其高准确性和鲁棒性著称，适用于租金预测等复杂任务，能够为用户提供可靠的预测结果。
此外，管理员功能的实现也具备技术可行性。通过Django的权限管理系统，可以轻松区分用户和管理员的角色，实现不同的功能权限分配。管理员不仅可以查看数据大屏和进行租金预测，还可以通过后端接口进行用户管理和数据管理。用户管理包括用户信息的增删改查、权限设置等，数据管理则涵盖房屋租赁数据的导入、导出、编辑和删除等操作。这些功能都可以通过Django的模型-视图-控制器（MVC）架构来实现，确保系统的逻辑清晰和易于维护。综上所述，从技术选型到功能实现，本系统都具备充分的技术可行性，能够顺利开发和部署。
3.2.2 经济可行性
从经济角度审视，本房屋租赁信息数据分析与可视化系统具有较高的可行性。首先，在技术选型上，Django、HTML、MySQL以及随机森林均为开源技术，极大地降低了软件许可费用。此外，这些技术成熟稳定，拥有广泛的社区支持和丰富的学习资源，减少了开发过程中的人力成本和时间成本。系统上线后，通过提供精准的租金预测、详尽的市场分析图表等功能，能够吸引大量用户使用，进而通过广告、会员服务等方式实现盈利，保证系统的经济可持续性。
其次，系统在运营维护方面的经济投入也较为可控。MySQL数据库的高效性能确保了数据处理的快速与稳定，减少了因系统故障导致的维护成本。同时，Django框架的灵活性和可扩展性使得系统在面对未来业务增长时，能够以较低的成本进行升级和扩展。管理员功能的设计，使得用户管理和数据管理更加便捷，进一步降低了人工管理成本。综上所述，本系统在开发、运营和维护等方面均显示出良好的经济可行性，有望实现投资回报和长期稳定发展。
3.2.3 社会可行性
本房屋租赁信息数据分析与可视化系统在社会层面上具有显著的可行性。首先，随着城市化进程的加快和住房市场的持续发展，房屋租赁信息的需求日益增长。本系统通过提供区域房价分布图、热门房型分布图等多维度的数据可视化功能，能够帮助用户更直观、全面地了解市场动态，满足社会对高效、透明房屋租赁信息的需求。此外，租金预测功能的实现，能够为租户和房东提供决策依据，促进房屋租赁市场的稳定和健康发展。
其次，从社会管理角度来看，本系统为管理员提供了强大的用户管理和数据管理功能，有助于规范房屋租赁市场秩序。管理员可以通过系统监控用户行为、处理异常数据，保障信息的真实性和准确性，从而增强社会公众对房屋租赁市场的信任度。同时，系统的开放性和共享性也符合现代社会对信息资源共建共享的趋势，有助于提升社会整体的信息化水平。综上所述，本系统在满足社会需求、促进市场发展、规范市场秩序等方面均表现出较高的社会可行性，具有广阔的应用前景和社会价值。
3.3流程图设计
本系统的流程图设计以用户和管理员两大角色为核心，展现了从登录到具体功能操作的完整流程。用户登录后，系统首先验证身份，随后进入数据可视化界面，展示区域房价分布图、热门房型分布图等关键信息。用户可进一步选择查看详细分析图表或进行租金预测。预测流程中，系统调用随机森林模型，分析输入特征，输出预测结果。管理员登录后，除享有用户所有功能外，还可进入管理后台，进行用户管理和数据管理操作。流程图中，各功能模块以清晰的结构和流向连接，确保了系统操作的逻辑性和直观性，为系统的开发和使用提供了明确的指导。
3.3.1 登录流程图
登录流程是该系统的第一个流程，登录的第一步是输入账号、密码登录，系统会验证账号与密码是否正确，正确时系统会判断账号类型再进入不同的后台；不正确时，会返回到登录的第一步，输入用户重新执行登录流程。该流程如图3-1所示。
图3-1登录流程图
3.3.2 注册流程图
在进入到系统的网站以后，点击注册用户按钮，用户就进入到了用户注册界面，输入用户自身的并且界面上有的信息以后，再点击注册按钮，就可以成为本系统的普通用户了。其用户注册流程如图3-2所示。
图3-2 用户注册流程图
3.3.3 添加新用户流程图
添加新用户的流程是先查询新用户名是否已存在，如已有该用户名，需重拟用户名并同时输入新用户的其它信息，添加新用户到数据库时会先验证数据是否完整，信息都正确且完整时，返回并刷新用户列表；信息不正确时，会返回输入信息的那一步。该流程如图3-3所示。
图3-3添加新用户流程图
第四章 系统概要设计
4.1系统数据设计
4.1.1 系统总体流程
本房屋租赁信息数据分析与可视化系统总体流程分为用户流程和管理员流程两大主线。用户首先通过登录界面输入账号密码，系统验证无误后进入主界面。在主界面中，用户可以直观地查看区域房价分布图、热门房型分布图、房源聚类分析图等多维度数据图表。若需深入了解，用户可进一步探索租金与面积关系相关性图、设施完善度与租金关系等详细分析。此外，系统还提供租金预测功能，用户输入相关参数后，系统利用随机森林模型进行计算，并展示预测结果。
管理员流程则在用户流程基础上增加了管理功能。管理员登录后，不仅能够查看与用户相同的数据大屏和进行租金预测，还可进入管理后台。在管理后台中，管理员负责用户管理，包括用户信息的增删改查、权限分配等操作，确保系统安全稳定运行。同时，管理员还负责数据管理，包括房屋租赁数据的导入、导出、编辑和删除等，保证数据的实时性和准确性。整个系统流程设计清晰、逻辑严密，既满足了用户的信息需求，又实现了管理员的高效管理。
4.1.2 数据分析设计
数据分析是数据存储的前置工作。在数据分析过程中，需要对数据进行评估、格式转换、处理重复值、数据整合等操作。获取到的原始数据往往包含噪声和异常值，因此数据分析环节至关重要。使用Pandas库对数据进行预处理，包括去除空值、标准化处理和异常值检测。接着，通过特征工程提取出影响租赁的关键因素，数据分析的过程不仅提高了数据的可用性，也为数据展示的准确性提供了保障。
图4-1 系统数据分析流程图
4.1.3 数据存储设计
为了高效地管理和存储分析后的数据，采用了Django框架提供的ORM系统。通过定义模型类，将数据结构与数据库表进行映射，实现了数据的结构化存储。选择了MySQL作为后端数据库，因为它具有较好的稳定性和性能。在数据存储过程中，采用了事务处理来保证数据的一致性，并通过索引优化查询效率。这样，数据结果和关键数据得以安全、高效地存储，便于后续的查询和分析。
图4-2 系统数据存储流程图
4.1.4 数据可视化设计
系统使用ECharts、Vue和后端Django进行数据的可视化和展示的实现，ECharts是开源的可视化图表库，提供了许多种可视化图表组件，可以快速生成许多种图表，如饼状图、折线图等。Vue是一个轻量级框架，而且易于上手，并可以将ECharts的图表组件嵌入到Vue组件中，方便了在Vue应用中实现数据可视化。
图4-3 数据可视化面板功能结构图
在数据可视化的实现中，需要根据业务需求，可以选择合适的可视化图表组件，设置数据源和样式，通过ECharts提供的API对数据和样式进行控制，实现用户画像的可视化展示。同时，为了更加方便用户数据的交互，还需要使用Vue中提供的事件和组件绑定等功能实现数据的实时更新和交互式响应。
图4-4 数据可视化面板设计图
4.2功能模块设计
本系统功能模块设计清晰，分为用户模块和管理员模块。用户模块包括数据可视化与租金预测两大子模块，其中数据可视化子模块通过Django后端处理MySQL数据库中的房屋租赁信息，利用HTML前端展示区域房价分布图、热门房型分布图、房源聚类分析图等，直观展现市场动态；租金预测子模块则基于随机森林算法，分析租金与面积、设施完善度等因素的关系，为用户提供精准预测。管理员模块在涵盖用户模块所有功能的基础上，增设用户管理子模块和数据管理子模块，实现用户信息的增删改查、权限设置以及房屋租赁数据的导入、导出、编辑和删除等功能，确保系统安全稳定运行和数据实时更新。整体设计注重用户体验与管理效率，实现房屋租赁信息的高效分析与可视化展示。系统总体功能如图4-6所示。
图4-5 系统总体结构图
4.3系统算法设计
从前后端交互的角度来看，本房屋租赁信息数据分析与可视化系统的算法设计注重高效、流畅的用户体验。前端采用HTML技术构建可视化界面，通过AJAX与后端进行异步数据交互。用户在界面上发起数据查询或分析请求时，前端将请求参数封装后发送至后端Django服务器。后端接收到请求后，根据参数调用相应的数据处理模块，如查询数据库、执行随机森林模型等，并将处理结果返回给前端。前端接收到数据后，利用图表库ECharts将数据渲染为直观的图表，展示给用户。这种前后端分离的设计模式有效降低了服务器负载，提升了系统响应速度和用户体验。
图4-6前后端分析通信流程图
在随机森林算法方面，系统利用其强大的预测能力和对复杂数据关系的处理能力，为用户提供准确的租金预测服务。首先，系统通过MySQL数据库收集并整理房屋租赁相关数据，包括房屋位置、面积、房型、设施完善度等特征。接着，利用这些特征训练随机森林模型。在模型训练过程中，系统采用bootstrap抽样方法生成多个子集，每个子集训练一棵决策树，确保模型的鲁棒性和泛化能力。决策树在生长过程中，通过信息增益或基尼不纯度等指标选择最优分裂特征，直至达到预设的树深度或叶子节点数量。训练完成后，多棵决策树组成随机森林，通过投票机制得出最终预测结果.
图4-7随机森林流程图
当用户发起租金预测请求时，系统将用户输入的房屋特征参数传入随机森林模型。模型经过计算，输出预测租金值，并通过前后端交互流程将结果展示给用户。此外，系统还定期对随机森林模型进行更新和优化，以适应市场变化和新的数据特征，确保预测结果的准确性和时效性。整个算法设计前后端协同高效，随机森林模型精准强大，共同支撑起房屋租赁信息数据分析与可视化的核心功能。
4.4 数据库设计
4.4.1数据库设计原则
在房屋租赁信息的数据分析与可视化中，数据库设计遵循高效性、可扩展性、一致性和安全性四大原则。首先，高效性原则要求数据库能够快速处理海量数据，通过合理的数据分区、索引优化和查询优化等技术，确保数据读写的高效性。其次，可扩展性原则考虑到数据量的持续增长，设计时应采用分布式存储架构HDFS，以便于水平扩展，满足未来数据增长的需求。一致性原则强调数据在不同节点间的同步和准确性，采用Spark的分布式计算框架确保数据一致性和完整性。最后，安全性原则是保障数据不被非法访问和篡改，通过数据加密、访问控制和安全审计等措施，确保数据的安全性和隐私保护。整体而言，这些原则共同构成了一个稳定、高效、可扩展且安全的数据库架构，为房屋租赁信息的数据分析与可视化 提供了坚实的数据基础。
4.4.2数据库E-R图设计
E-R图，也称为实体-关系图，其主要功能是展现不同数据类型之间的关联性，作为一种抽象化的概念模型，它反映了现实世界的结构。该图的核心组成部分包括实体类型、属性以及关系。以下是本系统所采用的主要E-R图展示。用户E-R如图4-8所示。
图4-8用户E-R图
4.4.3数据库表结构设计
本系统所使用的数据库为MySQL，依据系统数据存储的特性进行了数据库关系表的规划。接下来将展示系统中关键部分关系表的详细资料。以下为本系统核心的数据表展示。
1、auth_group[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
2 |
name |
varchar(150) |
150 |
NO |
-- |
-- |
-- |
2、auth_group_permissions[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
bigint(20) |
-- |
NO |
-- |
0 |
-- |
|
2 |
group_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
3 |
permission_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
3、auth_permission[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
2 |
name |
varchar(255) |
255 |
NO |
-- |
-- |
-- |
|
3 |
content_type_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
4 |
codename |
varchar(100) |
100 |
NO |
-- |
-- |
-- |
4、auth_user[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
2 |
password |
varchar(128) |
128 |
NO |
-- |
-- |
-- |
|
3 |
last_login |
datetime(6) |
-- |
YES |
-- |
-- |
-- |
|
4 |
is_superuser |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
5 |
username |
varchar(150) |
150 |
NO |
-- |
-- |
-- |
|
6 |
first_name |
varchar(150) |
150 |
NO |
-- |
-- |
-- |
|
7 |
last_name |
varchar(150) |
150 |
NO |
-- |
-- |
-- |
|
8 |
|
varchar(254) |
254 |
NO |
-- |
-- |
-- |
|
9 |
is_staff |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
10 |
is_active |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
11 |
date_joined |
datetime(6) |
-- |
NO |
-- |
-- |
-- |
5、auth_user_groups[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
bigint(20) |
-- |
NO |
-- |
0 |
-- |
|
2 |
user_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
3 |
group_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
6、auth_user_user_permissions[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
bigint(20) |
-- |
NO |
-- |
0 |
-- |
|
2 |
user_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
3 |
permission_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
7、django_admin_log[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
2 |
action_time |
datetime(6) |
-- |
NO |
-- |
-- |
-- |
|
3 |
object_id |
longtext |
4294967295 |
YES |
-- |
-- |
-- |
|
4 |
object_repr |
varchar(200) |
200 |
NO |
-- |
-- |
-- |
|
5 |
action_flag |
smallint(5) unsigned |
-- |
NO |
-- |
0 |
-- |
|
6 |
change_message |
longtext |
4294967295 |
NO |
-- |
-- |
-- |
|
7 |
content_type_id |
int(11) |
-- |
YES |
-- |
0 |
-- |
|
8 |
user_id |
int(11) |
-- |
NO |
-- |
0 |
-- |
8、django_content_type[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
2 |
app_label |
varchar(100) |
100 |
NO |
-- |
-- |
-- |
|
3 |
model |
varchar(100) |
100 |
NO |
-- |
-- |
-- |
9、django_migrations[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
bigint(20) |
-- |
NO |
-- |
0 |
-- |
|
2 |
app |
varchar(255) |
255 |
NO |
-- |
-- |
-- |
|
3 |
name |
varchar(255) |
255 |
NO |
-- |
-- |
-- |
|
4 |
applied |
datetime(6) |
-- |
NO |
-- |
-- |
-- |
10、django_session[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
session_key |
varchar(40) |
40 |
NO |
-- |
-- |
-- |
|
2 |
session_data |
longtext |
4294967295 |
NO |
-- |
-- |
-- |
|
3 |
expire_date |
datetime(6) |
-- |
NO |
-- |
-- |
-- |
11、house_houserental[--]
|
序号 |
字段名 |
类型 |
长度 |
是否为空 |
默认值 |
小数位 |
注释 |
|
1 |
id |
bigint(20) |
-- |
NO |
-- |
0 |
-- |
|
2 |
link |
longtext |
4294967295 |
NO |
-- |
-- |
-- |
|
3 |
website |
varchar(50) |
50 |
NO |
-- |
-- |
-- |
|
4 |
community |
varchar(100) |
100 |
NO |
-- |
-- |
-- |
|
5 |
address |
longtext |
4294967295 |
NO |
-- |
-- |
-- |
|
6 |
city |
varchar(50) |
50 |
NO |
-- |
-- |
-- |
|
7 |
district |
varchar(50) |
50 |
NO |
-- |
-- |
-- |
|
8 |
price |
double |
-- |
NO |
-- |
-- |
-- |
|
9 |
rooms |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
10 |
bathrooms |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
11 |
living_rooms |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
12 |
area |
double |
-- |
NO |
-- |
-- |
-- |
|
13 |
orientation |
varchar(50) |
50 |
YES |
-- |
-- |
-- |
|
14 |
floor |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
15 |
total_floors |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
16 |
has_balcony |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
17 |
publisher_type |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
18 |
has_bed |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
19 |
has_wardrobe |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
20 |
has_sofa |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
21 |
has_tv |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
22 |
has_fridge |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
23 |
has_washing_machine |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
24 |
has_air_conditioner |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
25 |
has_water_heater |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
26 |
has_internet |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
27 |
has_gas |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
28 |
has_heating |
tinyint(1) |
-- |
NO |
-- |
0 |
-- |
|
29 |
longitude |
double |
-- |
NO |
-- |
-- |
-- |
|
30 |
latitude |
double |
-- |
NO |
-- |
-- |
-- |
|
31 |
distance_to_school |
double |
-- |
NO |
-- |
-- |
-- |
|
32 |
number_of_schools |
int(11) |
-- |
NO |
-- |
0 |
-- |
|
33 |
distance_to_hospital |
double |
-- |
NO |
-- |
-- |
-- |
|
34 |
number_of_hospitals |
int(11) |
-- |
NO |
-- |
0 |
-- |
第五章 系统功能实现
5.1 数据可视化实现结果展示
该数据可视化面板实现了多个关键功能模块，包括区域房价分布、热门房型分布、房源聚类分析、租金与面积的相关性分析、设施完善度与租金的关系、各区域房源聚类分布以及配套设施覆盖率统计。每个模块通过直观的图表形式展示了不同维度的房屋租赁信息，例如柱状图显示了各区域的平均租金和房源数量，饼图揭示了不同房型的占比情况，散点图分析了租金与面积的线性关系，而条形图则比较了各区域的房源类型分布。此外，设施覆盖率模块详细列出了各种设施的配备比例，为用户提供了全面的参考依据。数据大屏具体实现如5-1所示：
图5-1 数据大屏
热门房型分布图首先由系统从数据库中提取各房型的数量数据，并进行预处理，计算每种房型在总房源中的占比。接着，利用前端可视化库ECharts的饼图组件，将房型数据转换为饼图所需的格式，包括房型名称、占比和对应颜色。在绘制饼图时，设置饼图为空心样式，通过调整内外半径的比例实现空心效果。不同房型使用不同颜色进行区分，颜色份额的大小直观反映各房型的占比情况。最后，将绘制好的饼图嵌入到数据可视化面板中，用户可通过交互式界面查看详细数据，实现直观、清晰的热门房型分布展示。热门房型分布界面效果图如图5-2所示：
图5-2热门房型分布
区域房价分布图通过系统从数据库中提取各区域的平均租金和房源数量数据。接着，使用前端可视化ECharts创建一个组合图表，其中柱状图用于表示平均租金，曲线图用于表示房源数量。在图表配置中，设置x轴为区域名称，左y轴为平均租金，右y轴为房源数量，并确保两个y轴的刻度范围和单位适当。然后，将提取的数据分别绑定到柱状图和曲线图，通过柱状图的高度展示各区域平均租金的多少，通过曲线图的起伏展示房源数量的变化。最后，将绘制好的组合图表嵌入到数据可视化面板中，用户可以直观地比较不同区域的房价水平和房源供应情况。区域房价分布界面效果图如图5-3所示：
图5-3区域房价分布
房源聚类分析图首先由系统从数据库中提取房源的面积和租金数据。接着，使用数据预处理技术对数据进行清洗和标准化，以确保数据的一致性和准确性。然后，应用随机森林进行聚类分析，将房源划分为不同的聚类群体。接下来，利用前端可视化库ECharts创建散点图，设置x轴为面积，y轴为租金。将聚类结果以不同颜色或形状的散点形式展现在图中，每个点代表一个房源，其位置由面积和租金决定。最后，将散点图嵌入到数据可视化面板中，用户可以通过交互式界面查看不同聚类群体的分布情况，从而直观地了解房源在面积和租金维度上的聚类特征。房源聚类分析界面效果图如图5-4所示：
图5-4房源聚类分析
配套设施覆盖率信息表的实现首先由系统从数据库中提取房屋租赁信息中的配套设施数据，包含空调、床、电视等。通过数据处理和分析，计算每类设施在所有房源中的出现频率，即覆盖率。随后，利用前端技术HTML建信息表，设定表格列项包括设施名称和覆盖率。通过遍历分析结果，将数据自动填充至信息表中相应位置。最终，该信息表以清晰、直观的方式集成于数据可视化面板，便于用户快速了解各类配套设施的市场普及情况。配套设施覆盖率界面效果图如图5-5所示：
图5-5配套设施覆盖率
5.2 功能模块展示
用户在进入登录界面之后需要输入账号、密码再点击登录按钮，后台会对用户输入的用户名和密码进行验证，确保符合规定的格式要求。将用户输入的密码进行加密处理，与数据库中存储的用户密码进行比对，判断是否匹配。登录的具体实现图如图5-6所示。
图5-6登录界面
用户点击租金预测可以填写房间数、面积、总楼层、客厅数等信息之后可以对其进行预测，用户输入房间数、面积、总楼层、客厅数等房屋特征后，系统将这些数据传递给后端的机器学习模型。该模型基于大量历史租赁数据训练而成，能够识别出房屋特征与租金之间的潜在关系。模型接收到输入特征后，通过复杂的算法运算，对每个特征进行权重分配和综合评估，最终生成一个预测的租金值。这一预测过程融合了数据挖掘和人工智能技术，确保了预测结果的准确性和可靠性，为用户提供了科学的租金参考。租金预测具体实现图如图5-7所示：
图5-7 租金预测
管理员点击用户管理可以看到用户名、最后登录、是否管理员等信息，可以对其进行查看、修改、删除、新增等操作，上方搜索框可以对用户进行检索，用户管理具体实现图如图5-8所示：
图5-8 用户管理
管理员点击数据管理模块可以看到小区、详细地址、价格等信息，可以对其进行查看、修改、删除、新增等操作，上方搜索框可以对关键字进行检索。数据管理模块具体实现图如图5-9所示：
图5-9数据管理
第六章 系统测试
6.1 测试目的
验证功能：测试用例被设计用于检查系统是否按照规格说明书中所描述的方式正确工作。目的是确认系统能够执行预期的功能，并处理各种输入情况。
发现错误：通过测试，可以发现软件系统中的错误、缺陷漏洞。这些问题可能导致系统崩溃、产生错误的输出不符合预期行为。测试旨在尽早发现和修复这些问题，以提高软件的质量和可靠性。
6.2 功能测试
下表是系统登录功能测试用例。
表6-1 系统登录功能测试用例
|
功能描述 |
用于系统登录 | |
|
测试目的 |
检测登录时的合法性检查 | |
|
测试数据以及操作 |
预期结果 |
实际结果 |
|
输入的用户名和密码带有非法字符 |
提示用户名者密码错误 |
与预期结果一致 |
|
输入的用户名者密码为空 |
提示用户名者密码错误 |
与预期结果一致 |
|
输入的用户名和密码不存在 |
提示用户名者密码错误 |
与预期结果一致 |
|
输入正确的用户名和密码 |
登录成功 |
与预期结果一致 |
下表是注册功能测试用例，检测了各种数据的输入情况。
表6-2 注册功能测试用例
|
功能描述 |
用于用户注册 | |
|
测试目的 |
检测用户注册时的合法性检查 | |
|
测试数据以及操作 |
预期结果 |
实际结果 |
|
输入的手机号不合法 |
提示请输入正确的手机号码 |
与预期结果一致 |
|
输入的字段为空 |
提示必填项不能为空 |
与预期结果一致 |
|
输入的密码少于6位 |
提示密码必须为6-12位 |
与预期结果一致 |
|
输入的密码大于12位 |
提示密码必须为6-12位 |
与预期结果一致 |
前置条件；用户登录系统。
表6-3 房源信息管理的测试用例
|
功能描述 |
用于房源信息管理 | |
|
测试目的 |
检测房源信息管理时的各种操作的运行情况 | |
|
测试数据以及操作 |
预期结果 |
实际结果 |
|
点击添加房源信息，必填项合法输入，点击保存 |
提示添加成功 |
与预期结果一致 |
|
点击添加房源信息，必填项输入不合法，点击保存 |
提示必填项不能为空 |
与预期结果一致 |
|
点击修改房源信息，必填项修改为空，点击保存 |
提示必填项不能为空 |
与预期结果一致 |
|
点击修改房源信息，必填项输入不合法，点击保存 |
提示必填项不能为空 |
与预期结果一致 |
|
点击删除房源信息，选择房源信息删除 |
提示删除成功 |
与预期结果一致 |
|
点击搜索房源信息，输入存在的房源信息名 |
查找出房源信息 |
与预期结果一致 |
|
点击搜索房源信息，输入不存在的房源信息名 |
不显示房源信息 |
与预期结果一致 |
6.3性能测试
确保稳定性：测试可以评估系统的稳定性和健壮性。通过模拟不同的使用场景和负载条件，测试可以帮助确定系统在正常和异常情况下的表现，并检查系统是否能够适应不同的环境和工作负载。
性能评估：测试可以评估系统的性能，并确定其在各种负载条件下的响应时间、吞吐量和资源利用率等指标。通过性能测试，可以发现系统的瓶颈和性能问题，并进行优化改进。
验证需求：测试可以用来验证系统是否满足用户需求和规格说明书中的要求。通过与需求进行比较，可以确保系统的设计和实现符合预期，并满足用户的期望和需求。
