企业官网建设流程全解析

做数据分析与可视化，为什么我建议你先用 Django 而不是 Jupyter Notebook？

原因很简单：Jupyter 适合自己探索数据，但你要给业务方、给领导、给客户看结果时，总不能丢一个.ipynb文件过去。你需要的是一个网页，别人打开浏览器就能看到报表、能筛选条件、能看图表变化。这正好是 Web 框架的强项，而 Django 又是 Python 生态里最成熟、资料最多、部署方案最完善的 Web 框架之一。

这篇文章要解决的就是一个问题：怎么用 Django 从零搭一个手机商品数据分析与可视化 Web 应用。你可以把它理解成一个简化版的数据报表后台，数据源来自手机商品销售记录，后台用 Pandas 做聚合统计，前端用 ECharts 展示图表，整个过程有完整的代码、可复制的命令和避坑说明。

读完这篇文章，你会得到三样东西：一套能跑通的 Django 数据分析工程结构、一份从数据模型到图表渲染的完整代码、一份来自真实开发场景的排错清单。

1. 这类项目真正的难点在哪

很多人第一次做“Django + 数据分析可视化”时，会把注意力全放在图表库上：ECharts 好看还是 Chart.js 好看？大屏用哪个模板？结果折腾了半天，卡住的往往是更基础的问题：

• 数据存在哪里，怎么设计表结构？
• Django 的 ORM 查询结果怎么转成 JSON 给前端？
• Pandas 算出来的 DataFrame 怎么和 Django 的 QuerySet 配合？
• 数据量一大，页面加载变慢，是 SQL 的问题还是图表渲染的问题？

这些才是实际项目里真正决定成败的环节。图表只是最后一步的呈现，数据分析 Web 应用的核心是数据流：从数据库到后端处理，再到前端渲染，每一步都要有清晰的数据格式约定。

从架构层面看，一个完整的 Django 数据分析项目通常分为四层：

你会发现，数据分析的权限和增删改查没有本质区别，都是数据输入和输出。区别在于：数据分析项目对聚合查询和数据格式转换的要求更高，而这恰好是新手最缺经验的地方。

2. Django 做数据可视化：核心概念与选型判断

2.1 MTV 架构在数据分析场景下怎么理解

Django 的 MTV（Model-Template-View）设计模式，在数据分析项目里可以这样对应：

• Model：定义数据结构，相当于数据分析里的“数据表”。
• View：处理业务逻辑，在数据分析项目里就是“数据加工和输出”的地方。
• Template：负责页面渲染，图表最终放在这里。
• URLconf：路由分发，决定用户访问哪个地址拿到什么结果。

一个常见的数据分析请求是这样走的：

1. 用户在页面上点击“按品牌查看销量”；
2. 浏览器向 Django 发送请求，URL 匹配到对应的 View；
3. View 通过 ORM 或 Pandas 从数据库查出数据；
4. 数据整理成 JSON 返回给前端；
5. 前端拿到 JSON 后渲染图表。

这里新手容易犯的错是：试图在 Template 里用 Django 模板语法直接画图表，或者把数据处理逻辑全写在视图函数里。结果模板越来越乱，视图越来越胖。正确做法是保持视图只负责准备数据，模板只负责展示框架，图表由 JavaScript 异步请求数据。

2.2 为什么选 Pandas 而不是纯 ORM

Django 的 ORM 有aggregate和annotate，能处理简单的分组统计。但如果要做透视表、滑动平均、分位数、复杂条件筛选、多表关联后的二次聚合，ORM 写起来会非常绕。

Pandas 的优势在于：你只需要把 QuerySet 转成 DataFrame，剩下的数据分析操作全部用 Pandas 完成，代码更简洁、思路更清晰。

# 直接用 ORM 做多字段分组统计 from django.db.models import Count, Sum data = ( PhoneSale.objects .values('brand', 'region') .annotate(total=Sum('amount')) .order_by('-total') )

这个写法没问题，但如果你接下来要算“每个品牌每个季度的环比增长率”，ORM 就会变得很吃力。换成 Pandas：

import pandas as pd df = pd.DataFrame(list(PhoneSale.objects.values('brand', 'region', 'amount', 'sale_date'))) df['quarter'] = df['sale_date'].dt.to_period('Q') pivot = df.pivot_table(index='quarter', columns='brand', values='amount', aggfunc='sum') growth = pivot.pct_change()

代码量更少，逻辑也更清晰。所以我的建议是：简单统计用 ORM，复杂分析用 Pandas，两者结合才是最高效的姿势。

2.3 图表库怎么选

如果只是做一个项目练手或给内部团队使用，我更推荐 ECharts。原因不是它最强，而是它的中文资料最多，你遇到问题搜索时能更快找到答案。本文的完整示例也会用 ECharts。

3. 环境准备与项目初始化

3.1 环境清单

开始之前，请先确认你的电脑上有以下环境。版本号不写死，以你本机实际安装为准，建议使用较新的稳定版本：

• Python 3.9+（3.10、3.11、3.12 均可）
• pip 包管理工具
• 虚拟环境工具（venv 或 conda）
• 一个趁手的 IDE（PyCharm 或 VS Code 都行）

3.2 创建虚拟环境和安装依赖

项目目录建议放在一个独立的文件夹里，用虚拟环境隔离依赖。

mkdir phone_data_analysis cd phone_data_analysis python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # macOS / Linux 激活虚拟环境 source venv/bin/activate

然后安装 Django、Pandas 和 Django REST Framework。数据分析项目里 DRF 不是必须的，但它能让接口代码更规范，后面我会说明理由。

pip install django pandas djangorestframework

为了后面演示方便，再创建一个项目中存放生成模拟数据的脚本依赖：

pip install faker

3.3 创建 Django 项目和应用

这里有一个经验：Django 项目的结构划分会影响后续扩展。建议把项目本身的业务逻辑和数据分析逻辑分开，所以我创建两个 app：

• analysis：数据分析、接口、可视化核心逻辑；
• phones：手机商品数据模型和数据管理。

django-admin startproject config . python manage.py startapp phones python manage.py startapp analysis

创建完成后的目录结构如下：

phone_data_analysis/ ├── config/ │ ├── __init__.py │ ├── settings.py │ ├── urls.py │ └── wsgi.py ├── phones/ │ ├── models.py │ ├── views.py │ └── ... ├── analysis/ │ ├── models.py │ ├── views.py │ └── ... ├── templates/ # 稍后手动创建 ├── static/ # 稍后手动创建 └── manage.py

4. 数据模型设计：以手机销售数据为例

做数据分析前，先得有数据。为了演示完整流程，我们设计一个手机销售记录表，包含品牌、型号、价格、销量、销售区域、销售日期等字段。这个结构足够典型，既支持分组聚合，也能做时间序列分析。

打开phones/models.py，写入以下代码：

# 文件路径：phones/models.py from django.db import models class PhoneBrand(models.Model): """手机品牌表""" name = models.CharField('品牌名称', max_length=50, unique=True) country = models.CharField('品牌国家', max_length=50, blank=True, default='') class Meta: db_table = 'phone_brand' verbose_name = '手机品牌' verbose_name_plural = verbose_name def __str__(self): return self.name class PhoneSale(models.Model): """手机销售记录表""" brand = models.ForeignKey(PhoneBrand, on_delete=models.CASCADE, verbose_name='品牌') model_name = models.CharField('手机型号', max_length=100) price = models.DecimalField('销售单价', max_digits=10, decimal_places=2) amount = models.IntegerField('销售数量', default=1) region = models.CharField('销售区域', max_length=50, db_index=True) sale_date = models.DateField('销售日期', db_index=True) created_at = models.DateTimeField('创建时间', auto_now_add=True) class Meta: db_table = 'phone_sale' verbose_name = '手机销售记录' verbose_name_plural = verbose_name ordering = ['-sale_date'] def __str__(self): return f'{self.brand.name} {self.model_name}'

设计说明：

• brand用外键关联品牌表，避免在销售记录里重复维护品牌名称。
• price用DecimalField而不是FloatField，因为金额数据用浮点数会出现精度问题，这是数据分析里常见的坑。
• amount表示销量，数据分析时通常要把“单价 × 数量”算成销售额。
• region和sale_date加db_index索引，因为后续查询会频繁按照区域和日期分组。

4.1 注册到 Django 后台

Django 自带的后台管理系统非常适合数据维护和快速验证，修改phones/admin.py：

# 文件路径：phones/admin.py from django.contrib import admin from .models import PhoneBrand, PhoneSale @admin.register(PhoneBrand) class PhoneBrandAdmin(admin.ModelAdmin): list_display = ('id', 'name', 'country') @admin.register(PhoneSale) class PhoneSaleAdmin(admin.ModelAdmin): list_display = ('id', 'brand', 'model_name', 'price', 'amount', 'region', 'sale_date') list_filter = ('brand', 'region', 'sale_date') search_fields = ('model_name',)

然后在config/settings.py的INSTALLED_APPS里注册两个 app：

# 文件路径：config/settings.py INSTALLED_APPS = [ 'django.contrib.admin', 'django.contrib.auth', 'django.contrib.contenttypes', 'django.contrib.sessions', 'django.contrib.messages', 'django.contrib.staticfiles', # 第三方应用 'rest_framework', # 自建应用 'phones', 'analysis', ]

5. 生成模拟数据：让项目先跑起来

没有真实业务数据时，我们用一个脚本往数据库里灌入模拟数据。注意实际项目中一定要保证数据来源合法合规，本文只是在本地开发环境生成随机数据用于演示。

在phones目录下新建一个services.py文件，专门用于数据生成。这样做的好处是避免在视图里写一次性脚本逻辑。

# 文件路径：phones/services.py import random from datetime import date, timedelta from django.utils import timezone from faker import Faker from .models import PhoneBrand, PhoneSale fake = Faker('zh_CN') def generate_sale_data(days=180): """生成最近 days 天的手机销售模拟数据""" brands = list(PhoneBrand.objects.all()) if not brands: raise ValueError('请先创建品牌数据') regions = ['华北', '华东', '华南', '西南', '东北'] for offset in range(days): sale_date = date.today() - timedelta(days=offset) # 每天生成 20 到 50 条记录 for _ in range(random.randint(20, 50)): brand = random.choice(brands) record = PhoneSale.objects.create( brand=brand, model_name=f'{brand.name} {fake.random_int(1000, 9999)}', price=fake.random_int(1999, 8999), amount=fake.random_int(1, 10), region=random.choice(regions), sale_date=sale_date, ) print(f'数据生成完成，共生成 {days * 35} 条左右的记录')

为了测试方便，把品牌初始化和数据生成整合到 Django 的 management command 里。在phones目录下创建management/commands/init_data.py：

# 文件路径：phones/management/commands/init_data.py from django.core.management.base import BaseCommand from phones.models import PhoneBrand from phones.services import generate_sale_data class Command(BaseCommand): help = '初始化手机品牌和模拟销售数据' def handle(self, *args, **options): # 初始化品牌 brands = ['华为', '小米', '苹果', 'OPPO', 'vivo'] for name in brands: PhoneBrand.objects.get_or_create(name=name, defaults={'country': '中国'}) # 苹果品牌补充产地信息 PhoneBrand.objects.filter(name='苹果').update(country='美国') self.stdout.write(self.style.SUCCESS('品牌初始化完成')) # 生成模拟销售数据 try: generate_sale_data(days=180) self.stdout.write(self.style.SUCCESS('销售数据生成完成')) except Exception as e: self.stderr.write(self.style.ERROR(f'数据生成失败：{e}'))

执行数据库迁移和数据初始化：

python manage.py makemigrations python manage.py migrate python manage.py init_data

这时打开 Django 自带后台的销售记录列表，应该能看到大量模拟数据。

6. 数据分析与可视化：核心功能实现

6.1 设计分析接口

我先把核心分析功能分为四个维度：

1. 品牌销量排行（柱状图）
2. 区域销售额分布（饼图）
3. 每日销售额趋势（折线图）
4. 品牌价格区间分布（散点图）

创建analysis/views.py，用 DRF 的@api_view装饰器来约束接口只能接收 GET 请求，并且返回 JSON。

# 文件路径：analysis/views.py import pandas as pd from django.db.models import Sum, F from django.utils.dateparse import parse_date from rest_framework.decorators import api_view from rest_framework.response import Response from phones.models import PhoneSale def _load_sale_dataframe(start_date=None, end_date=None): """从数据库加载销售数据并转换为 DataFrame""" queryset = PhoneSale.objects.select_related('brand').all() if start_date: queryset = queryset.filter(sale_date__gte=start_date) if end_date: queryset = queryset.filter(sale_date__lte=end_date) df = pd.DataFrame( list(queryset.values( 'brand__name', 'model_name', 'price', 'amount', 'region', 'sale_date' )) ) if df.empty: return df df.rename(columns={'brand__name': 'brand'}, inplace=True) df['price'] = df['price'].astype(float) df['total_amount'] = df['price'] * df['amount'] df['sale_date'] = pd.to_datetime(df['sale_date']) return df @api_view(['GET']) def brand_sales(request): """品牌销量与销售额""" df = _load_sale_dataframe() if df.empty: return Response({'data': [], 'message': '暂无数据'}) result = ( df.groupby('brand') .agg(total_sales=('amount', 'sum'), total_revenue=('total_amount', 'sum')) .reset_index() .sort_values('total_revenue', ascending=False) ) data = { 'brands': result['brand'].tolist(), 'sales': result['total_sales'].tolist(), 'revenue': result['total_revenue'].round(2).tolist(), } return Response({'data': data}) @api_view(['GET']) def region_sales(request): """区域销售额分布""" df = _load_sale_dataframe() if df.empty: return Response({'data': [], 'message': '暂无数据'}) result = df.groupby('region')['total_amount'].sum().reset_index() data = { 'regions': result['region'].tolist(), 'revenue': result['total_amount'].round(2).tolist(), } return Response({'data': data}) @api_view(['GET']) def daily_trend(request): """每日销售额趋势""" raw_start = request.query_params.get('start_date') raw_end = request.query_params.get('end_date') start_date = parse_date(raw_start) if raw_start else None end_date = parse_date(raw_end) if raw_end else None df = _load_sale_dataframe(start_date, end_date) if df.empty: return Response({'data': [], 'message': '暂无数据'}) result = ( df.groupby(df['sale_date'].dt.date)['total_amount'] .sum() .reset_index() ) result.columns = ['date', 'revenue'] data = { 'dates': result['date'].astype(str).tolist(), 'revenue': result['revenue'].round(2).tolist(), } return Response({'data': data})

这里有一个容易忽略的性能问题：_load_sale_dataframe每次接口调用都会把全表数据加载进内存，数据量大时非常危险。改进方案是先用 Django ORM 做粗粒度过滤，再交给 Pandas 处理。上面的代码已经做了这一步，但这还不够，更精细的优化会在最佳实践章节补充。

6.2 配置 URL 路由

创建analysis/urls.py：

# 文件路径：analysis/urls.py from django.urls import path from . import views urlpatterns = [ path('api/brand-sales/', views.brand_sales, name='brand-sales'), path('api/region-sales/', views.region_sales, name='region-sales'), path('api/daily-trend/', views.daily_trend, name='daily-trend'), ]

然后在config/urls.py里把路由接入主应用：

# 文件路径：config/urls.py from django.contrib import admin from django.urls import path, include from django.views.generic import TemplateView urlpatterns = [ path('admin/', admin.site.urls), path('analysis/', include('analysis.urls')), # 首页直接展示可视化大屏 path('', TemplateView.as_view(template_name='dashboard.html'), name='dashboard'), ]

6.3 配置模板和静态文件

在项目根目录创建templates和static目录，并在settings.py中配置：

# 文件路径：config/settings.py import os TEMPLATES = [ { 'BACKEND': 'django.template.backends.django.DjangoTemplates', 'DIRS': [os.path.join(BASE_DIR, 'templates')], 'APP_DIRS': True, 'OPTIONS': { 'context_processors': [ 'django.template.context_processors.debug', 'django.template.context_processors.request', 'django.contrib.auth.context_processors.auth', 'django.contrib.messages.context_processors.messages', ], }, }, ] STATIC_URL = '/static/' STATICFILES_DIRS = [ os.path.join(BASE_DIR, 'static'), ]

为了引入 ECharts，需要在templates/dashboard.html里使用 CDN 链接，或者把 ECharts 的 JS 文件下载到static/js/目录下。生产环境更推荐把静态文件下载到本地，避免外网 CDN 不稳定。

创建templates/dashboard.html：

<!-- 文件路径：templates/dashboard.html --> <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>手机数据分析驾驶舱</title> <style> body { font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, "Helvetica Neue", Arial, sans-serif; background-color: #f5f7fa; margin: 0; padding: 20px; } .header { text-align: center; padding: 20px 0; } .header h1 { margin: 0; color: #333; font-size: 24px; } .grid { display: grid; grid-template-columns: 1fr 1fr; gap: 16px; max-width: 1280px; margin: 0 auto; } .card { background: #fff; border-radius: 8px; padding: 16px; box-shadow: 0 1px 3px rgba(0, 0, 0, 0.1); } .card h2 { font-size: 16px; color: #666; margin: 0 0 12px 0; } .chart { width: 100%; height: 380px; } </style> </head> <body> <div class="header"> <h1>手机数据分析与可视化驾驶舱</h1> <p>演示数据仅用于技术学习</p> </div> <div class="grid"> <div class="card"> <h2>品牌销售额排行</h2> <div id="brandChart" class="chart"></div> </div> <div class="card"> <h2>区域销售额分布</h2> <div id="regionChart" class="chart"></div> </div> <div class="card" style="grid-column: span 2;"> <h2>每日销售额趋势</h2> <div id="trendChart" class="chart"></div> </div> </div> <script src="https://cdn.jsdelivr.net/npm/echarts@5/dist/echarts.min.js"></script> <script> function fetchJson(url) { return fetch(url).then(res => res.json()); } function initBrandChart() { const chart = echarts.init(document.getElementById('brandChart')); fetchJson('/analysis/api/brand-sales/').then(data => { const d = data.data; chart.setOption({ tooltip: {}, grid: { left: '3%', right: '4%', bottom: '3%', containLabel: true }, xAxis: { type: 'category', data: d.brands }, yAxis: { type: 'value' }, series: [{ name: '销售额', type: 'bar', data: d.revenue, itemStyle: { color: '#5470c6' } }] }); }); } function initRegionChart() { const chart = echarts.init(document.getElementById('regionChart')); fetchJson('/analysis/api/region-sales/').then(data => { const d = data.data; chart.setOption({ tooltip: { trigger: 'item' }, series: [{ name: '区域销售额', type: 'pie', radius: '60%', data: d.regions.map((name, i) => ({ name: name, value: d.revenue[i] })) }] }); }); } function initTrendChart() { const chart = echarts.init(document.getElementById('trendChart')); fetchJson('/analysis/api/daily-trend/').then(data => { const d = data.data; chart.setOption({ tooltip: { trigger: 'axis' }, grid: { left: '3%', right: '4%', bottom: '3%', containLabel: true }, xAxis: { type: 'category', data: d.dates }, yAxis: { type: 'value' }, series: [{ name: '每日销售额', type: 'line', smooth: true, data: d.revenue, areaStyle: {} }] }); }); } window.addEventListener('resize', () => { const charts = document.querySelectorAll('.chart'); charts.forEach(item => { const instance = echarts.getInstanceByDom(item); if (instance) instance.resize(); }); }); initBrandChart(); initRegionChart(); initTrendChart(); </script> </body> </html>

7. 运行与效果验证

启动 Django 开发服务器：

python manage.py runserver

浏览器访问http://127.0.0.1:8000/，如果一切正常，你会看到一个包含三个图表的页面。验证重点：

1. 品牌销售额排行是否按销售额降序排列。
2. 饼图是否展示五个区域的销售占比。
3. 折线图是否有 180 天的趋势数据，且曲线平滑。

如果页面显示空白，按以下顺序排查：

1. 打开浏览器开发者工具（F12），看 Console 有没有报错。
2. 直接访问http://127.0.0.1:8000/analysis/api/brand-sales/，确认接口返回 JSON。
3. 检查 Django 终端日志，看 500 错误的具体堆栈。

接口返回的 JSON 格式类似如下：

{ "data": { "brands": ["华为", "小米", "苹果", "OPPO", "vivo"], "sales": [5218, 4890, 4203, 3812, 3655], "revenue": [21980006.0, 19623400.0, 18905630.0, 15829200.0, 15091200.0] } }

到这里，一个可以跑的 Django 手机数据分析与可视化项目已经完成。但真实项目不会止步于此，下面这些经验才是让你从“跑得通”走向“能上线”的关键。

8. 常见问题与排查思路

还有几个容易踩的坑值得一提。

第一，Decimal 类型不能直接 JSON 序列化。如果 Django 的DecimalField没有先转成 float 或 str，JsonResponse 会报错。本文的_load_sale_dataframe里已经做了astype(float)。

第二，时区设置会影响日期分组。如果settings.py中USE_TZ = True，而数据库存的又是 naive datetime，按日期分组时可能产生偏移。建议在需要精确按天统计时，统一用datetime.date类型存储日期。

第三，开发环境直接使用list(queryset)加载全表是示范代码。真实项目数据量达到几十万行时，必须考虑分页、按需查询或利用数据库物化视图。

9. 生产环境部署与工程化建议

9.1 用 Gunicorn 替代 runserver

Django 自带的 runserver 是开发服务器，性能差、安全性低。生产环境建议使用 Gunicorn（Linux/macOS）。

pip install gunicorn gunicorn config.wsgi:application -b 0.0.0.0:8000 -w 4

参数说明：-w 4表示启动 4 个 worker 进程。具体数量可根据 CPU 核心数和内存调整。

这里要特别提醒：目录权限和进程用户要遵循最小权限原则，不要为了省事直接用 root 运行 Web 服务。建议创建一个独立用户来运行 Django 应用和相关服务。

9.2 数据访问安全边界

数据分析系统最容易出现的数据安全问题是——接口未鉴权，任何人都能通过 URL 直接拿到全部业务数据。对于内部报表系统，至少要做到：

• 使用 Django 自带的login_required或者 DRF 的认证机制。
• 接口层做权限校验，不能只在前端隐藏入口。
• 涉及敏感数据时，数据库账号使用独立低权限账号，不要用 root。

9.3 数据库选型与迁移

SQLite 适合开发环境和数据量小的场景。如果并发访问量大或数据规模增长，尽早切到 MySQL 或 PostgreSQL。切换前先在测试环境验证：

1. 备份现有数据。
2. 安装对应数据库驱动，例如pip install mysqlclient或pip install psycopg2-binary。
3. 修改settings.py中的 DATABASES 配置。
4. 执行python manage.py migrate。
5. 用真实数据做一次全流程回归测试。

9.4 缓存策略

对于日报、周报这类不会频繁变化的数据，可以加缓存。Django 的cache_page是性价比最高的方式。

from django.views.decorators.cache import cache_page from django.utils.decorators import method_decorator @cache_page(60 * 15) # 缓存 15 分钟 @api_view(['GET']) def brand_sales(request): ...

使用缓存前务必想清楚一个问题：数据多久更新一次，能否接受最多 15 分钟的延迟。如果业务要求实时准确，就不要随便加缓存，否则会出现报表数据和实际数据不一致的麻烦。

9.5 日志与监控

数据分析项目上线后，日志和监控不能省。建议至少做好三件事：

• Django 的LOGGING配置里加上文件日志，记录异常和慢接口。
• 使用数据库慢查询日志，定位超过阈值的 SQL。
• 单独记录数据更新时间和数据量，方便排查“为什么今天的报表数据不对”。

10. 项目扩展方向

当前项目已经跑通了数据分析可视化的完整链路，接下来你可以往下面几个方向扩展：

添加筛选条件：在页面加入日期范围、品牌、区域的下拉筛选，前端通过 URL 参数传给后端接口。这个功能可以让你的项目从“展示固定报表”升级成“交互式分析工具”。

增加导出功能：使用 Pandas 的to_csv或to_excel方法，给每个接口增加一个?export=csv参数。业务方最喜欢的功能之一就是把报表导出成 Excel。

接入更复杂的数据源：将数据源从 SQLite 换成 MySQL 或 PostgreSQL，或者直接读取 CSV、Excel、Kafka 等外部数据源。Django 本身不限制数据来源，关键是做好数据接入层的抽象。

改为异步任务：如果数据处理量大、耗时长，把分析逻辑放进 Celery 任务队列，前端先显示“计算中”，计算完成后再展示结果。这个改造会显著提升用户体验，但复杂度也上升不少。

构建可视化大屏：ECharts 本身支持多图表联动和动态数据刷新，配合 24 小时自动更新数据，就能做成一个挂在办公室大屏上的实时数据驾驶舱。

11. 结语

回到最开始的问题：为什么用 Django 做数据分析可视化？

我的判断是：当数据分析的结果需要被其他人访问和使用时，Web 化是必然选择，而 Django 恰好是 Python 生态里 Web 化成本最低、最稳妥的方案。Pandas 负责数据加工，Django 负责数据发布，ECharts 负责数据呈现，三者结合已经能覆盖绝大多数数据分析报告场景。

这篇文章覆盖了从项目初始化、数据建模、数据生成、Pandas 分析、JSON 接口到 ECharts 渲染的完整链路，也提到了实际部署时的权限、缓存、日志等工程问题。建议你先按步骤把演示项目跑通，然后选择一个真实业务场景，替换掉模拟数据，亲手完成一次从数据到页面的全流程开发。

关于更深入的内容，建议继续学习 Django REST Framework 的序列化器、分页组件，以及 Pandas 的透视表和重采样操作。再往后就是前端可视化技巧和数据大屏设计，这些都属于可以长期投入的方向。

代码已经放在文章中，环境搭配起来很快，建议收藏备用。如果你在运行时遇到问题，欢迎在评论区把报错信息发出来，一起讨论。