蔚来汽车销售数据可视化分析

DY.memory

620人浏览 · 2026-04-20 03:19:58

DY.memory · 2026-04-20 03:19:58 发布

蔚来汽车销售数据可视化分析平台

项目概述

本文详细介绍一个基于 Django 开发的蔚来汽车销售数据可视化分析平台。该项目从零开始构建了一套完整的数据采集、数据存储、数据展示、数据分析和个性化推荐系统，帮助用户深入了解蔚来汽车的市场表现。

项目在线演示地址：小红书

项目 GitHub：主页Github

目录结构

Car_Sales/
├── Car_Sales/                      # Django 项目配置目录
│   ├── settings.py                 # 项目配置文件
│   ├── urls.py                     # 全局路由配置
│   └── db_config.py                # 数据库配置
├── sales/                          # 核心业务应用
│   ├── management/commands/        # Django 自定义管理命令
│   │   └── import_nio_sales.py     # 历史数据导入命令
│   ├── migrations/                 # 数据库迁移文件
│   ├── templates/sales/           # 页面模板（HTML）
│   ├── models.py                   # 数据模型（ORM）
│   ├── services.py                 # 业务逻辑层
│   ├── views.py                    # 视图函数
│   ├── urls.py                     # 路由配置
│   └── forms.py                    # 表单类
├── static/                         # 静态资源文件
│   ├── css/                        # 自定义样式
│   ├── js/                         # JavaScript 文件
│   │   └── dashboard/              # 可视化图表脚本
│   └── vendor/                     # 第三方库（ECharts、Tailwind、FontAwesome）
├── templates/                      # 全局模板
├── scraw.py                        # 数据爬虫脚本
└── manage.py                       # Django 管理入口

一、技术栈

1.1 后端技术

技术	说明
Python 3	主要编程语言
Django 5.2.4	Web 框架
MySQL	关系型数据库
Django ORM	数据库操作抽象层
Django Auth	用户认证系统

1.2 前端技术

技术	说明
HTML5 + CSS3	页面结构与样式
Tailwind CSS	原子化 CSS 框架（本地 CDN 加载）
ECharts	数据可视化图表库（本地静态资源）
Font Awesome	图标库（本地静态资源）
Vanilla JavaScript	前端交互逻辑

1.3 数据采集

技术	说明
requests	HTTP 请求库
PyMySQL	MySQL 驱动
JSON	数据解析

二、数据模型设计

项目的核心数据模型定义在 [models.py](file:///d:/PycharmProjects/Car_Sales/sales/models.py) 中。

2.1 车辆销量数据（VehicleData）

class VehicleData(models.Model):
    brand_name = models.CharField("品牌", max_length=50, default="蔚来")
    series_id = models.IntegerField("车系ID", db_index=True)
    series_name = models.CharField("车系名称", max_length=100)
    month = models.IntegerField("月份", db_index=True)
    rank_no = models.IntegerField("排名", default=0)
    sales_count = models.IntegerField("销量", default=0)
    min_price = models.FloatField("最低价", null=True, blank=True)
    max_price = models.FloatField("最高价", null=True, blank=True)
    price_text = models.CharField("价格区间", max_length=50, blank=True)
    dealer_price = models.CharField("经销商价格", max_length=50, blank=True)
    image_url = models.URLField("图片", blank=True)
    description = models.TextField("简介", blank=True)
    created_at = models.DateTimeField(auto_now_add=True)
    updated_at = models.DateTimeField(auto_now=True)

    class Meta:
        constraints = [
            models.UniqueConstraint(
                fields=["series_id", "month"], name="unique_vehicle_month"
            )
        ]

设计亮点：

使用 UniqueConstraint 确保同一车系同一月份只有一条全国销量记录，避免数据重复
db_index=True 对 series_id 和 month 字段建立索引，提升查询性能
通过 likes 和 favorites 的反向关系，快速获取点赞数和收藏数

2.2 用户模型（CustomUser）

class CustomUser(AbstractUser):
    phone = models.CharField("手机号", max_length=20, blank=True)
    avatar = models.URLField("头像地址", blank=True)
    bio = models.TextField("个人简介", blank=True)

继承 Django 内置的 AbstractUser，扩展了手机号、头像和个人简介字段。

2.3 社交互动模型

class Favorite(models.Model):
    user = models.ForeignKey(CustomUser, on_delete=models.CASCADE)
    vehicle = models.ForeignKey(VehicleData, on_delete=models.CASCADE)

class LikeRecord(models.Model):
    user = models.ForeignKey(CustomUser, on_delete=models.CASCADE)
    vehicle = models.ForeignKey(VehicleData, on_delete=models.CASCADE)

class Comment(models.Model):
    user = models.ForeignKey(CustomUser, on_delete=models.CASCADE)
    vehicle = models.ForeignKey(VehicleData, on_delete=models.CASCADE)
    content = models.TextField("评论内容")

class BrowseHistory(models.Model):
    user = models.ForeignKey(CustomUser, on_delete=models.CASCADE)
    vehicle = models.ForeignKey(VehicleData, on_delete=models.CASCADE)

每个社交模型都使用 UniqueConstraint 确保用户对同一车型只有一条记录。

三、数据采集爬虫

数据爬虫脚本 [scraw.py](file:///d:/PycharmProjects/Car_Sales/scraw.py) 从懂车帝网站抓取汽车销量数据。

3.1 爬虫配置

RANK_DATA_URL = "https://www.dongchedi.com/motor/pc/car/rank_data"

TARGET_BRANDS = [
    {"brand_id": 112, "brand_name": "蔚来"},
    {"brand_id": 202, "brand_name": "理想"},
    {"brand_id": 195, "brand_name": "小鹏"},
    {"brand_id": 535, "brand_name": "小米汽车"},
    {"brand_id": 426, "brand_name": "极氪"},
]

支持抓取 5 个新能源汽车品牌的销量数据：蔚来、理想、小鹏、小米汽车、极氪。

3.2 核心爬取逻辑

def fetch_brand_month_sales(session, month, brand):
    payload = request_json(
        session,
        RANK_DATA_URL,
        params=build_rank_params(month, brand["brand_id"]),
    )
    data = payload.get("data") or {}
    return {
        "sales_list": data.get("list") or [],
        "latest_month": latest_month,
    }

构建请求参数：

def build_rank_params(month, brand_id):
    return {
        "aid": "1839",
        "app_name": "auto_web_pc",
        "city_name": "",
        "count": "100",
        "offset": "0",
        "month": str(month) if month else "",
        "brand_id": str(brand_id),
        "rank_data_type": "11",
        # ...
    }

3.3 数据入库

def replace_month_sales(conn, month, sales_list):
    rows = transform_sales_rows(month, sales_list)
    with conn.cursor() as cursor:
        cursor.execute("DELETE FROM sales_vehicledata WHERE month = %s", (month,))
        cursor.executemany("""
            INSERT INTO sales_vehicledata (...) VALUES (...)
            ON DUPLICATE KEY UPDATE ...
        """, rows)
    conn.commit()
    return len(rows)

采用 DELETE + INSERT 的方式实现数据的完整替换，确保数据是最新的。使用 ON DUPLICATE KEY UPDATE 处理重复键冲突。

3.4 运行爬虫

python scraw.py

程序会自动：

创建数据库（如果不存在）
计算目标月份范围（从 2023 年 1 月到上月）
按品牌、按月份依次抓取数据
将数据批量写入 MySQL 数据库

四、业务服务层

[services.py](file:///d:/PycharmProjects/Car_Sales/sales/services.py) 包含了项目的核心业务逻辑，包括数据筛选、可视化数据处理、推荐系统和预测系统。

4.1 数据筛选

def get_filtered_vehicle_qs(filters=None, include_all_brands=False):
    qs = get_vehicle_base_qs(include_all_brands=include_all_brands)

    month = filters.get("month")
    price_range = filters.get("price_range")
    series_keyword = filters.get("series_keyword")

    if month:
        qs = qs.filter(month=month)
    if series_keyword:
        qs = qs.filter(series_name__icontains=series_keyword)
    if price_range == "lt20":
        qs = qs.filter(min_price__lt=20)
    elif price_range == "20_30":
        qs = qs.filter(min_price__gte=20, min_price__lt=30)
    # ... 其他价格区间
    return qs

支持多维度筛选：月份、价格区间、车型关键字。

4.2 大盘总览数据

def get_overview_data(qs=None):
    rows = get_national_vehicle_rows(source_qs=qs)

    month_counter = Counter()
    series_counter = Counter()
    for row in rows:
        month_counter[row["month"]] += row["sales_count"]
        series_counter[row["series_name"]] += row["sales_count"]

    return {
        "summary": summary,
        "month_chart": month_chart,      # 月度销量趋势
        "hot_series": hot_series,        # 热门车型 Top10
        "series_compare": series_compare,# 累计销量车型对比
    }

4.3 竞品分析数据

def get_competitor_data(qs=None):
    brand_sales = Counter()
    brand_prices = {}
    for row in rows:
        brand_name = row["brand_name"]
        brand_sales[brand_name] += row["sales_count"]
        if row["min_price"] is not None:
            brand_prices[brand_name].append(row["min_price"])

    for brand_name, total_sales in brand_sales.items():
        avg_price = sum(prices) / len(prices)
        data.append({"brand_name": brand_name, "total_sales": total_sales, "avg_price": avg_price})
    return sorted(data, key=lambda item: item["total_sales"], reverse=True)

4.4 价格区间分布

def get_price_data(qs=None):
    buckets = {"20万以下": 0, "20-30万": 0, "30-40万": 0, "40万以上": 0}
    month_prices = {}

    for item in rows:
        price = item["min_price"]
        if price is None:
            continue
        if price < 20:
            buckets["20万以下"] += 1
        elif price < 30:
            buckets["20-30万"] += 1
        # ...

    avg_price_by_month = [
        {"month": month, "avg_price": sum(prices) / len(prices)}
        for month, prices in sorted(month_prices.items())
    ]
    return {"bucket_data": [...], "avg_price_by_month": [...]}

五、协同过滤推荐系统

推荐系统基于协同过滤算法，利用用户的收藏、点赞、评论、浏览记录构建隐式评分矩阵。

5.1 隐式评分构建

def _build_user_series_matrix():
    matrix = defaultdict(lambda: defaultdict(float))

    # 收藏 +4.0 分
    for user_id, series_id in Favorite.objects.filter(...).values_list("user_id", "vehicle__series_id"):
        matrix[user_id][series_id] += 4.0

    # 点赞 +3.0 分
    for user_id, series_id in LikeRecord.objects.filter(...).values_list("user_id", "vehicle__series_id"):
        matrix[user_id][series_id] += 3.0

    # 浏览 +1.0 分
    for user_id, series_id in BrowseHistory.objects.filter(...).values_list("user_id", "vehicle__series_id"):
        matrix[user_id][series_id] += 1.0

    # 评论 +2.0 分 * 评论次数
    comment_stats = Comment.objects.filter(...).values("user_id", "vehicle__series_id").annotate(total=Count("id"))
    for item in comment_stats:
        matrix[item["user_id"]][item["vehicle__series_id"]] += item["total"] * 2.0

    return matrix

不同行为赋予不同权重：收藏 > 点赞 > 评论 > 浏览。

5.2 相似度计算

def _cosine_similarity(source_vector, target_vector):
    overlap = set(source_vector.keys()) & set(target_vector.keys())
    if not overlap:
        return 0.0

    numerator = sum(source_vector[key] * target_vector[key] for key in overlap)
    source_norm = sqrt(sum(value * value for value in source_vector.values()))
    target_norm = sqrt(sum(value * value for value in target_vector.values()))

    return numerator / (source_norm * target_norm)

使用余弦相似度计算用户之间的相似程度。

5.3 推荐生成

def get_recommendations(user, limit=6):
    if not user.is_authenticated:
        # 未登录用户，返回热门车型
        popular_scores = _get_popular_series_scores()
        return [row_map[series_id] for series_id, _ in popular_scores.most_common(limit)]

    # 获取当前用户的评分向量
    target_scores = dict(matrix.get(user.id, {}))
    consumed_series_ids = set(target_scores.keys())

    if not target_scores:
        # 用户无行为记录，返回热门
        return popular_recommendations

    # 找到相似用户，推荐相似用户喜欢但当前用户未交互的车型
    candidate_scores = Counter()
    for other_user_id, other_scores in matrix.items():
        similarity = _cosine_similarity(target_scores, other_scores)
        if similarity <= 0:
            continue
        for series_id, score in other_scores.items():
            if series_id in consumed_series_ids:
                continue
            candidate_scores[series_id] += similarity * score

    # 如果推荐数量不足，补充热门车型
    if len(ranked_series_ids) < limit:
        popular_scores = _get_popular_series_scores(exclude_series_ids=...)
        ranked_series_ids.extend([...])

    return [row_map[series_id] for series_id in ranked_series_ids[:limit]]

六、销量预测系统

预测系统集成三种预测算法，预测未来 1-2 个月的销量。

6.1 简单移动平均

def _moving_average_forecast(sales_values, steps=2, window_size=3):
    series = list(sales_values)
    forecast = []
    for _ in range(steps):
        window = series[-window_size:] or series
        predicted = sum(window) / len(window)
        forecast.append(predicted)
        series.append(predicted)
    return forecast

取最近 3 个月的均值作为预测值。

6.2 加权移动平均

def _weighted_moving_average_forecast(sales_values, steps=2, window_size=3):
    series = list(sales_values)
    forecast = []
    for _ in range(steps):
        window = series[-window_size:] or series
        weights = list(range(1, len(window) + 1))
        denominator = sum(weights) or 1
        predicted = sum(value * weight for value, weight in zip(window, weights)) / denominator
        forecast.append(predicted)
        series.append(predicted)
    return forecast

越近期的月份权重越高，例如 window=[a,b,c]，权重=[1,2,3]，预测值 = (a×1 + b×2 + c×3) / 6。

6.3 线性趋势回归

def _linear_trend_forecast(sales_values, steps=2):
    count = len(sales_values)
    x_values = list(range(1, count + 1))
    y_values = list(sales_values)

    x_mean = sum(x_values) / count
    y_mean = sum(y_values) / count
    numerator = sum((x - x_mean) * (y - y_mean) for x, y in zip(x_values, y_values))
    denominator = sum((x - x_mean) ** 2 for x in x_values) or 1
    slope = numerator / denominator
    intercept = y_mean - slope * x_mean

    return [_safe_round(intercept + slope * (count + step)) for step in range(1, steps + 1)]

使用最小二乘法拟合线性趋势，预测未来销量。

七、前端可视化

7.1 ECharts 集成

项目使用本地化的 ECharts（[echarts.min.js](file:///d:/PycharmProjects/Car_Sales/static/vendor/echarts/echarts.min.js)），无需 CDN。

7.2 图表初始化

// overview.js
const chart1 = echarts.init(document.getElementById('chart1'), 'dark');
window.NioApp.bindChartResize([chart1, chart2, chart3]);

使用深色主题 'dark'，适配网站深色背景风格。

7.3 图表配置

chart1.setOption({
    backgroundColor: 'transparent',
    tooltip: window.NioApp.nioTooltip(),
    grid: window.NioApp.nioGrid(),
    xAxis: {
        type: 'category',
        data: monthData.map(item => item.month),
    },
    yAxis: {
        type: 'value',
    },
    series: [{
        type: 'line',
        smooth: true,
        data: monthData.map(item => item.total_sales),
        lineStyle: { width: 3, color: '#3b82f6' },
        areaStyle: {
            color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [
                { offset: 0, color: 'rgba(59,130,246,0.45)' },
                { offset: 1, color: 'rgba(59,130,246,0.02)' }
            ])
        }
    }]
});

7.4 预测页面图表

预测页面展示历史销量和多种算法的预测结果：

// 历史销量（实线）
{
    name: '历史销量',
    type: 'line',
    smooth: true,
    data: historySales,
    lineStyle: { width: 4, color: '#3b82f6' },
    areaStyle: { ... }
}

// 预测销量（虚线）
{
    name: '简单移动平均',
    type: 'line',
    smooth: true,
    lineStyle: { width: 3, type: 'dashed', color: '#34d399' },
    data: [...]  // 前半部分为 null，后半部分为预测值
}

八、视图与路由

8.1 URL 路由

# sales/urls.py
urlpatterns = [
    path("", views.home_view, name="home"),
    path("dashboard/overview/", views.dashboard_overview_view, name="dashboard_overview"),
    path("dashboard/overview/api/", views.dashboard_overview_api_view, name="dashboard_overview_api"),
    path("dashboard/competitor/", views.dashboard_competitor_view, name="dashboard_competitor"),
    path("dashboard/user/", views.dashboard_user_view, name="dashboard_user"),
    path("dashboard/region/", views.dashboard_region_view, name="dashboard_region"),
    path("dashboard/price/", views.dashboard_price_view, name="dashboard_price"),
    path("recommend/", views.recommend_view, name="recommend"),
    path("predict/<str:series_name>/", views.predict_view, name="predict"),
    # ...
]

8.2 仪表盘视图

def dashboard_overview_view(request):
    filters = get_dashboard_filters(request)
    qs = get_filtered_vehicle_qs(filters)
    data = get_overview_data(qs)
    context = {
        "title": "大盘总览",
        "summary": data["summary"],
        "overview_initial_data": data,
    }
    context.update(get_dashboard_filter_context(filters))
    return render(request, "sales/dashboard_overview.html", context)

8.3 API 接口

def dashboard_overview_api_view(request):
    filters = get_dashboard_filters(request)
    qs = get_filtered_vehicle_qs(filters)
    data = get_overview_data(qs)
    return JsonResponse(data)

前端页面加载时使用初始数据（SSR），筛选条件变化时通过 API 异步获取新数据（CSR）。

九、项目功能模块

9.1 首页功能

展示销量总览数据
按车型关键字筛选
按月份筛选
按价格区间筛选
支持销量、价格、车型名称排序
分页展示
个性化推荐列表

9.2 数据可视化

页面	功能
大盘总览	月度销量趋势图、热门车型柱状图、累计销量车型排行
竞品分析	品牌销量与均价双轴图、品牌销量占比饼图
用户画像	收藏偏好、点赞偏好、浏览偏好分析
车型排行	全国车型销量排行榜
价格分析	价格区间分布柱状图、月均最低价趋势

9.3 用户交互

用户注册 / 登录 / 登出
个人资料管理
收藏车型
点赞车型
评论车型
浏览历史记录
密码修改
账号注销

9.4 个性化推荐

已登录用户：基于协同过滤的个性化推荐
未登录用户：热门车型推荐
行为不足时：自动回退为热门推荐

9.5 销量预测

支持选择具体车型
三种预测算法：简单移动平均、加权移动平均、线性趋势回归
预测未来 1-2 个月销量
预测结果对比图表

十、模板页面

10.1 大盘总览页面

<!-- dashboard_overview.html -->
{% extends "base.html" %}

{% block content %}
<!-- 汇总卡片 -->
<section class="grid gap-4 md:grid-cols-2 lg:grid-cols-4">
    <div class="panel p-5">
        <div class="text-sm text-slate-400">总记录</div>
        <div data-summary-card class="mt-3 text-3xl font-bold text-white">{{ summary.total_records }}</div>
    </div>
    <!-- ... 其他卡片 -->
</section>

<!-- 月度销量趋势图 -->
<section class="panel p-5">
    <div id="chart1" class="chart-box-lg"></div>
</section>

<!-- 热门车型图 -->
<section class="panel p-5">
    <div id="chart2" class="chart-box-lg"></div>
</section>
{% endblock %}

10.2 预测页面

<!-- predict.html -->
<section class="panel p-5">
    <h3>历史销量与预测走势</h3>
    <div id="trend-chart" class="chart-box-lg"></div>
</section>

<section class="panel p-5">
    <h3>预测结果对比</h3>
    <div id="compare-chart" class="chart-box-lg"></div>
</section>

<!-- 传递给前端的数据 -->
{{ predict_data|json_script:"predict-data" }}

十一、项目部署

11.1 环境要求

Python 3.10+
MySQL 5.7+ 或 MySQL 8.0+

11.2 安装依赖

pip install django pymysql requests

11.3 配置数据库

编辑 Car_Sales/db_config.py：

def get_mysql_config():
    return {
        "HOST": "localhost",
        "PORT": 3306,
        "USER": "your_username",
        "PASSWORD": "your_password",
        "NAME": "car_sales",
        "CHARSET": "utf8mb4",
    }