基于Django的电影受众数据可视化分析：人群画像与聚类实践-AI智能范式网

基于Django的电影受众数据可视化分析：人群画像与聚类实践

戈玄白今天要做题·2026-10-20·阅读 21 GEO检测（免费）

电影受众研究数据可视化Django

|难度：普通|阅读约 40 分钟

电影受众研究这套毕设，我前后带过不少学弟学妹做过类似的方向。说句实话，在众多大数据毕设选题里，“基于Django+数据可视化的电影受众群体特征研究”算是性价比非常高的一类：数据源容易获取，分析链路清晰，可视化效果好，而且Web展示框架完整，答辩的时候能讲的东西非常多。最重要的是，这套题目涉及的技能栈很完整，从数据采集到清洗，从特征分析到可视化落地，再到Web系统整合，几乎覆盖了大数据专业和数据分析岗位最常用的一套技能。

这篇文章我就把这类项目的完整拆解思路和实操细节展开聊聊，包括数据怎么准备、受众特征怎么建模、可视化怎么设计、Django怎么整合进去，以及代码讲解和文档撰写时怎么做出“项目深度”。不管是正在选毕设题目的同学，还是准备把这类题目做成求职作品集的朋友，都可以直接照着这套思路去搭你自己的版本。

1. 为什么选“电影受众研究”这个题目——选题逻辑与设计思路

1.1 这个题目解决了什么问题

看电影这个行为，本身带有非常典型的“群体性”和“社交属性”。不同年龄段、不同性别、不同收入水平的人，对电影的偏好差异非常大。比如春节档合家欢电影、暑期档动画片、悬疑片和文艺片的核心受众，完全是几拨人。理解这些差异，对制片方做宣传投放、对影院做排片调整、对平台做个性化推荐，都有直接价值。

放在毕设语境下，这个题目有一个天然的优势：问题边界清晰，但内容张力足够。从“受众群体特征研究”这句话展开，你可以做人群画像、偏好分析、观影行为分析、评论情绪分析，每一个方向都能出独立成果。而且数据来源丰富，主流影视平台上能看到评分、评论、类型、地区、票房等结构化数据，爬取和公开数据集都能拿到，不用为“找不到数据”发愁。

同时这个题目对数据库、Web开发、可视化、数据分析这几项技能都有硬性覆盖，Django做后端承载业务逻辑和数据接口，可视化库做图表呈现，MySQL存储清洗后的数据。整套做下来，简历上能写的东西非常充实，面试也能讲出实际场景。

1.2 技术栈选型：为什么是Django而不是Flask或前端SPA

Django在这个项目里的定位，绝对不是一个简单的静态页面托管工具。我见过一些类似的毕设，思路是用Flask这种轻量框架做几个路由，然后页面上直接渲染写死的HTML。这样当然也能演示，但一旦涉及数据交互、图表联动、条件筛选，写死的页面就撑不起来了。

选Django有很明确的实际考量。第一，Django自带的ORM能把MySQL数据表映射成Python对象，数据分析阶段在Jupyter Notebook里处理好的结果，可以直接通过ORM查出来渲染到页面上，不需要在Python和JavaScript之间来回翻译数据结构。第二，Django的Admin后台是自带的，我们可以把数据表注册进Admin，做毕设演示的时候直接展示后台管理界面，能多一个功能点。第三，Django的模板系统和静态文件机制对初学者友好，Django模板里写条件判断和循环非常直觉化，前端基础薄弱的同学也能较快上手。

可视化层面，主推Pyecharts而非纯前端ECharts。原因是Pyecharts按Python思路生成图表配置，数据分析阶段得到的DataFrame可以直接转成图表所需的数据格式，降低前后端对接成本。它生成的图表是ECharts渲染的，视觉上没有妥协，而且支持联动交互、异步加载，满足毕设展示的“科技感”需求。

1.3 整体功能架构与数据流

我先给这套系统画一个逻辑地图，后续的所有操作都是围绕这张地图展开的：

数据源层：采集或下载电影基础数据、用户评分数据、评论数据、票房数据，落成CSV或Excel临时文件。
数据仓库层：通过Django的Model定义数据表结构，用脚本将清洗后的CSV导入MySQL。
分析层：在Jupyter或独立Python脚本中，基于DataFrame做受众特征分析，包括描述性统计、交叉分析、聚类分群、文本情感分析。
服务层：Django视图函数读取MySQL分析结果，以JSON形式返回前端；部分预计算结果直接缓存。
展示层：PC端可视化看板，包含核心指标卡片区、图表联动区、表格详情区和管理后台入口。

这个架构的核心思路，是“分析结果预计算、可视化按需读取”。受众特征分析是静态研究，不是实时计算，没必要在用户每次打开页面时重新跑一遍聚类模型。把分析阶段算好的结果存入数据库或文件，Django负责把它们呈现出来，这样系统响应快、逻辑也清晰，答辩时间学起来也更容易讲。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 数据从哪来、怎么准备——数据获取与清洗实战

2.1 数据字段设计：受众画像需要哪些维度

“群体特征研究”意味着我们至少要能回答这样几类问题：谁是核心受众、不同群体喜欢什么类型、观众对电影的反馈如何。为了回答这些问题，数据表的字段设计要提前规划好。我建议至少拆成三个表：电影信息表、用户评分表、评论数据表。

电影信息表：电影名称、类型（多值）、上映年份、地区、时长、评分、评分人数、票房、导演和主演。
用户评分表：用户ID、性别、年龄、职业、所在地区、评分、评分时间。这些字段一部分来自数据集，一部分来自模拟采样。
评论数据表：评论ID、电影名称、用户ID、评论内容、评分、点赞数、评论日期。

这里有个关键点：主流公开数据集的用户信息字段往往非常有限，很多只有用户ID和评分。如果只做评分分布，论文和系统的深度都不够。我的做法是，根据统计学中已知的观影人群分布规律，对缺失的用户信息做合理采样模拟。比如某机构统计显示观影人群中18到30岁占比最高，那我在模拟时就按这个比例生成年龄字段。使用公开数据时这些字段是匿名的、无真实敏感信息的，完全符合学术研究规范。

2.2 数据清洗的几个关键动作

实操中，爬下来或下载下来的原始数据基本都“脏”得参差不齐，建议直接在Notebook里完成清洗，清洗完毕再导出成导入MySQL的标准CSV。

第一步是缺失值处理。“电影类型”“导演”这类字段如果缺失，直接筛掉或按“未知”填充；评分缺失、票房缺失是以分析主维度，数据量大的话直接删除，数据量小则用同类均值填充。

第二步是格式统一。最容易踩坑的是评分字段，很多原始数据里评分是字符串，比如“8.5分”“8.5/10”，需要正则提取数字。票房字段更是重灾区，“1.2亿”“5432万”“$45,000,000”混在一起，需要写一个统一的转换函数，把不同单位统一成“万元”。

第三步是分类字段编码。性别映射成0和1，年龄做分箱处理，比如“18岁以下”“18-25岁”“26-30岁”“31-40岁”“40岁以上”这几个区间；职业按互联网、学生、白领、自由职业等分大类。分箱后做交叉分析时分组会非常清爽。

python复制import re
import pandas as pd

def clean_score(value):
    """将'8.5分'、'8.5/10'、'8.5'统一转为8.5"""
    if isinstance(value, str):
        match = re.search(r'(\d+\.?\d*)', value)
        return float(match.group(1)) if match else None
    return value

def clean_box_office(value):
    """将'1.2亿'、'5432万'统一转为万元数值"""
    if isinstance(value, str):
        if '亿' in value:
            return float(re.search(r'\d+\.?\d*', value).group()) * 10000
        if '万' in value:
            return float(re.search(r'\d+\.?\d*', value).group())
    return value

df['score'] = df['score'].apply(clean_score)
df['box_office'] = df['box_office'].apply(clean_box_office)

清洗完成后的数据，建议固定保存一份标准化CSV，后续所有分析都从这份标准化文件读取，不要每次重新处理。

2.3 数据库设计与导入

Django侧的数据表，通过Model类来定义。这里给出一个简化版本，三个表的主外键关系要提前设计好：电影表为主表，用户评分表通过电影ID关联电影，评论表再通过用户ID和电影ID关联两张表。

python复制from django.db import models

class Movie(models.Model):
    movie_id = models.IntegerField(primary_key=True)
    title = models.CharField(max_length=100)
    genres = models.CharField(max_length=200)  # 类型可分多值，用逗号分隔
    year = models.IntegerField()
    region = models.CharField(max_length=50)
    duration = models.IntegerField()
    rating = models.FloatField()
    rating_count = models.IntegerField()
    box_office = models.FloatField()  # 单位：万元

class UserRating(models.Model):
    user_id = models.IntegerField()
    movie = models.ForeignKey(Movie, on_delete=models.CASCADE)
    gender = models.IntegerField()  # 0:男 1:女
    age_group = models.CharField(max_length=20)
    occupation = models.CharField(max_length=50)
    rating = models.FloatField()
    rating_time = models.DateTimeField()

class Comment(models.Model):
    user = models.ForeignKey(UserRating, on_delete=models.CASCADE)
    movie = models.ForeignKey(Movie, on_delete=models.CASCADE)
    content = models.TextField()
    sentiment_score = models.FloatField(null=True, blank=True)
    likes = models.IntegerField(default=0)
    created_at = models.DateTimeField()

定义好模型后执行 makemigrations 和 migrate，然后用 bulk_create 批量导入CSV数据。这里提醒一句：数据量如果超过几万条，逐条循环插入会非常慢，用 bulk_create 一次性提交能提升一个数量级的效率。

3. 受众特征分析模型怎么落地——核心分析维度与算法细节

3.1 描述性统计与交叉分析：先回答“是什么”

受众特征研究的第一步，不是上模型，而是先做描述性统计。看年龄分布、性别占比、职业构成、地域分布，以及电影评分、票房的基本统计量。这些结果直接支撑可视化看板里的“受众画像总览”模块。

接着做交叉分析。交叉分析要回答的问题包括：不同年龄段观众偏好什么电影类型、男女观众在不同类型上的评分差异、不同职业群体在观影频次上的区别。数据透视表是最趁手的工具，Pandas的 pivot_table 或 crosstab 都能胜任。

python复制import pandas as pd

# 年龄分组 × 电影类型偏好
pivot_type_age = pd.crosstab(df['age_group'], df['genres'])
# 按行求百分比，更容易看出每个年龄段内部的类型偏好
pref_ratio = pivot_type_age.div(pivot_type_age.sum(axis=1), axis=0)

这里有一个容易被忽视的细节：做交叉分析时，建议看占比而非绝对值。因为不同年龄段的样本量天然不均衡，18-25岁观众基数大，绝对值一定高，直接对比会得出“所有类型都喜欢”的错误结论。归一化成占比后，才能真正看出“哪个年龄段的用户更偏好哪种类型”。

评分差异分析也类似。男女在不同类型电影上的平均评分，直接算均值可能会被极端值影响。稳妥的做法是先按电影类型分组，再在组内比较男女评分的均值和中位数。如果两组差距超过0.3分，基本可以认为是真实偏好差异，而不是随机波动。

3.2 用户分群：用KMeans聚类把受众切成“人群包”

描述性统计回答“整体是什么样”，但受众研究要做到“能区分不同人群”。这里我建议引入聚类分析，把用户按照评分行为、观影偏好、活跃度等特征切分成若干个“人群包”。每个包对应一类典型受众，方便后续做定向策略分析。

特征工程是聚类前最关键的一步。我常用的做法是构建一个用户-类型偏好矩阵，每一行是一个用户，每一列是某一种电影类型的平均评分或观看数量。再叠加用户自身的属性字段，比如年龄、性别。这些特征值域差别很大，做KMeans之前必须标准化，否则年龄字段的数值会直接碾压类型偏好字段。

python复制from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA

# user_feature: 用户特征表，行=用户，列=特征
scaler = StandardScaler()
scaled = scaler.fit_transform(user_feature)

# 先用肘部法选K
inertias = []
for k in range(2, 9):
    km = KMeans(n_clusters=k, random_state=42, n_init=10)
    km.fit(scaled)
    inertias.append(km.inertia_)

# 最终选定K=4或5，做聚类
final_km = KMeans(n_clusters=4, random_state=42, n_init=10)
labels = final_km.fit_predict(scaled)

# PCA降维到二维，便于可视化展示分群结果
pca = PCA(n_components=2)
pca_result = pca.fit_transform(scaled)

聚类结果的解释，才是体现分析能力的地方。每个簇算一遍“特征中心”或“特征均值”，就能给这个人群包起名字。比如“年轻高活跃商业片受众”“沉稳文艺片偏好者”“低频大众型观众”，这些命名会直接出现在毕业论文的结论部分和可视化看板的雷达图上。

3.3 评论情感分析：给受众反馈加上“态度”维度

受众特征不只看用户是谁，还看用户怎么说。评论数据的情感倾向，能反映出不同受众群体对电影的评价差异。比如某部电影在男性受众里的满意度高，在女性受众里满意度低，这种差异用情感分数就能量化。

实现方案不需要上大模型，用轻量级的情感词典打分就够了。主流方案是加载一个中文情感词典，把评论切词后统计词典中积极词和消极词的出现数量，情感得分的公式是 (积极词数 - 消极词数) / 总词数。这样的计算结果已经能支撑绝大多数毕设场景，画成情感分布直方图或者不同电影的情感对比柱状图，效果都不错。

python复制import jieba
import pandas as pd

# pos_words和neg_words为情感词典集合
def sentiment_score(text):
    words = jieba.lcut(text)
    pos_num = sum(1 for w in words if w in pos_words)
    neg_num = sum(1 for w in words if w in neg_words)
    total = len(words)
    if total == 0:
        return 0
    return (pos_num - neg_num) / total

df['sentiment'] = df['comment_content'].apply(sentiment_score)

这里有个实战技巧：情感词典不用自己翻书整理，目前公开的中文情感极性词典可以直接用，比如知网情感词典、台湾大学情感词典，这些语料都是公开学术资源，用于学术实验完全合规。如果评论数据里有很多电影领域的特定词，比如“毫无逻辑”“演技炸裂”，可以手动补充进词典，补充词条本身就是分析过程的一部分，写进论文里是加分项。

4. 可视化看板与Django集成——把分析结果“演”出来

4.1 图表选型：什么数据配什么图

可视化看板的效果直接决定了答辩时评委的第一印象。图表选型不能拍脑袋，核心原则是“一图一问”，每张图回答一个分析问题。

受众群体结构（年龄、性别、职业）→ 饼图或环形图
不同年龄段的类型偏好 → 堆叠柱状图或热力图
电影评分分布 → 直方图或箱线图
聚类结果 → 散点图（PCA降维后上色）
受众情感倾向 → 折线图或面积图
不同国家的电影数量与评分 → 地图或条形图

Pyecharts的接口风格是链式调用，配置项和ECharts几乎一一对应。这里展示一段雷达图的配置，用来展示聚类后某类人群的类型偏好特征：

python复制from pyecharts import options as opts
from pyecharts.charts import Radar

radar = Radar()
radar.add_schema(
    schema=[
        opts.RadarIndicatorItem(name="动作", max_=100),
        opts.RadarIndicatorItem(name="剧情", max_=100),
        opts.RadarIndicatorItem(name="喜剧", max_=100),
        opts.RadarIndicatorItem(name="科幻", max_=100),
        opts.RadarIndicatorItem(name="爱情", max_=100),
        opts.RadarIndicatorItem(name="动画", max_=100),
    ]
)
radar.add(
    "年轻人群体",
    [[pref_list]],  # pref_list是归一化后的偏好分数
    areastyle_opts=opts.AreaStyleOpts(opacity=0.3),
)
radar.set_global_opts(title_opts=opts.TitleOpts(title="年轻受众类型偏好特征"))

生成图表时有两条路：一是直接渲染成HTML文件，Django页面通过iframe挂载；二是在Django视图中通过API返回图表配置，前端渲染。对毕设来说，前者简单稳定，后者交互更灵活。我的建议是：核心看板用后者，因为要支持条件筛选联动；次要图表用前者，节省开发量。

4.2 Django视图与数据接口设计

Django在这个项目里的核心职责，是作为数据API层为图表提供JSON数据。这里给出一个标准的视图写法，通过ORM查询数据再转成JSON：

python复制import json
from django.http import JsonResponse
from .models import Movie, UserRating

def api_age_distribution(request):
    # 按年龄分组统计人数
    data = list(UserRating.objects.values('age_group')
                 .annotate(count=models.Count('user_id'))
                 .order_by('age_group'))
    return JsonResponse({'data': data})

需要给前端图表提供的接口，我建议至少包括这些：受众年龄分布、性别比例、职业构成、类型偏好交叉数据、评分分布、票房排行、情感得分对比、聚类散点数据。接口返回格式统一为 { "data": [...] }，前端拿到后直接喂给图表库，减少调试成本。

页面加载时先请求基础接口，用户点击筛选条件后再请求联动接口。联动筛选的经典场景是：点击年龄段，页面上的类型偏好图和评分分布图同步刷新。Django侧只需要接收GET参数做过滤查询，比如 UserRating.objects.filter(age_group=request.GET.get('age_group'))，业务量不大，但视觉上能让看板显得很有“产品感”。

4.3 前端看板布局与交互细节

前端不建议引入重型框架，用Django模板 + Bootstrap + 原生JavaScript就够了。看板的经典布局是：

顶部一行：四个核心指标卡片（总用户数、电影数量、平均评分、评论总数），数字用CountDown效果滚上去，提升动态感。
中部左侧：受众画像总览，环形图展示性别、年龄、职业分布。
中部右侧：类型偏好热力图，年龄段为行、电影类型为列。
下方左侧：评分分布直方图。
下方右侧：聚类散点图。
最底部：评论情感趋势线图。

页面整体的配色建议偏深色科技风，背景 #1e1e2e，卡片半透明，图表主色用鲜亮的蓝紫渐变。这样视觉效果很占优势，答辩投影时图表的辨识度也高。

javascript复制// 以年龄筛选联动为例
document.querySelectorAll('.age-filter').forEach(el => {
    el.addEventListener('click', function () {
        const ageGroup = this.dataset.age;
        fetch(`/api/type-preference/?age_group=${ageGroup}`)
            .then(res => res.json())
            .then(data => {
                // 更新对应图表数据
                preferenceChart.setOption({
                    series: [{ data: data.data }]
                });
            });
    });
});

5. 代码讲解与“一条龙交付”——毕设项目怎么做到能答辩、能复现

5.1 代码讲解的顺序与核心逻辑

代码讲解是很多人忽略但实际非常拉分的一个环节。评委老师不一定逐行看代码，但他们一定会问“这个项目整体是怎么组织的”“核心功能是怎么实现的”。讲代码的顺序，强烈建议和系统的数据流方向一致：从数据到分析再到展示，层层递进。

先把项目目录结构摆出来，区分 apps（Django应用）、analysis（分析脚本）、static（静态文件）、templates（模板）。重点讲解三个部分：爬虫脚本或数据预处理脚本的整体流程、分析脚本中聚类模型和情感分析的核心函数、Django视图的API设计。

核心函数要展开讲，讲清楚“输入是什么、输出是什么、为什么这么写”。比如情感分析函数，要先说输入是评论文本，经过分词、词表匹配、分数归一化，最终输出情感分数，然后说明这样做的直觉是“评论中积极词和消极词的相对比例能代表观众态度”。这种层层拆解式的讲法，既让评委听懂，也展示出你对自己的项目有完整理解。

5.2 论文文档的撰写重心

文档这一块，最容易拿分也最容易翻车的是“需求分析”和“系统设计”两章。需求分析要从“研究背景”和“用户需求”两个视角展开，不要直接抄技术博客。比如写“电影受众群体特征研究”的背景，可以从影视行业的数据化运营趋势切入，说明制片方和平台方对用户分群的真实需求。需求部分用用例图加文字描述，把管理员查询受众画像、研究者筛选条件分析、系统展示可视化结论这三类角色与操作写清楚。

系统设计章节要画架构图和E-R图。架构图强调数据流，E-R图画清楚电影、用户、评分、评论四个实体的关系。论文逻辑层次做到“背景与需求 → 总体设计 → 模块设计 → 关键实现 → 测试与展示”，这套结构是最稳的框架。

5.3 环境复现与一条龙交付的细节

所谓“一条龙定制”，本质上是保证项目在任何一台新电脑上都能快速跑起来，不能换个环境就崩。这个环节需要注意几个实操细节：

依赖管理一定用 requirements.txt，而且要用 pip freeze 生成，手动写列表容易漏版本。
数据库迁移文件要完整提交，部署新环境时执行 migrate 就能建表。
数据导入脚本单独封装成 manage.py 的command，执行一行命令完成全量数据导入。
Python版本和依赖版本有兼容性问题，建议在文档里明确注明开发环境的Python版本（比如3.9或3.10）。

bash复制# 新环境部署流程
pip install -r requirements.txt
python manage.py migrate
python manage.py import_data --file=data/movie_data.csv
python manage.py runserver

“代码讲解”服务，最好准备一个讲解视频的脚本，分三部分：项目背景与功能演示、核心代码逻辑拆解、运行部署步骤演示。视频不用太长，10到15分钟足够。讲解时语速稳定、按模块走，比逐行念代码强得多。

6. 常见问题与排查技巧实录

6.1 图表空白或数据加载不出

这个现象80%是接口返回的数据格式和前端预期不一致。排查思路是先访问接口URL，看JSON是否正常返回；如果接口正常，再看前端是否解析对了字段名。还有一种常见情况是后端ORM拼写错误导致查询结果为空，Django的ORM不会在查询空表时报错，只会安静地返回空列表，所以排查时要先在数据库里确认数据真的导入成功了。

6.2 Pyecharts图片显示不全或布局错乱

这通常是页面容器高度没设置。ECharts的图表容器要求父级元素有明确的高度，否则图表可能渲染成一条线或空白区域。给图表容器加 style="height:400px;" 基本能解决。另一个问题是多个图表放在同一行时宽度配比不对，Bootstrap栅格需要单独调试。对比图或密度图在窗口缩放时可能会变形，建议设置 renderer: 'canvas' 并给每个图设置固定的宽高比。

6.3 聚类结果混乱且解释性差

聚类效果不好的根源，大多是特征工程不过关。如果直接拿原始特征去聚类，噪声维度太多，分出来的簇没有业务含义。我的建议是先用PCA把维度压到5到8个主成分再做聚类，或者改用高斯混合模型。另外，聚类簇数K不要只依赖肘部法，结合业务经验选4到5个最好解释。聚类结果的好坏标准不是“统计上显著”，而是“每个簇能总结出清晰的人群特征”，这一步解释逻辑在论文里也要写明白。

6.4 中文乱码问题

Django模板页面中文乱码几乎都是编码设置问题。检查 settings.py 里的 LANGUAGE_CODE = 'zh-hans'，静态文件统一用UTF-8编码保存。Pyecharts导出的图表HTML里中文字体渲染异常，可以在 set_global_opts 里指定 theme 和字体。数据库表格中文乱码，要确认MySQL连接设置了 charset='utf8mb4'。

6.5 模型训练耗时过长

电影数据量本身不算大，但如果评论维度做全量情感分析，逐条分词会有点慢。优化方法很简单，用Pandas的 apply 并行化替代循环，或者用 multiprocessing 分片处理。另外把分词结果缓存到本地，二次分析直接读取缓存，速度提升非常明显。数据量超过5万条时，可以考虑用Django ORM的 iterator() 方法分批读取数据，避免一次性占满内存。

写在最后的个人体会

带过这么多类似的毕设项目，一个特别深的感受是：很多同学的代码能力并不差，差的是把“代码”变成“项目”的整合能力。这套电影受众研究系统的每个环节拆开来看都不算难——爬数据、做分析、画图表、搭Web框架，都是课堂里学过的散点技能。但把它们串成一个能演示、能讲解、能写进简历的完整系统，才是毕设真正的训练价值。

我自己在做这类项目时还有个习惯，就是给每个图标都加上一句业务解读。比如“18-25岁用户占整体用户数的38%”这不叫分析，“18-25岁用户是商业类型片的核心受众，且对国产喜剧片的偏好显著高于其他群体”才叫分析。把读到的数据变成能指导决策的洞察，这份能力拿到任何岗位上都用得着。

最后再分享一个小细节：Django项目里的 admin.py 一定不要空着。把三个表注册进Admin后台，给电影表加一个按类型筛选的 list_filter，演示的时候展示出来，这会让评委觉得系统是完整可用的——有人看的后台和没人看的后台，观感上是两种东西。这个动作只花五分钟，但收获的加分比想象的要多得多。