✨作者主页：IT毕设梦工厂✨ 个人简介：曾从事计算机专业培训教学，擅长Java、Python、PHP、.NET、Node.js、GO、微信小程序、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。 ☑文末获取源码☑ 精彩专栏推荐⬇⬇⬇ Java项目 Python项目 安卓项目 微信小程序项目
文章目录
- 一、前言
- 二、开发环境
- 三、系统界面展示
- 四、部分代码设计
- 五、论文参考
- 六、系统视频
- 结语
一、前言
本系统《基于大数据的银行客户定期存款订阅数据分析与可视化》是一套面向计算机专业本科毕业设计的完整技术解决方案，系统核心定位在于利用大数据处理框架对银行营销场景中的客户定期存款订阅行为进行深度分析与直观呈现。系统后端采用Spark SQL和Hadoop HDFS作为数据存储与计算底座，通过SparkSession.builder构建数据分析引擎，对银行客户年龄、职业、婚姻状况、上次营销接触时长、营销次数等字段进行清洗、聚合和统计建模，计算出各类客户群体对定期存款订阅的响应概率分布。前端基于Vue框架搭配ECharts图表库，将分析结果转化为大屏可视化看板，涵盖订阅转化率趋势、客户特征分布雷达图、营销渠道效果对比柱状图等核心视图。系统内置的定期存款订阅分析模块支持按时间维度、客户画像维度进行多角度下钻查询，营销客户数据模块则提供客户列表检索、标签筛选和批量导出功能。整套系统代码规范、注释清晰，并附带详细的部署文档，学生可直接在本地或云服务器上完成Hadoop集群搭建和Spark任务提交，无需额外配置复杂中间件。通过本系统，学生不仅能够掌握大数据处理全流程，还能深入理解银行金融场景下的数据分析落地实践，是一份兼具工程价值和学术价值的毕业设计作品。
二、开发环境
大数据框架：Hadoop+Spark（本次没用Hive，支持定制） 开发语言：Python+Java（两个版本都支持） 后端框架：Django+Spring Boot(Spring+SpringMVC+Mybatis)（两个版本都支持） 前端：Vue+ElementUI+Echarts+HTML+CSS+JavaScript+jQuery 详细技术点：Hadoop、HDFS、Spark、Spark SQL、Pandas、NumPy 数据库：MySQL
三、系统界面展示
- 银行客户定期存款订阅数据分析与可视化系统界面展示：
四、部分代码设计
- 项目实战-代码参考：
from pyspark.sql import SparkSession
from pyspark.sql.functions import col, when, count, avg, sum, round, desc, lit
spark = SparkSession.builder.appName("BankSubscriptionAnalysis").master("local[*]").getOrCreate()
df = spark.read.option("header", True).option("inferSchema", True).csv("hdfs://localhost:9000/user/bank_data/bank_marketing.csv")
# —– 核心功能1：大屏可视化-年龄分段订阅率聚合 —–
df_age_segment = df.withColumn("age_group", when(col("age") < 25, "18-24").when((col("age") >= 25) & (col("age") < 35), "25-34").when((col("age") >= 35) & (col("age") < 45), "35-44").when((col("age") >= 45) & (col("age") < 55), "45-54").otherwise("55+"))
subscription_rate_by_age = df_age_segment.groupBy("age_group").agg(round((sum(when(col("subscription") == "yes", 1).otherwise(0)) / count("subscription")) * 100, 2).alias("sub_rate"), count("subscription").alias("total_count"))
result_dashboard = subscription_rate_by_age.orderBy(desc("sub_rate")).collect()
for row in result_dashboard: print(f"年龄段{row['age_group']}订阅率{row['sub_rate']}%共{row['total_count']}人")
# —– 核心功能2：定期存款订阅分析-职业+婚姻状况交叉聚合 —–
df_filtered = df.filter((col("subscription").isNotNull()) & (col("job").isNotNull()) & (col("marital").isNotNull()))
cross_agg = df_filtered.groupBy("job", "marital").agg(count("subscription").alias("total_contacts"), sum(when(col("subscription") == "yes", 1).otherwise(0)).alias("subscribed_count"), round((sum(when(col("subscription") == "yes", 1).otherwise(0)) / count("subscription")) * 100, 2).alias("conversion_rate"))
cross_agg_sorted = cross_agg.orderBy(desc("conversion_rate"))
top10_cross = cross_agg_sorted.limit(10).collect()
for row in top10_cross: print(f"职业{row['job']}婚姻{row['marital']}转化率{row['conversion_rate']}%接触{row['total_contacts']}人订阅{row['subscribed_count']}人")
# —– 核心功能3：营销客户数据-按营销结果和上次联系天数筛选统计 —–
df_marketing = df.filter((col("pdays") != 999) & (col("previous").isNotNull()) & (col("campaign").isNotNull()))
df_marketing_enriched = df_marketing.withColumn("contact_frequency", when(col("campaign") <= 2, "低频").when((col("campaign") > 2) & (col("campaign") <= 5), "中频").otherwise("高频"))
filtered_result = df_marketing_enriched.filter((col("pdays") < 90) & (col("subscription") == "yes")).groupBy("contact_frequency").agg(count("subscription").alias("successful_subscriptions"), round(avg("previous"), 2).alias("avg_previous_contacts"), round(avg("campaign"), 2).alias("avg_campaign_times"))
final_output = filtered_result.orderBy(desc("successful_subscriptions")).collect()
for row in final_output: print(f"联系频率{row['contact_frequency']}成功订阅{row['successful_subscriptions']}人平均前次接触{row['avg_previous_contacts']}次平均本次营销{row['avg_campaign_times']}次")
spark.stop()
五、论文参考
- 计算机毕业设计选题推荐-银行客户定期存款订阅数据分析与可视化系统-论文参考：
六、系统视频
- 银行客户定期存款订阅数据分析与可视化系统-项目视频： 项目演示视频
结语
大家可以帮忙点赞、收藏、关注、评论啦～ 源码获取：⬇⬇⬇
精彩专栏推荐⬇⬇⬇ Java项目 Python项目 安卓项目 微信小程序项目
