简介：面向毕业设计场景的电影数据可视化分析系统源码包，适合计算机相关专业学生用于课程设计、毕设参考或数据分析实践。项目将豆瓣电影数据爬取后存入SQLite，基于Flask搭建后端，结合ECharts、Bootstrap、WordCloud完成前端可视化展示，覆盖数据采集、存储、接口开发与图表呈现的完整流程。压缩包共2000个文件，以1684个Python脚本为核心，辅以124个HTML页面、93个JavaScript交互脚本、18个CSS样式文件，另有少量TXT数据说明、PDF文档与Markdown笔记，整体体积约76.51MB，目录结构清晰，便于按模块阅读。源码经严格调试，评审得分95分以上，具备开箱即用的可运行性，并已吸引1018人学习下载。下载后可获得完整项目源码、数据文件及页面模板，既能直接运行观察可视化效果，也可参考其爬虫、Flask路由与ECharts配置方式，为毕业设计或数据分析项目提供可复用的实现思路。
1. 这个毕业设计到底在做什么：不是画图，是把“电影数据”变成能答辩的完整闭环
先说一个可能反直觉的结论：这类“基于Python的电影数据可视化分析系统”，真正让你熬夜的通常不是画图，而是“数据从哪里来、怎么洗干净、用什么口径去分析”。如果你只是从网上下一个 csv 再画几张柱状图，那它叫“作业”不叫“系统”；毕业设计要的是一个能自圆其说的闭环——从数据采集、清洗、存储，到指标计算和可视化展示，每一步都有你的设计理由。
这个标题对应的其实是一套非常标准的“数据分析 + 可视化”全流程项目，常见做法是用 Python 做数据处理（pandas、numpy），把豆瓣、TMDB、猫眼等平台的电影数据抓取或整理成结构化表格，然后通过图表展示票房、评分、类型分布、年份趋势等维度的规律。适合的人群很明确：计算机、大数据、信息管理相关专业的本科生或研究生，尤其是需要快速搭建一个演示性强、有真实数据支撑、能讲清楚“我做了什么”的毕设项目。
接下来我按自己做这类项目的习惯，把整条链路拆开讲：数据怎么来、怎么洗、怎么存、怎么分析、怎么可视化，以及最后怎么封装成一个能演示的系统。你按这个顺序做，每一步都有对应的代码和参数可以抄，遇到问题也有地方查。
2. 先用 Python 把电影数据“盘活”：抓取、解析与本地化存储
2.1 数据获取的三个来源：爬虫采集、公开数据集、手工整理
做电影数据可视化，第一步不是写代码，而是确定数据源。我接触过的毕设项目里，最常见的数据来源有三个：爬虫采集（比如豆瓣 Top250、猫眼票房榜）、公开数据集（Kaggle 的 TMDB 5000 Movie Dataset、IMDb 子集）、以及导师或课程提供的 csv 文件。
三者各有适用场景。如果你想要“工作量足、有技术含量、答辩有故事可讲”，爬虫是首选，它天然覆盖网络请求、HTML 解析、反爬应对、异常处理这些点；如果时间紧或者评委更看重分析逻辑，公开数据集更省事，但你需要额外说明数据来源和口径。我一般建议是：主数据用公开数据集打底，再写一个小爬虫补充实时数据或特定榜单，这样既有稳定性又有亮点。不要一上来就全量爬，容易被反爬机制卡住，后面会专门讲。
2.2 用 requests + BeautifulSoup 抓取豆瓣 Top250：最小可运行代码
以豆瓣电影 Top250 为例，这个页面结构稳定、数据字段完整（片名、评分、评价人数、经典台词、年份、地区、类型），是毕业设计出镜率最高的目标。这段代码是当时我调试好留存的版本，你可以直接在 PyCharm 里跑。
import requests from bs4 import BeautifulSoup import time import csv headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36" } all_movies = [] for page in range(10): # Top250 共10页，每页25条 url = f"https://movie.douban.com/top250?start={page * 25}&filter=" resp = requests.get(url, headers=headers, timeout=10) resp.encoding = "utf-8" soup = BeautifulSoup(resp.text, "html.parser") for item in soup.select(".item"): title = item.select_one(".title").get_text() rating = item.select_one(".rating_num").get_text() quote = item.select_one(".quote span") quote = quote.get_text() if quote else "" # 提取年份/地区/类型，示例：1994 / 美国 / 犯罪 剧情 info = item.select_one(".bd p").get_text().strip().split("\n")[1].strip() all_movies.append([title, rating, quote, info]) time.sleep(2) # 适度休眠，降低请求频率 with open("douban_top250.csv", "w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(["title", "rating", "quote", "info"]) writer.writerows(all_movies) print(f"抓取完成，共 {len(all_movies)} 条数据")这段代码的逻辑很直白：循环请求10页，解析每页的.item节点，取出标题、评分、台词和元信息，最后写入 csv。这里有两个参数你务必理解，不要照抄了事。第一个是headers，里面必须带 User-Agent，豆瓣会拒绝裸请求返回 418；第二个是encoding="utf-8-sig"，这个编码会在文件头写入 BOM，用 Excel 打开 csv 时中文不乱码，如果你后续用 pandas 读取，建议改成utf-8避免字段名带\ufeff前缀。
2.3 解析字段时的常见问题：评分是字符串，年份藏在段落里
很多人在第一次跑这种代码时，拿到的 csv 打开看是“对”的，但放进数据分析阶段才发现问题。比如info字段是1994 / 美国 / 犯罪 剧情，评分是"9.7"这种字符串，评价人数在另一个节点里还没被取出来。这就引出一个原则：采集阶段多取原始字段，清洗阶段再做转换。
我的习惯是每个字段都保留原始文本，哪怕是混合在一起的段落文本也没关系，这样信息不丢，后面用正则或者 split 去拆即可。再补一个字段提取的小技巧：如果要单独把年份和地区拆成两列，用这一行就能搞定。
import re def parse_info(info_text: str) -> dict: parts = [p.strip() for p in info_text.split("/")] # 示例: ['1994', '美国', '犯罪 剧情'] year = re.search(r"\d{4}", parts[0]) return { "year": year.group() if year else "", "region": parts[1] if len(parts) > 1 else "", "genre": parts[2] if len(parts) > 2 else "", }靠正则从字符串里抽出四位年份，再用长度判断兜底。为什么用re而不是直接切片？因为有些条目的年份可能是1994(中国大陆)或1994-01-01这种形态，直接切片会漏。与常见误用不同，不要在爬虫阶段就把这些逻辑塞进页面解析里，遇到页面结构调整你就得全量重写；分离采集与解析，出错了只改一个函数就好。
3. 数据清洗与存储：把 csv 变成能直接做分析的 DataFrame
3.1 pandas 数据处理的基本盘：读取、去重、类型转换
数据拿到手之后，接下来最重要的不是画图，而是把数据整理成“可分析状态”。用 pandas 读取刚才的 csv，然后做四件事：去掉完全重复的行、把评分列从字符串转成浮点数、从信息列里拆出年份和类型、过滤掉缺失严重的行。这是任何电影分析系统落地时都会遇到的基础数据预处理步骤。
import pandas as pd df = pd.read_csv("douban_top250.csv", encoding="utf-8-sig") # 1) 去重：以标题为准，保留第一条出现的记录 df = df.drop_duplicates(subset=["title"]) # 2) 评分转数值，出错时置空（coerce 表示无法转换则取 NaN） df["rating"] = pd.to_numeric(df["rating"], errors="coerce") # 3) 拆分info字段，生成三个新列 infos = df["info"].apply(parse_info) df["year"] = infos.apply(lambda x: x["year"]) df["region"] = infos.apply(lambda x: x["region"]) df["genre"] = infos.apply(lambda x: x["genre"]) # 4) 删除关键字段为空的行 df = df.dropna(subset=["rating", "year"]) df = df.reset_index(drop=True) print(df.shape) print(df.dtypes)这段代码里有两个关键参数需要刻意理解。subset=["title"]是去重的判断依据，你可以改成["title", "year"]，因为两部同名电影可能年份不同；errors="coerce"是pd.to_numeric的参数，它让非法输入变为NaN而不是抛异常，这样你可以用dropna统一过滤掉脏数据。实际项目中我一般会把print(df.shape)放在清洗前后各一次，人工对比减少量，以此确认清洗逻辑没有误伤数据。
清洗完之后，建议顺手统计一下年份范围、评分的分布、类型字段的取值情况，这些就是你做可视化时“要讲什么故事”的素材。比如你会发现评分集中在小数点后一位，8.5~9.0 区间的数量最多，这就可以成为分析指标的起点。
3.2 存储选型：为什么毕设不一定要上 MySQL
数据清洗到这份上，接下来面临一个问题：数据存哪？很多毕设会把“用了 MySQL”当卖点，但对于 250 条或 5000 条的电影数据，上数据库的实际价值不大，还增加部署复杂度。我一般会分两种情况处理：如果系统里需要交互式查询（按年份筛选、按类型筛选、支持组合条件），就用 SQLite，零配置文件、Python 内置支持；如果只是纯静态展示，直接把清洗后的 DataFrame 导出成新的 csv 或 Excel 即可。
SQLite 是毕设里性价比最高的折中方案。它只有一个 .db 文件，不需要安装服务端，还能写 SQL 展示你的数据库能力。
import sqlite3 conn = sqlite3.connect("movies.db") df.to_sql("movie_top250", conn, if_exists="replace", index=False) conn.close()to_sql这个接口是 pandas 封装的，等价于建表 + 逐行插入。if_exists="replace"表示每次运行都覆盖旧表，适合开发调参阶段；如果到了演示阶段，建议改成"append"或者直接删除分支，避免误操作把数据清掉。这里有个细节：df.to_sql默认会按 pandas 的列类型推断 SQLite 的字段类型，如果后续要写 SQL 做范围查询，建议在to_sql之前手动把年份列转成 int。否则 SQLite 里存的是文本，WHERE year BETWEEN 2000 AND 2010查不准。
3.3 构造“能被答辩追问”的分析指标
数据入库不是终点，分析才是。毕设答辩时评委最常问的一句话是：“你这指标体系是怎么设计的？”如果回答“就是把年份和评分画一下”，会显得没有分析逻辑。我建议你在系统里定义几组固定的分析维度，每一组对应一张图。
常见的分析切入点有五个：电影年份分布（看产量趋势）、评分分布直方图（看整体评分结构）、类型与评分的关系（箱线图或均值对比）、地区与数量的关系（柱状图）、评分与评价人数的相关性（散点图）。这几个维度全部能从刚才的 DataFrame 计算出来，不需要额外采集数据。
# 1) 各年份电影数量 year_count = df.groupby("year").size().reset_index(name="count") # 2) 评分分布（按0.5分一档） rating_bins = pd.cut(df["rating"], bins=[8.0, 8.5, 9.0, 9.5, 10.0], right=False) rating_dist = rating_bins.value_counts().sort_index() # 3) 类型与评分：先拆类型字段，展开成多行再算均值 genre_rating = df.assign(genre=df["genre"].str.split(" ")) genre_rating = genre_rating.explode("genre") genre_rating_mean = genre_rating.groupby("genre")["rating"].mean().sort_values(ascending=False)上面这段代码有三个点值得解释。pd.cut的bins我特意留了 8.0 以下没放进区间，是因为 Top250 最低分约 8.2，分箱能呈现高分段内部的密度差异；right=False让区间左闭右开，评分 8.5 会落在[8.5, 9.0)而不是[8.0, 8.5)，这是处理浮点边界时常见的坑。explode("genre")是把“犯罪 剧情”这种多类型文本拆成两行，这样每部电影参与多次统计，算均值时单个类型样本量更充足。
如果你在答辩时需要回答“为什么用均值不用中位数”，补一句即可：评分数据近似正态，且无极端值，均值与中位数差异极小，用均值更直观。这样整个分析逻辑就闭环了。
4. 数据可视化落地：从 Matplotlib 静态图到 ECharts 交互看板
4.1 PyECharts 4 / 5 系列选型与渲染方式选择
到了可视化这一步，你就需要决定“用什么画图”。通常有两类选择：Matplotlib + Seaborn 适合生成论文插图，出的是静态 PNG，规格统一；PyECharts 适合做网页动态展示，图表可以带 tooltip、缩放、图例切换等交互。对毕业设计而言，我的建议是两者结合使用：论文/报告里插图用 Matplotlib，系统演示界面用 PyECharts，两个都出现会让你的工作量看起来更饱满，也是 ECharts 数据可视化大屏这类项目常见的落地方式。
PyECharts 的使用门槛比 Matplotlib 稍高一点，它采用“链式调用”风格。核心逻辑是：先创建一个图对象，设置add()方法传入数据，再用render()输出 html 文件。下面是一个基础的柱状图示例，展示各类型电影的平均评分。
from pyecharts.charts import Bar from pyecharts import options as opts # genre_rating_mean 来自上一节的聚合结果 categories = genre_rating_mean.index.tolist() values = [round(v, 2) for v in genre_rating_mean.values] bar = ( Bar() .add_xaxis(categories) .add_yaxis("平均评分", values) .set_global_opts( title_opts=opts.TitleOpts(title="不同类型电影平均评分对比"), yaxis_opts=opts.AxisOpts(min_=8.0, max_=9.5), # 控制Y轴范围，突出差异 ) ) bar.render("genre_rating_bar.html")add_yaxis是核心的数据注入接口，set_global_opts用来配置标题、坐标轴、图例等全局属性。注意到我把min_设为 8.0、max_设为 9.5，这是关键参数：不设的话，ECharts 会从 0 开始显示，所有柱子的高度差会被压缩得几乎看不见，观感很差。这类坐标轴范围控制适用于所有评分对比场景，也是企业级数据可视化交付时最先被画图人员要求调整的细节。
PyECharts 的输出文件是一个完整的 html，你可以把它嵌入到 Flask 模板中。静态图与动态图的技术栈差异就在这一步体现出来：Matplotlib 画完是“图片文件”，PyECharts 画完是“交互组件”，后者能直接放到 Web 前程里复用。
4.2 把图表挂到 Flask 页面里：搭建最小可演示的 Web 系统
完整的数据可视化系统，不能只停留在“生成一堆 html 文件”的阶段。你需要一个入口页面，把多张图表组织在一起，供用户切换查看。Flask 是 Python 生态里做这件事最轻的方案，也符合“Python 可视化系统”这个标题的预期。下面是一个最小可运行的 Flask + PyECharts 集成模板。
先写 Python 主程序：
from flask import Flask, render_template from pyecharts.charts import Bar, Line, Pie from pyecharts import options as opts import pandas as pd app = Flask(__name__) # 启动时加载一次数据，避免每次请求都读csv df = pd.read_csv("douban_top250_clean.csv", encoding="utf-8-sig") def create_year_chart(): year_count = df.groupby("year").size().sort_index() line = ( Line() .add_xaxis(year_count.index.tolist()) .add_yaxis("电影数量", year_count.values.tolist()) .set_global_opts(title_opts=opts.TitleOpts(title="电影数量年度趋势")) ) return line @app.route("/") def index(): chart = create_year_chart() return render_template("index.html", chart_html=chart.render_embed()) if __name__ == "__main__": app.run(debug=True)对应的templates/index.html文件核心部分：
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>电影数据分析系统</title> </head> <body style="font-family: 'Microsoft YaHei', sans-serif; margin: 30px;"> <h2>基于Python的电影数据可视化分析系统</h2> <div>{{ chart_html | safe }}</div> </body> </html>注意render_template("index.html", chart_html=chart.render_embed())这行，它是整条链路的关键：render_embed()会返回一段完整的 JavaScript + HTML 字符串，模板里用| safe告诉 Jinja2 这段字符是预先渲染好的，不需要转义。如果不加safe过滤器，页面上会直接显示<div>源码。.py 文件里app.run(debug=True)开启调试模式，改动后自动重启，但毕设演示要记得关掉或设置为False，否则他人访问你的端口时能看到调试器交互界面，存在安全隐患。
4.3 图表配色与布局：让演示效果接近“数据可视化大屏”
技术实现走通以后，真正拉开分数差距的是“展示细节”。同一个数据，直接使用默认主题和花 20 分钟调过的配色，在答辩现场的观感完全不同。我不建议用 Matplotlib 默认的蓝色列表样式，也不建议在 PyECharts 里反复堆砌颜色参数。我一般是直接复用现成的配色方案，例如 PyECharts 内置的chalk、infographic主题，或者指定自定义颜色数组。
自定义颜色的示例很简单，在add_yaxis时通过itemstyle_opts控制：
from pyecharts.charts import Pie from pyecharts import options as opts genre_count = df["region"].value_counts() pie = ( Pie() .add( series_name="地区分布", data_pair=[list(z) for z in zip(genre_count.index, genre_count.values)], radius=["35%", "60%"], # 内径35%，外径60%，形成环形图 ) .set_global_opts(title_opts=opts.TitleOpts(title="产地分布占比")) )radius=["35%", "60%"]是做出环形图的关键参数，它的含义是内径和外径相对容器宽度的比例。这个比例做出来视觉效果比实心饼图更清爽，也更贴近毕设系统中常见的可视化风格。页面层面，用 CSS 的display: flex把多个图表容器横向排列，配合之前 Flask 传图表的方式，就能在首页呈现两个或三个图表并排的效果，再往上做就是一张简单的大屏幕看板。
5. 参数调优与避坑：我用这套系统跑数据踩过的 5 个坑
5.1 评分列读进来是 object 类型，画图时全部报错
现象：从 csv 读取数据后，df["rating"].dtype显示为object，plt.plot时提示无法将字符串转换为浮点数。
原因：csv 中评分列存在空值或空格字符。pandas 读取时整列被推断为字符串类型，后续没有做类型转换直接使用。
解决：读取后统一执行df["rating"] = pd.to_numeric(df["rating"], errors="coerce")，然后dropna去除空行。这个动作必须放在任何聚合统计之前。我在排查时发现一个隐蔽变种：某些爬虫将评分写成了"9.7 "（带尾随空格），errors="coerce"可以完美处理这种情况，比strip()后再转换更省事。
5.2 PyECharts 生成的 html 在中文路径下无法打开
现象：文件放到D:\毕业论文\charts\演示.html路径下，双击浏览器显示一片空白，控制台报 ECharts 资源加载失败。
原因：PyECharts 默认通过相对路径引用本地 js 资源，在含中文或特殊字符的路径下，某些浏览器的静态资源加载策略会出问题。
解决：换用chart.render("demo.html")放到纯英文路径下；或者调用bar.render_embed()将图表直接嵌入 Flask 模板，跳过独立的 html 文件。项目目录结构我建议从一开始就建成英文命名，整个毕设源码压缩包和演示文件都遵守这个约定，避免莫名奇妙的编码问题。
5.3 爬虫跑一半被拒绝访问，提示 418 或触发验证码
现象：循环请求到第3页或第4页时，resp.status_code变成 418，页面内容不再是电影列表。
原因：请求频率过高，同一 IP 在短时间内被网站限流。也可能是部分页面返回了反爬挑战页。
解决：加重试机制和延时。延时设置在 2~5 秒之间，不要固定间隔，用time.sleep(random.uniform(2, 5))模拟人工浏览节奏。再增加一个简单的重试逻辑：请求失败后等待更长时间，最多重试 3 次。这条建议适用于几乎所有站点的数据采集，“睡一觉再继续”比“疯狂重试”有效得多。
5.4 Flask 模板里图表不显示，只有一串警告文字
现象：页面能打开，但图表区域显示类似 “This is an ECharts option...” 的字符串或 JavaScript 代码。
原因：render_embed()返回值在 Jinja2 模板中被自动转义，浏览器把标签当作普通文本显示了。这是新手最容易遇到的情况。
解决：模板中必须使用| safe过滤器，即写成<div>{{ chart_html | safe }}</div>。如果使用的是render_template_string而非模板文件，同样需要加| safe。这个坑每天都会“坑”掉若干人，但解决方案只有这一行，记住即好。
5.5 打包部署时 pyecharts 资源文件缺失，页面图表空白
现象：在自己电脑上运行正常，把项目复制到另一台电脑或打包成 exe 后，网页图表加载不出来。
原因：PyECharts 的静态资源（js 文件）存在于库目录内，复制项目时未被同步过去；或打包工具未将 ECharts 的 js 资源包含进产物。
解决：确认复制完整的项目目录包括templates、static和venv依赖；打包成 exe 时，在打包配置里添加pyecharts的资源目录。最稳妥的办法是：不打包，直接让对方安装 Python 依赖后运行源码，毕设答辩场景下用源码演示反而更能体现工作量。
6. 进阶：把数据可视化分析系统做成“有结论”的演示项目
毕设答辩的时间有限，通常在 10 到 15 分钟之间。你能演示的操作其实是有限的。与其让评委在系统里到处点，不如把核心分析结论直接呈现在首页，让评委一眼看到“这个系统得出了什么发现”。我建议你做一个“分析结论区”，用卡片或文本块列出 3 到 4 条关键发现，例如“评分 9.0 以上的电影占比约 12%”“2000 年后电影数量占比超过一半”“剧情类电影的平均评分显著高于动作类”。每条结论后面配上对应图表入口，讲的时候有的放矢。
如果你想再进一步，有两个高性价比的进阶方向。第一个是给 Flask 系统增加一个搜索框，支持按电影名查询评分和类型，用df[df["title"].str.contains(keyword)]即可实现；第二个是做一个简单的年度票房或评分排行榜，用df.nlargest(10, "rating")快速计算并展示 Top10 榜单。这两个功能的代码量都很小，但会显著提升系统完整性，让项目看起来更接近一个真正可用的分析系统。
最后一个血泪教训：从开发的第一天起，就用虚拟环境管理依赖，不要直接使用全局 Python 环境安装包。我见过不止一个同学把 pandas、pyecharts 装进系统 Python，然后因为版本冲突导致 PyCharm 里的解释器找不到模块，白白浪费一整天。用python -m venv venv创建环境，用pip install -r requirements.txt安装依赖，把这份文件放进项目根目录。这样无论换电脑还是发给导师，几分钟就能恢复全环境，希望这步你能少走弯路，希望帮到你。
本文还有配套的精品资源，点击获取
