91 网站点击流数据分析案例(数据展示)

简介: 91 网站点击流数据分析案例(数据展示)

在企业的数据分析系统中,前端展现工具有很多

  • 独立部署专门系统的方式:以Business Objects(BO,Crystal Report),Heperion(Brio),Cognos等国外产品为代表的,它们的服务器是单独部署的,与应用程序之间通过某种协议沟通信息。
  • 有WEB程序展现方式:通过独立的或者嵌入式的java web系统来读取报表统计结果,以网页的形式对结果进行展现,如,100%纯Java的润乾报表。

本日志分析项目采用自己开发web程序展现的方式

  • Web展现程序采用的技术框架:
    Jquery + Echarts + springmvc + spring + mybatis + mysql
  • 展现的流程:
    1.使用sshmysql中读取要展现的数据
    2.使用json格式将读取到的数据返回给页面
    3.在页面上用echartsjson解析并形成图标

Web程序工程结构

采用maven管理工程,引入SSH框架依赖及jquery+echarts的js库

Web程序的实现代码

采用典型的MVC架构实现

页面 HTML + JQUERY + ECHARTS
Controller SpringMVC
Service Service
DAO Mybatis
数据库 Mysql

代码示例:ChartServiceImpl

@Service("chartService")
public class ChartServiceImpl implements IChartService {
  @Autowired
  IEchartsDao iEchartsDao;
  public EchartsData getChartsData() {
    List<Integer> xAxiesList = iEchartsDao.getXAxiesList("");
    List<Integer> pointsDataList = iEchartsDao.getPointsDataList("");
    EchartsData data = new EchartsData();
    ToolBox toolBox = EchartsOptionUtil.getToolBox();
    Serie serie = EchartsOptionUtil.getSerie(pointsDataList);
    ArrayList<Serie> series = new ArrayList<Serie>();
    series.add(serie);
    List<XAxi> xAxis = EchartsOptionUtil.getXAxis(xAxiesList);
    List<YAxi> yAxis = EchartsOptionUtil.getYAxis();
    HashMap<String, String> title = new HashMap<String, String>();
    title.put("text", "pvs");
    title.put("subtext", "超级pvs");
    HashMap<String, String> tooltip = new HashMap<String, String>();
    tooltip.put("trigger", "axis");
    HashMap<String, String[]> legend = new HashMap<String, String[]>();
    legend.put("data", new String[]{"pv统计"});
    data.setTitle(title);
    data.setTooltip(tooltip);
    data.setLegend(legend);
    data.setToolbox(toolBox);
    data.setCalculable(true);
    data.setxAxis(xAxis);
    data.setyAxis(yAxis);
    data.setSeries(series);
    return data;
  }
  public List<HashMap<String, Integer>> getGaiKuangList(String date) throws ParseException{
    HashMap<String, Integer> gaiKuangToday = iEchartsDao.getGaiKuang(date);
    SimpleDateFormat sf = new SimpleDateFormat("MMdd");
    Date parse = sf.parse(date);
    Calendar calendar = Calendar.getInstance();
    calendar.setTime(parse);
    calendar.add(Calendar.DAY_OF_MONTH, -1);
    Date before = calendar.getTime();
    String beforeString = sf.format(before);
    System.out.println(beforeString);
    HashMap<String, Integer> gaiKuangBefore = iEchartsDao.getGaiKuang(beforeString);
    ArrayList<HashMap<String, Integer>> gaiKuangList = new ArrayList<HashMap<String, Integer>>();
    gaiKuangList.add(gaiKuangToday);
    gaiKuangList.add(gaiKuangBefore);
    return gaiKuangList;
  }
  public static void main(String[] args) {
    ChartServiceImpl chartServiceImpl = new ChartServiceImpl();
    EchartsData chartsData = chartServiceImpl.getChartsData();
    Gson gson = new Gson();
    String json = gson.toJson(chartsData);
    System.out.println(json);
  }
}

Web程序的展现效果

1.网站概况

2.流量分析

3.来源分析

4.访客分析

目录
相关文章
|
9月前
|
数据采集 数据可视化 数据挖掘
用 Excel+Power Query 做电商数据分析:从 “每天加班整理数据” 到 “一键生成报表” 的配置教程
在电商运营中,数据是增长的关键驱动力。然而,传统的手工数据处理方式效率低下,耗费大量时间且易出错。本文介绍如何利用 Excel 中的 Power Query 工具,自动化完成电商数据的采集、清洗与分析,大幅提升数据处理效率。通过某美妆电商的实战案例,详细拆解从多平台数据整合到可视化报表生成的全流程,帮助电商从业者摆脱繁琐操作,聚焦业务增长,实现数据驱动的高效运营。
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
429 71
|
8月前
|
SQL 数据挖掘 BI
数据分析的尽头,是跳出数据看数据!
当前许多企业在数据分析上投入大量资源,却常陷入“数据越看越细,业务越看越虚”的困境。报表繁杂、指标众多,但决策难、行动少,分析流于形式。真正有价值的数据分析,不在于图表多漂亮,而在于能否带来洞察、推动决策、指导行动。本文探讨如何跳出数据、回归业务场景,实现数据驱动的有效落地。
|
SQL 人工智能 数据可视化
数据团队必读:智能数据分析文档(DataV Note)五种高效工作模式
数据项目复杂,涉及代码、数据、运行环境等多部分。随着AI发展,数据科学团队面临挑战。协作式数据文档(如阿里云DataV Note)成为提升效率的关键工具。它支持跨角色协同、异构数据处理、多语言分析及高效沟通,帮助创建知识库,实现可重现的数据科学过程,并通过一键分享报告促进数据驱动决策。未来,大模型AI将进一步增强其功能,如智能绘图、总结探索、NLP2SQL/Python和AutoReport,为数据分析带来更多可能。
769 142
|
SQL 数据可视化 大数据
从数据小白到大数据达人:一步步成为数据分析专家
从数据小白到大数据达人:一步步成为数据分析专家
691 92
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
667 73
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
469 22
|
机器学习/深度学习 传感器 数据采集
基于机器学习的数据分析:PLC采集的生产数据预测设备故障模型
本文介绍如何利用Python和Scikit-learn构建基于PLC数据的设备故障预测模型。通过实时采集温度、振动、电流等参数,进行数据预处理和特征提取,选择合适的机器学习模型(如随机森林、XGBoost),并优化模型性能。文章还分享了边缘计算部署方案及常见问题排查,强调模型预测应结合定期维护,确保系统稳定运行。
1175 0
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
786 5
|
机器学习/深度学习 数据采集 DataWorks
数据分析经典案例重现:使用DataWorks Notebook 实现Kaggle竞赛之房价预测,成为数据分析大神!
Python是目前当之无愧的数据分析第一语言,大量的数据科学家使用Python来完成各种各样的数据科学任务。本文以Kaggle竞赛中的房价预测为例,结合DataWorks Notebook,完成数据加载、数据探索、数据可视化、数据清洗、特征分析、特征处理、机器学习、回归预测等步骤,主要Python工具是Pandas和SKLearn。本文中仅仅使用了线性回归这一最基本的机器学习模型,读者可以自行尝试其他更加复杂模型,比如随机森林、支持向量机、XGBoost等。