【计算机毕业设计】基于大数据的肥胖风险预测与数据可视化分析系统 |hadoop+spark+hive

🔥作者：雨晨源码🔥
💖简介：java、微信小程序、安卓；定制开发，远程调试 代码讲解，文档指导，ppt制作💖
精彩专栏推荐订阅：在下方专栏👇🏻👇🏻👇🏻👇🏻
Java精彩实战毕设项目案例
小程序精彩项目案例
Python大数据项目案例

​💕💕文末获取源码

本次文章主要是介绍基于大数据的肥胖风险预测与数据可视化分析系统

1、肥胖风险因素预测与分析-前言介绍

1.1背景

随着居民生活方式的改变，高热量饮食、久坐少动、电子设备使用时间增加以及遗传因素等问题逐渐成为影响人体体重健康的重要因素。肥胖不仅会影响个体外观和生活质量，还可能增加高血压、糖尿病、心血管疾病等慢性疾病的发生风险。传统的肥胖风险判断通常依赖BMI指数或人工经验，难以综合考虑年龄、性别、饮食习惯、运动频率、家族肥胖史等多维度因素，也无法高效地对不同人群进行精细化风险分级。因此，如何利用机器学习技术挖掘肥胖数据中的潜在规律，建立具有较高准确率的肥胖风险预测模型，并以直观的可视化形式展示影响肥胖的关键因素，成为健康管理领域值得研究的问题。基于此，本课题设计并开发肥胖风险分析与预测系统，为用户提供数据分析、风险评估和健康建议服务。

1.2课题功能、技术

本课题以肥胖风险数据集为基础，采用Python语言进行数据处理与机器学习建模，使用Pandas完成原始数据的数据清洗、拼写错误修正、缺失值填充、异常值检测、分类特征编码及BMI等衍生指标构建。在数据分析部分，系统从人口统计学特征、饮食习惯、生活方式和遗传因素等多个维度分析肥胖风险的影响因素，并利用ECharts实现柱状图、饼图、散点图、热力图、雷达图、箱线图等可视化展示。在模型构建方面，采用Scikit-learn框架中的随机森林分类算法，将样本划分为体重不足、正常、超重和不同肥胖等级等七类风险等级，同时输出分类报告、混淆矩阵及特征重要性排名；结合K-Means聚类算法识别高风险人群画像。系统后端采用Django框架开发，数据库使用MySQL，前端采用Vue.js与ECharts实现交互式展示。

1.3 意义

本课题的研究与实现具有一定的实际应用价值。一方面，系统能够将复杂的肥胖相关数据进行清洗、整合和分析，帮助研究人员或健康管理人员快速了解不同因素与肥胖风险之间的关联，为人群健康研究提供数据支撑。另一方面，随机森林模型能够根据用户输入的身体信息、饮食习惯、运动情况及家族史等数据，实时预测其肥胖风险等级，并给出各类别的预测概率和个性化健康建议，从而增强用户对自身健康状态的认识。此外，通过K-Means聚类分析和多维度图表展示，系统可识别具有相似生活方式和高风险特征的人群，为开展分层健康干预、制定科学饮食计划及改善生活行为提供参考。该系统将机器学习、数据可视化与Web开发相结合，对智能健康管理系统的设计具有一定借鉴意义。

2、肥胖风险因素预测与分析-研究内容

1、数据采集：系统使用公开的肥胖风险数据集作为基础数据来源，采集内容包括性别、年龄、身高、体重、家族肥胖史、高热量食物摄入、蔬菜摄入、主餐次数、饮水量、运动频率、电子设备使用时间、交通方式及肥胖等级等字段，为后续分析和建模提供数据基础。
2、数据清洗与处理：利用Pandas对原始数据进行清洗，修正目标变量中的拼写错误，如将“0rmal_Weight”统一修正为“Normal_Weight”；检测并填充缺失值，数值型字段采用中位数填充，分类型字段采用众数填充；同时处理异常值，并通过LabelEncoder完成分类特征数值化编码。
3、数据可视化：系统基于Vue.js和ECharts构建数据可视化页面，展示肥胖等级分布、性别占比、年龄与BMI分布、身高体重散点关系、饮食习惯影响、生活方式雷达图、特征重要性排名、混淆矩阵和聚类结果等图表，使用户能够直观了解肥胖风险因素。
4、模型构建：采用随机森林分类算法训练肥胖风险预测模型，将样本划分为体重不足、正常、超重I级、超重II级及肥胖I至III型等七个类别。模型训练完成后输出准确率、分类报告、混淆矩阵和特征重要性；同时引入K-Means聚类算法，对高风险人群进行特征聚类和画像分析。
5、Web系统开发：系统后端采用Django框架开发，实现管理员注册登录、肥胖数据管理、模型分析和在线预测等功能；数据库采用MySQL存储用户信息、肥胖样本数据及预测历史记录；前端通过Vue.js构建交互页面，并调用后端接口实现数据展示、图表渲染及预测结果实时返回。

3、肥胖风险因素预测与分析 -开发技术与环境

• 开发语言：Python
• 大数据：Hadoop+Spark+Hive
• 数据处理：pandas
• 后端框架：Django
• 前端：Vue
• 数据库：MySQL
• 机器学习算法：随机森林预测模型
• 开发工具：Pycharm

4、肥胖风险因素预测与分析 -功能介绍

（创新点亮点：大数据【2w条数据集】、随机森林预测模型）
（1）肥胖风险预测：基于训练好的随机森林模型，实现在线肥胖风险预测功能。用户输入个人基本信息、家族因素、饮食习惯、生活方式，系统实时返回肥胖风险等级预测结果及各等级概率分布
（2）大屏分析：
（3）可视化分析：散点图展现BMI与肥胖等级的关系、热力图呈现各因素与肥胖风险的相关性、柱状图对比各肥胖等级分布、饼图分析性别与家族史占比、雷达图展示生活方式多维参数对比、箱线图分析年龄与饮食习惯分布差异。
（4）系统管理：注册登录、用户管理、肥胖数据管理。

5、肥胖风险因素预测与分析 -论文参考

6、肥胖风险因素预测与分析 -成果展示

6.1演示视频

演示视频连接

6.2演示图片

☀️登录☀️

☀️肥胖风险因素预测☀️

☀️大屏☀️

☀️可视化分析☀️

☀️数据管理☀️

7、代码展示

1.肥胖数据预处理与随机森林模型训练功能【代码如下（示例）：】

# 读取肥胖原始数据df=pd.read_csv("data/obesity_data.csv")# 修正目标变量拼写错误df["NObeyesdad"]=df["NObeyesdad"].replace({"0rmal_Weight":"Normal_Weight"})# 数值型字段缺失值使用中位数填充numeric_cols=df.select_dtypes(include=["int64","float64"]).columnsforcolinnumeric_cols: df[col]=df[col].fillna(df[col].median())# 分类型字段缺失值使用众数填充category_cols=df.select_dtypes(include=["object"]).columnsforcolincategory_cols: df[col]=df[col].fillna(df[col].mode()[0])# 构建BMI衍生特征，身高单位为米df["BMI"]=df["Weight"]/(df["Height"]**2)# 对分类特征进行LabelEncoder编码encoders={}forcolincategory_cols: encoder=LabelEncoder()df[col]=encoder.fit_transform(df[col].astype(str))encoders[col]=encoder# 划分特征数据和目标数据X=df.drop(columns=["NObeyesdad"])y=df["NObeyesdad"]# 划分训练集和测试集X_train, X_test, y_train, y_test=train_test_split(X, y,test_size=0.2,random_state=42,stratify=y)# 创建并训练随机森林模型model=RandomForestClassifier(n_estimators=200,max_depth=12,random_state=42)model.fit(X_train, y_train)# 模型预测与评估y_pred=model.predict(X_test)print("模型准确率：", accuracy_score(y_test, y_pred))print(classification_report(y_test, y_pred))print("混淆矩阵：\n", confusion_matrix(y_test, y_pred))

2.肥胖风险在线预测功能【代码如下（ 示例）：】

# 加载训练好的模型、编码器及特征字段model=joblib.load("model/obesity_rf_model.pkl")encoders=joblib.load("model/label_encoders.pkl")feature_columns=joblib.load("model/feature_columns.pkl")# 肥胖等级对应的健康建议health_advice={"Insufficient_Weight":"建议保证均衡营养摄入，适当增加优质蛋白质和主食。","Normal_Weight":"当前体重处于正常范围，建议保持规律饮食和运动习惯。","Overweight_Level_I":"建议减少高热量食物摄入，并增加每周运动频率。","Overweight_Level_II":"建议控制饮食总热量，减少久坐时间，必要时咨询医生。","Obesity_Type_I":"存在较高肥胖风险，建议制定科学减重计划并加强运动。","Obesity_Type_II":"肥胖风险较高，建议在专业人员指导下进行饮食和运动干预。","Obesity_Type_III":"肥胖风险严重，建议及时进行医学评估和综合健康管理。"}@csrf_exempt def obesity_predict(request):ifrequest.method!="POST":returnJsonResponse({"code":405,"msg":"仅支持POST请求"})try: data=json.loads(request.body.decode("utf-8"))input_df=pd.DataFrame([data])# 根据身高和体重计算BMIinput_df["BMI"]=input_df["Weight"]/(input_df["Height"]**2)# 对输入的分类字段进行编码forcol, encoderinencoders.items():ifcolininput_df.columns: input_df[col]=encoder.transform(input_df[col].astype(str))# 按训练模型的字段顺序整理输入数据input_df=input_df.reindex(columns=feature_columns,fill_value=0)# 执行预测并获取各类别概率prediction=model.predict(input_df)[0]probabilities=model.predict_proba(input_df)[0]risk_level=encoders["NObeyesdad"].inverse_transform([prediction])[0]probability_data=dict(zip(encoders["NObeyesdad"].classes_,[round(float(p),4)forpinprobabilities]))returnJsonResponse({"code":200,"msg":"预测成功","risk_level":risk_level,"probabilities":probability_data,"advice":health_advice.get(risk_level,"请保持健康生活方式。")})except Exception as e:returnJsonResponse({"code":500,"msg":f"预测失败：{str(e)}"})

8、结语（文末获取源码）

💕💕
Java精彩实战毕设项目案例
小程序精彩项目案例
Python大数据项目案例
💟💟如果大家有任何疑虑，或者对这个系统感兴趣，欢迎点赞收藏、留言交流啦！
💟💟欢迎在下方位置详细交流。