當前位置：首頁 > 编程语言 > python >内容正文

python

python flask智能租房项目——详情页

發布時間：2023/12/31 python 28 豆豆

生活随笔收集整理的這篇文章主要介紹了 python flask智能租房项目——详情页小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

基本信息展示

1. 后端接?設計

接?描述接?參數
請求?? 詳情?
請求?式 GET
請求地址 /house/int:hid
返回數據房源對象，包括：id、address、rooms、area、price、liulanliang等信息
房源數據所需字段如下：
參數類型說明
id int 房源id
title str 標題
rooms str 戶型
area str ?積
price str 價格
addr str 房源地址
traffic str 交通情況
region str 地區
direction str 朝向
type str 瀏覽量
time int 發布時間，格式是時間戳
liangdian str 房屋亮點
sheshi str 房屋?帶的電器、家具等設施
tel str 房東電話

2. 后端邏輯

# 實現房源的基本信息展示 """ 1. 創建?個視圖函數動態路由 /house/<int:hid> method=get 2. 使?房源編號通過sqlalchemy獲取編號對應的房源對象就可以獲取對象中的信息了 3. 使?render_template進?模板的渲染 """ @detail_page.route('/house/<int:hid>') def detail(hid): # 使?房源編號通過sqlalchemy獲取編號對應的房源對象 house = House.query.get(hid) # 處理配套設施的數據，變換成列表 sheshi_str = house.sheshi # 床-寬帶-洗?機-空調-熱?器-暖? sheshi_list = sheshi_str.split('-') return render_template('detail_page.html', house=house, sheshi=sheshi_list)

配套設施
之前我們存放在數據庫中的配套設施信息是這樣的
空調-熱?器-暖?-可做飯-衛?間
所以我們在使?的時候，需要對其進?處理，轉換成 [‘空調’, ‘熱?器’,‘暖?’,‘可做飯’,‘衛?間’]

3. 前端邏輯

<div class="col-lg-12 col-md-12 detail-header"><h3>{{ house.address }}&nbsp{{ house.rooms }}</h3><div class="describe"><span>為您精準定位，當前城市房源信息</span></div></div><div class="col-lg-8 col-md-8"><div class="course"><div><a href="#"><img class='img-fluid img-box' src="/static/img/house-bg1.jpg" alt=""></a></div><div class="house-info"><span class="price">￥&nbsp{{ house.price }}/月</span><span class="collection" id="btn-collection"><a><i class="fa fa-heart"aria-hidden="true"> 收藏</i></a></span></div><div class="attribute-header"><h4>基本信息</h4></div><div class="row attribute-info"><div class="col-lg-2 col-md-2"><span class="attribute-text">基本屬性</span></div><div class="col-lg-4 col-md-4"><div><span class="attribute-text">房屋戶型：</span><span class="info-text">{{ house.rooms }}</span></div><div><span class="attribute-text">建筑面積：</span><span class="info-text">{{ house.area }}平米</span></div><div><span class="attribute-text">房屋朝向：</span><span class="info-text">{{ house.direction }}</span></div></div><div class="col-lg-6 col-md-6"><div><span class="attribute-text">所在區域：</span><span class="info-text">{{ house.address }}</span></div><div><span class="attribute-text">租住類型：</span><span class="info-text">{{ house.rent_type }}</span></div><div><span class="attribute-text">房東電話：</span><span class="info-text">{{ house.phone_num }}</span></div></div></div><div class="row attribute-info"><div class="col-lg-2 col-md-2"><span class="attribute-text">房屋賣點</span></div><div class="col-lg-8 col-md-8"><div><span class="attribute-text">交通條件：</span><span class="info-text">{{ house.traffic | dealNone }}</span></div><div><span class="attribute-text">優勢條件：</span><span class="info-text">{{ house.title }}</span></div></div></div><div class="attribute-header"><h4>房源配套設施</h4></div><div class="row attribute-info"><div class="col-lg-2 col-md-2"><span class="icon-1"></span>{% if '冰箱' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">冰箱</span>{% else %}<span class="attribute-text-sm"><s>冰箱</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-2"></span>{% if '洗衣機' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">洗衣機</span>{% else %}<span class="attribute-text-sm"><s>洗衣機</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-3"></span>{% if '電視' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">電視</span>{% else %}<span class="attribute-text-sm"><s>電視</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-4"></span>{% if '空調' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">空調</span>{% else %}<span class="attribute-text-sm"><s>空調</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-5"></span>{% if '暖氣' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">暖氣</span>{% else %}<span class="attribute-text-sm"><s>暖氣</s></span>{% endif %}</div></div><div class="row attribute-info"><div class="col-lg-2 col-md-2"><span class="icon-6"></span>{% if '熱水器' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">熱水器</span>{% else %}<span class="attribute-text-sm"><s>熱水器</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-7"></span>{% if '天然氣' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">天然氣</span>{% else %}<span class="attribute-text-sm"><s>天然氣</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-8"></span>{% if '床' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">床</span>{% else %}<span class="attribute-text-sm"><s>床</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-9"></span>{% if '寬帶' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">WIFI</span>{% else %}<span class="attribute-text-sm"><s>WIFI</s></span>{% endif %}</div><div class="col-lg-2 col-md-2"><span class="icon-10"></span>{% if '電梯' in sheshi %}<span class="attribute-text-sm" style="color: #f1c40f">電梯</span>{% else %}<span class="attribute-text-sm"><s>電梯</s></span>{% endif %}</div></div></div></div>

戶型占?

1. 后端接?設計

接?描述接?參數
請求?? 詳情?
請求?式 GET
請求地址 /get/piedata/
返回數據 json數據格式

{'data': [{'name':'2室1廳', 'value':86}, {'name':'3室1廳', 'value':69}]}

每?組的房源數據所需字段如下：
參數類型說明
name str 戶型
value int 數量

2. 效果及功能介紹

功能的作?：
統計房源所屬街道的戶型占?
功能的?途：
提供房源附近的戶型占?信息，?便?戶了解哪種戶型更加好找
關于所屬街道的解釋：
房源的address：順義-順義城-怡馨家園
那么房源所屬街道：順義-順義城，對應房源的block字段

3. 戶型占?功能實現邏輯

4.1 第?步和第?步前端發送請求

// 獲取pie $.ajax({ url: "/get/piedata/{{ house.block }}", type: 'get', dataType: 'json', success: function (data) { pie_chart(data['data']) } });

4.2 第三步數據選擇、處理、變換和返回

# 實現戶型占比功能 """ 1. 創建一個視圖函數 /get/piedata/<block> get請求方式 2. 獲取block字段使用sqlalchemy來查詢符合block字段的房源 3. 分組統計房源中的戶型和數量根據數量對戶型進行排序降序排序 4. 封裝數據 5. 提交給echarts """ @detail_page.route('/get/piedata/<block>') def return_pie_data(block):print(block)# 1. 選擇 filter(House.block == block)# 2. 預處理 group_by(House.rooms).order_by(func.count().desc())# 3. 預處理的結果是 resultresult = House.query.with_entities(House.rooms, func.count()).filter(House.block == block).group_by(House.rooms).order_by(func.count().desc()).all()# 4. 對數據進行變換 result ==> {'name': one_house[0], 'value': one_house[1]}data = []for one_house in result:data.append({'name': one_house[0], 'value': one_house[1]})return jsonify({'data': data})

4.3. 渲染-數據展示

?區房源數量TOP20

1. 后端接?設計

接?描述接?參數
請求?? 詳情?-當前街道的?區數量top20
請求?式 GET
請求地址 /get/columndata/
返回數據 json數據格式
圖表類型柱狀圖

{'name_list_x': ['紫??安', '橡樹灣', '友誼嘉園', '?釣?臺嘉園', '華清嘉園', '永旺家園', '碧?云天', '??坊回遷房', '遠?園五區', '常?園北?', '緣溪堂', '頤源居', '五福玲瓏居', '萬泉新新家園', '京泉馨苑', '世紀城晨?園', '頤慧佳園', '肖家河新村東區', '柳浪家園', '上地東?', '曙光花園望?園', '和泓四季'], 'num_list_y': [123, 95, 86, 85, 81, 77, 73, 73, 67, 63, 62, 60, 58, 56, 55, 54, 52, 49, 48, 48, 46, 44]}

參數類型說明
name_list_x 列表 X軸的變量，?區名稱
num_list_y 列表 Y軸的變量，?區數量

2. 效果及功能介紹

功能的作?：
先獲取房源所處街道附近的所有?區，然后統計各個?區的在租房源數量
功能的?途：
提供房源附近各個?區在租房源數量，?便?戶尋找?標房源

4.1 第?步前端發送請求

// 獲取column$.ajax({url: "/get/columndata/{{ house.block }}",type: 'get',dataType: 'json',success: function (data) {column_chart(data['data'])}});

4.2 第?步數據選擇、處理變換和返回數據

# 實現本地區小區數量TOP20功能 """ 1. 創建一個視圖函數 /get/columndata/<block> get請求方式 2. 獲取block字段使用sqlalchemy獲取符合這個block字段的所有房源數據 --- 目標數據 3. 預處理對目標數據進行分組依據小區名字進行分組統計每個小區的房源數量就可以根據房源數量對小區進項排序降序排序的方式————預處理的結果 4. 進行數據的變換變換成能夠提交給echarts的數據格式 5. 使用jsonify返回數據給前端 """ @detail_page.route('/get/columndata/<block>') def return_bar_data(block):result = House.query.with_entities(House.address, func.count()).filter(House.block == block).group_by(House.address).order_by(func.count().desc()).all() # 小區名字出現在address這個字段中# {'name_list_x':['xxx小區','xxx小區','xxx小區'],'num_list_y':[160,149,128]}name_list = []num_list = []for addr, num in result:# 順義-順義城-西辛南區 ==> ['順義-順義城', '西辛南區'] ==> 西辛南區xiaoqu_name = addr.rsplit('-', 1)[1]name_list.append(xiaoqu_name)![在這里插入圖片描述](https://img-blog.csdnimg.cn/b9d7e97b29fd4e50a0b614a115c4f427.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAcGVhY2V6aGk=,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)num_list.append(num)# 獲取TOP20的數據大于20的就直接舍去if len(name_list) > 20:data = {'name_list_x': name_list[:20], 'num_list_y': num_list[:20]}else:data = {'name_list_x': name_list, 'num_list_y': num_list}return jsonify({'data': data})

4.3 渲染-數據展示

戶型價格?勢

1. 后端接?設計

接?描述接?參數
請求?? 詳情?
請求?式 GET
請求地址 /get/brokenlinedata/
返回數據 json數據格式
圖表類型折線圖

{'data': {'2室1廳': [50.6, 45.32], '1室1廳': [48.36, 51.08], '2室2廳': [48.34, 59.42] , '3室2廳': [48.28, 48.14]}}

2. 效果及功能介紹

功能的作?：
先獲取房源所處街道附近的所有房源價格，然后獲取最近半個?四個戶型的平均價格（租?/?積）
功能的?途：
提供房源街道區域的戶型價格?勢，?便?戶了解市場?情

4.1 第?步前端發送請求

// 獲取broken_line $.ajax({url: "/get/brokenlinedata/{{ house.block }}",type: 'get',dataType: 'json',success: function (data) {broken_line_chart(data['data'])} });

4.2 第?步數據選擇、處理變換和返回數據

# 實現戶型價格走勢 """ 1. 創建一個視圖函數 /get/brokenlinedata/<block> get請求方式 2. 獲取block字段使用sqlalchemy獲取符合block字段和戶型的房源數據 --- 目標數據 3. 預處理對目標數據進行分組分組的依據是房源的發布時間使用func函數中avg()獲取 price/area價格按照發布時間來進行排序默認方式進行排序 --- 預處理的結果 4. 對預處理的結果進行變換的到提供給echarts的數據 {'data':{'1室1廳':[76.49, 42.86]}} """ @detail_page.route('/get/brokenlinedata/<block>') def return_brokenline_data(block):# 1室1廳的戶型result = House.query.with_entities(func.avg(House.price / House.area)).filter(House.block == block,House.rooms == '1室1廳').group_by(House.publish_time).order_by(House.publish_time).all()data = []for i in result[-14:]:data.append(round(i[0], 2))# 2室1廳的戶型result1 = House.query.with_entities(func.avg(House.price / House.area)).filter(House.block == block,House.rooms == '2室1廳').group_by(House.publish_time).order_by(House.publish_time).all()data1 = []for i in result1[-14:]:data1.append(round(i[0], 2))# 2室2廳的戶型result2 = House.query.with_entities(func.avg(House.price / House.area)).filter(House.block == block,House.rooms == '2室2廳').group_by(House.publish_time).order_by(House.publish_time).all()data2 = []for i in result2[-14:]:data2.append(round(i[0], 2))# 3室2廳的戶型result3 = House.query.with_entities(func.avg(House.price / House.area)).filter(House.block == block,House.rooms == '3室2廳').group_by(House.publish_time).order_by(House.publish_time).all()data3 = []for i in result3[-14:]:data3.append(round(i[0], 2))return jsonify({'data': {'1室1廳': data, '2室1廳': data1, '2室2廳': data2, '3室2廳': data3}})

4.3 第三步渲染-數據展示

預測房價

1. 后端接?設計

接?描述接?參數
請求?? 詳情?-所在區域內房價預測
請求?式 GET
請求地址 /get/scatterdata/
返回數據 json數據格式
圖表類型散點圖

{'data': [[0, 85], [1, 110], [2, 105], [3, 87], [4, 84], [5, 86], [6, 74], [7, 67], [8, 91], [9, 76], [10, 63], [11, 68], [12, 80], [13, 93], [14, 115], [15, 72], [16 , 81], [17, 88], [18, 121], [19, 91], [20, 78], [21, 91], [22, 155], [23, 180], [24 , 84], [25, 199], [26, 98], [27, 104], [28, 108], [29, 125], [30, 91], [31, 76], [32 , 78], [33, 74], [34, 102], [35, 112], [36, 88], [37, 67], [38, 124], [39, 90], [40 , 112], [41, 90], [42, 106]]}

參數類型說明
data 數組列表數組[X，Y]。X為時間，Y為單價。

2. 效果展示

功能的作?：
先獲取房源所處街道附近的所有房源價格，然后根據時間統計每?的平均價格（租?/?積）
功能的?途：
提供房源街道區域的價格?勢，?便?戶了解市場?情

4.1 第?步前端發送請求

// 獲取scatter$.ajax({url: "/get/scatterdata/{{ house.block }}",type: 'get',dataType: 'json',success: function (data) {getdata1(data['data']);}});

3.2 第?步數據選擇、處理、變換和返回數據

# 實現房價預測功能 """ 1. 創建一個視圖函數 /get/scaterdata/<block> get請求方式 2. 獲取block字段然后使用sqlalchemy獲取符合blocl字段的所有房源 --- 目標數據 3. 預處理對目標數據進行分組分組的依據就是房源的發布時間使用func中avg()獲取 price/area價格按照發布時間進行排序 --- 預處理的結果 4. 對預處理的結果進行變換得到能夠提交給echarts的數據格式 {'data':[[0,50],[1,16.87],[2,76.49]]} """ @detail_page.route('/get/scatterdata/<block>') def return_scatter_data(block):# 1. 實現已有數據的渲染result = House.query.with_entities(func.avg(House.price / House.area)).filter(House.block == block).group_by(House.publish_time).order_by(House.publish_time).all()data = []X = []Y = []for index, i in enumerate(result):X.append([index])Y.append(round(i[0], 2))data.append([index, round(i[0], 2)]) # round函數可以完成浮點數的四舍五入的運算傳入兩個參數第一參數：浮點數第二參數：保留的小數位# 2. 對未來一天（第二天）的價格進行預測predict_value = len(data)predict_outcome = linear_model_main(X, Y, predict_value)print(predict_outcome)p_outcome = round(predict_outcome[0], 2)# 3. 將預測的數據添加入data中data.append([predict_value, p_outcome])return jsonify({'data': data})

4. 渲染-數據展示

協同過濾算法

1. 協同過濾算法

通過尋找與??興趣、?為相似的對象使?他們以往的數據，來給??推薦??想要的東?。

2. 協同過濾算法的分類

2.1 基于物品的協同算法

2.2 基于?戶的協同算法

3. 本項?使?基于?戶的協同過濾算法

4. 使??爾遜相關系數做推薦

4.2 實現pearson推薦算法

from utils.con_to_db import query_data from math import sqrt# 獲取推薦表中所有的用戶id """ 1. 創建一個函數 2. 獲取推薦表中的所有用戶瀏覽的信息，根據用戶id進行分類，獲取所有的用戶的id 3. 對獲取到的結果進行變形 """ def get_total_u_id():# 用來獲取推薦表中所有的用戶idsql = 'select user_id from tuijian group by user_id'result = query_data(sql)# print(result)# 將所有的用戶id放入到一個列表中total_u_id = list([i[0] for i in result])# print(total_u_id)return total_u_id# 獲取每個用戶的歷史記錄的需求 """ 1. 創建一個函數 2. 通過user_id這個字段來過濾出當前用戶的所有的瀏覽歷史從當前的這組數據中獲取house_id 和 score 3. 對獲取到的數據進行組裝 {1: {123:4, 234:2} } ==> {u_id: {house_id: score, house_id:score.....}} """ def get_user_info(user_id):# 使用sql語句完成數據庫的查詢sql = 'select user_id, house_id, score from tuijian where user_id = "{}"'.format(user_id)result = query_data(sql)# print(result)data = {}for info in result:# data字典中還沒有插入過當前用戶的信息的操作if info[0] not in data.keys():data[info[0]] = {info[1]: info[2]}else:data[info[0]][info[1]] = info[2]# print(data)return data# 獲取兩個用戶的相似度 """ 1. 創建一個函數 2. 獲取兩個用戶的各自的瀏覽記錄 3. 后去兩個用戶共同的瀏覽過的房源 4. 使用pearson公式來獲取他們的相似度 """def pearson_sim(user1, sim_user):# 獲取兩個用戶的各自的瀏覽記錄user1_data = get_user_info(user1)[int(user1)]user2_data = get_user_info(sim_user)[int(sim_user)]# 兩個用戶共同的瀏覽過的房源common = []for key in user1_data.keys(): # keys函數使用來獲取字典中所有的鍵返回的是盛放鍵的列表if key in user2_data.keys():common.append(key)# 如果沒有共同評論過的房源就返回0if len(common) == 0:return 0# 統計相同房源的個數n = len(common)# print(n, common)# 計算評分和 Ex和Eyuser1_sum = sum([user1_data[hid] for hid in common])user2_sum = sum([user2_data[hid] for hid in common])# 計算評分的平方和 E(x)^2 E(y)^2pow_sum1 = sum([pow(user1_data[hid], 2) for hid in common])pow_sum2 = sum([pow(user2_data[hid], 2) for hid in common])# 計算乘積的和PSum = sum([float(user1_data[hid] * float(user2_data[hid])) for hid in common])# 組裝成分子fenzi = PSum - (user1_sum * user2_sum / n)# 組裝分母fenmu = sqrt(pow_sum1 - pow(user1_sum, 2) / n) * (pow_sum2 - pow(user2_sum, 2) / n)if fenmu == 0:return 0result = fenzi / fenmu# print(result)return result# 獲取相似度在前十名的用戶 """ 1. 創建一個函數 2. 獲取推薦表中的全部的用戶的id 3. 遍歷全部用戶的id 獲取除自己之外的所有用戶的相似度 4. 使用sort函數來進行降序排序獲取前十名的用戶id """def top10_similar(UserID):# 獲取推薦表中的全部的用戶的idtotal_u_id = get_total_u_id()# 遍歷全部用戶的id 獲取除自己之外的所有用戶的相似度res = []for u_id in total_u_id:if int(UserID) != u_id:similar = pearson_sim(int(UserID), int(u_id))if similar > 0:res.append((u_id, similar))# print(res)# 使用sort函數來進行降序排序獲取前十名的用戶idres.sort(key=lambda val: val[1], reverse=True)# sort函數可以對列表進行排序默認使用升序方式排序使用reverse改為降序排序# print(res[:10])return res# 獲取推薦的房源 """ 1. 創建一個函數 2. 獲取相似度最高的用戶通過這個用戶獲取他完整的瀏覽記錄 3. 獲取當前這個用戶的完整瀏覽記錄 4. 判斷當前用戶中沒有但是在相似用戶中評價最高的房源 5. 按照評分使用sort來進行排序降序排序獲取前6個 """def recommed(user):# 判斷獲取到的top10_similar()函數的結果是否有值，如果沒有值返回Noneif len(top10_similar(user)) == 0:return None# 獲取相似度最高的用戶idtop_sim_user = top10_similar(user)[0][0]# 獲取相似度最高的用戶的完整瀏覽記錄items = get_user_info(top_sim_user)[int(top_sim_user)] # {1: {123:4, 234:2}}# 獲取當前用戶自己的瀏覽記錄user_data = get_user_info(user)[int(user)]# 篩選當前用戶未瀏覽的房源并添加到列表中recommendata = []for item in items.keys():if item not in user_data.keys():recommendata.append((item, items[item]))# print(recommendata)recommendata.sort(key=lambda val: val[1], reverse=True)# print(recommendata)# 返回評分最高的6套房源if len(recommendata) > 6:return recommendata[:6]else:return recommendataif __name__ == '__main__':# get_total_u_id()# get_user_info(1)# pearson_sim(1, 23)# top10_similar(3)recommendata= recommed(1)print(recommendata)

智能推薦

1. 后端邏輯

智能推薦的邏輯應該在詳情?detail視圖函數的中實現。?在實現的時候，我們需要分登陸狀態和?登錄狀態兩種情況來進?討論，詳細的邏輯如下圖所示：

# 實現房源的基本信息展示 """ 1. 創建一個視圖函數動態路由 /house/<int:hid> method=get 2. 使用房源編號通過sqlalchemy獲取編號對應的房源對象就可以獲取對象中的信息了 3. 使用render_template進行模板的渲染 """ @detail_page.route('/house/<int:hid>') def detail(hid):house = House.query.get(hid)sheshi_str = house.sheshi # 床-寬帶-洗衣機-空調-熱水器-暖氣sheshi_list = sheshi_str.split('-')# 判斷用戶是否處于登錄狀態下name = request.cookies.get('name')# 定義一個用來盛放推薦房源的列表容器tuijian = []# 在登陸狀態下if name:# 獲取用戶對象user = User.query.filter(User.name == name).first()# 獲取用戶對象的瀏覽記錄seen_id_str = user.seen_id # 瀏覽記錄的格式：'123，234，345' 或著 null# 已經存在的瀏覽記錄if seen_id_str:# 對瀏覽記錄進行變形將字符串轉換成列表 '123，234，345' ==> ['123','234','345']seen_id_list = seen_id_str.split(',')# 將列表轉換成元素為整數的列表 ['123','234','345'] ==> [123, 234, 345]# 借助set函數來去重set_id = set([int(i) for i in seen_id_list]) # [123, 234, 345] ==> {123, 234,345}# 如果hid在瀏覽記錄中if hid in set_id:pass# 如果hid不在瀏覽記錄中else:new_seen_id_str = seen_id_str + ',' + str(hid)user.seen_id = new_seen_id_strdb.session.commit()# 瀏覽記錄為nullelse:# 直接將當前的hid插入到瀏覽記錄中user.seen_id = str(hid)db.session.commit()# TODO 實現推薦功能# 添加用戶的瀏覽次數# 查詢 tuijian表中是否有當前用戶對此房源的瀏覽記錄info = Tuijian.query.filter(Tuijian.user_id==user.id, Tuijian.house_id==house.id).first()# 第一種情況，該用戶對此房源已經瀏覽過了，就對推薦表中score進行加一if info:print('推薦表中已經存在<user:{}>對<house:{}>的瀏覽記錄'.format(user.id, house.id))new_score = info.score + 1info.score = new_scoredb.session.commit()print('完成：對<user:{}><house:{}>瀏覽記錄+1的操作'.format(user.id, house.id))# 第二種情況，該用戶對此房源沒有瀏覽過，直接插入一條新的數據else:new_info = Tuijian(user_id=user.id, house_id=house.id, title=house.title, address=house.address, block=house.block, score=1)db.session.add(new_info)db.session.commit()print('推薦表中不存在<user:{}>對<house:{}>的瀏覽記錄，因此添加一條新的信息到推薦表中'.format(user.id, house.id))# 根據推薦系統的返回值，給用戶返回推薦結果# 調用推薦系統的recommed函數result = recommed(user.id)# 第一種情況，有推薦的返回值，就代表有推薦房源，此時返回推薦房源給用戶if result:print('-----使用推薦系統，獲取推薦房源給用戶-----')for tuijian_hid, tuijian_num in result:tuijian_house = House.query.get(int(tuijian_hid))tuijian.append(tuijian_house)# 第二種情況，沒有推薦的返回值，代表推薦房源為空列表，此時返回同小區的房源給用戶else:print('-----使用普通推薦系統，獲取同小區的房源給用戶-----')putong_tuijian = House.query.filter(House.address==house.address).order_by(House.liulanliang.desc()).all()if len(putong_tuijian) > 6:tuijian = putong_tuijian[:6]else:tuijian = putong_tuijian# 沒有在登陸狀態下else:print('-----使用普通推薦系統，獲取同小區的房源給用戶-----')putong_tuijian = House.query.filter(House.address == house.address).order_by(House.liulanliang.desc()).all()if len(putong_tuijian) > 6:tuijian = putong_tuijian[:6]else:tuijian = putong_tuijianreturn render_template('detail_page.html', house=house, sheshi=sheshi_list, tuijian=tuijian)

源代碼

鏈接：https://pan.baidu.com/s/1oBlP7B52Kp9mcqoIeHLX7Q
提取碼：yovx
復制這段內容后打開百度網盤手機App，操作更方便哦

總結

以上是生活随笔為你收集整理的python flask智能租房项目——详情页的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

python

python flask智能租房项目——详情页

基本信息展示

1. 后端接?設計

2. 后端邏輯

3. 前端邏輯

戶型占?

1. 后端接?設計

2. 效果及功能介紹

3. 戶型占?功能實現邏輯

4.1 第?步和第?步 前端發送請求

4.2 第三步 數據選擇、處理、變換和返回

4.3. 渲染-數據展示

?區房源數量TOP20

1. 后端接?設計

2. 效果及功能介紹

4.1 第?步 前端發送請求

4.2 第?步 數據選擇、處理變換和返回數據

4.3 渲染-數據展示

戶型價格?勢

1. 后端接?設計

2. 效果及功能介紹

4.1 第?步 前端發送請求

4.2 第?步 數據選擇、處理變換和返回數據

4.3 第三步 渲染-數據展示

預測房價

1. 后端接?設計

2. 效果展示

4.1 第?步 前端發送請求

3.2 第?步 數據選擇、處理、變換和返回數據

4. 渲染-數據展示

協同過濾算法

1. 協同過濾算法

2. 協同過濾算法的分類

2.1 基于物品的協同算法

2.2 基于?戶的協同算法

3. 本項?使?基于?戶的協同過濾算法

4. 使??爾遜相關系數做推薦

4.2 實現pearson推薦算法

智能推薦

1. 后端邏輯

源代碼

總結

4.1 第?步和第?步前端發送請求

4.2 第三步數據選擇、處理、變換和返回

4.1 第?步前端發送請求

4.2 第?步數據選擇、處理變換和返回數據

4.1 第?步前端發送請求

4.2 第?步數據選擇、處理變換和返回數據

4.3 第三步渲染-數據展示

4.1 第?步前端發送請求

3.2 第?步數據選擇、處理、變換和返回數據