这次分享图书分析大屏展示系统，界面简洁大气，功能齐全，是不可多得的比较容易的系统，非常适合毕业设计或者课程设计。
Django+爬虫+Hadoop、Spark数据清洗与可视化
数据库：MySQL
Python版本：3.7
Django版本：4.2.2
创新点：SparkML推荐算法ALS 机器学习 深度学习 爬虫 可视化大屏 前后台大屏一应俱全

import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense

# 加载图书数据集
data = pd.read_csv('books.csv')

# 使用TF-IDF向量化图书描述
tfidf = TfidfVectorizer(stop_words='english')
tfidf_matrix = tfidf.fit_transform(data['description'])

# 构建推荐系统数据集
X = tfidf_matrix.toarray()
y = data['target_variable']

# 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)

# 构建深度学习模型
model = Sequential()
model.add(Dense(128, input_dim=X_train.shape[1], activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

# 使用模型进行预测
predictions = model.predict(X_test)

# 示例输出
print(predictions)