基于Python与DFM模型的学生校园消费行为分析毕设方案

简介：这是一份面向计算机相关专业学生的校园消费行为分析毕业设计资源，适合正在准备毕业设计、课程设计或期末大作业的学习者，也适合需要数据分析项目实战练习的入门者。资源包共8个文件，以py源码、docx说明文档、txt依赖清单、md说明及zip数据集为主，压缩包约10.08MB，结构清晰，涵盖数据读取、模型构建与行为分析等核心模块，并附有基于DFM模型的分析文档，便于理解建模思路与实现细节。项目经导师指导并获评审99分，代码完整可运行，小白也能按说明逐步跑通。已有190人学习下载，可作为高分参考模板，帮助读者快速掌握从数据预处理到消费行为洞察的完整流程，同时提供排错与调试思路，降低独立完成毕业设计的门槛。

1. 从一份“跑不通”的毕设说起：校园消费行为分析到底该怎么做

很多同学拿到“学生校园消费行为分析”这个题目，第一反应是打开 Jupyter Notebook，读一份 Excel，画几张柱状图和饼图，然后写一段“通过图表可以看出……”就交差了。但真正做过完整项目的人知道，一份能过审、能答辩、能当作品集展示的毕业设计，远不止“画图”这么简单。它需要一套完整的数据处理链路、一个站得住脚的分析模型、一份能自圆其说的说明文档，以及一套别人拿到就能跑起来的源码结构。

这份方案要解决的，正是从“零散脚本”到“完整项目”之间的断层。它适合正在做数据分析方向毕设或课设的计算机相关专业学生，也适合需要一套可复用分析框架来练手的开发者。整套资源包含数据集、完整源码、基于 DFM 模型的分析文档，以及环境依赖说明，拿到手就能按章节复现，不需要自己再去凑数据、补代码。

2. 需求拆解与技术选型：为什么是 Python + DFM 模型

2.1 这个项目到底要回答什么问题

表面上看，题目是“学生校园消费行为分析”，但落到实际交付物上，它需要回答三个层次的问题。第一层是描述性分析：学生一个月在食堂、超市、水电、打印店等场景各花了多少钱，消费高峰出现在哪些时间段。第二层是模式识别：不同年级、不同专业、不同性别学生的消费结构有没有显著差异，是否存在“月初大手大脚、月底节衣缩食”的周期性规律。第三层是归因与预测：哪些因素对消费金额影响最大，能否用历史数据对下个月的消费水平做粗略估计。

这三个层次决定了项目不能只做“读数据—画图—截图”的流水线，而需要引入一个能解释消费决策逻辑的模型框架。DFM 模型（这里指项目文档中定义的消费行为分析模型）的作用，就是把零散的消费记录映射到“需求驱动—场景约束—行为输出”的链条上，让分析结果有结构、有层次，而不是一堆孤立的图表。

2.2 技术栈选型：为什么不用 Excel 和 SPSS

很多同学会问：既然只是分析消费数据，为什么不用 Excel 透视表或者 SPSS 点几下？原因在于可复现性和可扩展性。Excel 做一次分析，换一份数据就要重新拖一遍透视表，而且操作步骤无法版本管理；SPSS 虽然统计功能强，但和 Python 生态割裂，没法把数据清洗、特征工程、建模、可视化串成一条自动化流水线。

这套方案选择 Python 作为主语言，核心依赖只有几个：pandas 负责数据清洗和分组聚合，numpy 处理数值计算，matplotlib 和 seaborn 出图，scikit-learn 做简单的聚类或回归。requirements.txt 里列出的版本号是经过验证的，避免出现“在我电脑上能跑，在你电脑上报错”的玄学问题。源码目录结构也很清晰：src/init.py负责初始化路径和全局配置，model.py封装 DFM 模型的计算逻辑，analysis.py是主分析入口，按模块调用前两者。这种分层写法在答辩时很占优势，老师一眼就能看出你不是把所有代码堆在一个文件里。

2.3 数据集的结构与字段含义

项目附带的数据集是某高校校园消费行为数据集，以压缩包形式提供。解压后通常包含多个 CSV 或 Excel 文件，按学期或月份拆分。核心表一般包含以下字段：学生匿名 ID、消费时间戳、消费金额、消费场景（食堂/超市/水电/打印/其他）、消费方式（刷卡/扫码）。部分版本还会附带学生基本信息表，包含年级、专业类别、性别等脱敏字段，用于做分组对比。

拿到数据后第一件事不是急着画图，而是做字段核对和缺失值检查。我一般会先跑一段df.info()和df.isnull().sum()，看看有没有整列缺失、时间格式是否统一、金额有没有负数或异常大值。这一步在analysis.py里对应数据加载与预处理模块，代码中会做类型转换和简单过滤，把明显不合理的记录（比如金额为负、时间戳超出学期范围）剔除掉，避免后续分析被脏数据带偏。

3. 总体架构设计：四个模块与一条数据流水线

3.1 目录结构与模块职责划分

这套源码的目录结构不复杂，但每个文件都有明确分工。根目录下README.md说明运行步骤和依赖安装方式，requirements.txt锁定包版本，.gitignore忽略缓存和输出文件。src/下三个 Python 文件构成核心逻辑：init.py做路径初始化和全局变量定义，model.py实现 DFM 模型的计算函数，analysis.py负责调度和输出。doc/下放的是基于 DFM 模型的学生消费行为分析说明文档，相当于设计报告的文字版，答辩前可以直接参考它的章节组织。

这种划分方式的好处是：如果你只想复现某一部分，比如单独跑模型计算，可以直接 importmodel.py里的函数，不用把整个分析流程走一遍。对于需要改代码适配自己数据的同学，也只需要动analysis.py里的数据加载部分，模型和初始化逻辑基本不用碰。

3.2 数据流水线的四个阶段

整个分析流程可以拆成四个阶段：数据加载与清洗、特征构造、DFM 模型计算、结果可视化与导出。数据加载阶段从data/目录读取原始文件，统一列名和数据类型；特征构造阶段按学生 ID 和月份做聚合，生成月消费总额、各场景占比、消费频次、单笔均值等指标；DFM 模型阶段把这些指标输入模型，计算消费倾向得分和场景敏感度；最后可视化阶段输出柱状图、热力图和分组对比图，同时把关键指标导出成 CSV 供文档引用。

下面这段代码展示了analysis.py中数据加载与特征构造的核心逻辑，也是整个项目最常被复用的部分：

import pandas as pd import numpy as np from src.init import DATA_DIR, OUTPUT_DIR def load_and_clean(file_name): """加载原始消费数据并做基础清洗""" df = pd.read_csv(DATA_DIR / file_name, parse_dates=['consume_time']) # 剔除金额异常记录：负数和超过 500 的单笔（按校园场景经验值） df = df[(df['amount'] > 0) & (df['amount'] <= 500)] # 统一场景字段，去掉首尾空格 df['scene'] = df['scene'].str.strip() # 按学生 ID 和时间排序，方便后续做时序特征 df = df.sort_values(['student_id', 'consume_time']).reset_index(drop=True) return df def build_monthly_features(df): """按学生和月份聚合，生成月消费特征表""" df['month'] = df['consume_time'].dt.to_period('M') grouped = df.groupby(['student_id', 'month']).agg( total_amount=('amount', 'sum'), freq=('amount', 'count'), avg_amount=('amount', 'mean'), scene_count=('scene', 'nunique') ).reset_index() # 计算各场景消费占比，作为 DFM 模型的输入维度 scene_pivot = df.pivot_table( index=['student_id', 'month'], columns='scene', values='amount', aggfunc='sum', fill_value=0 ) scene_ratio = scene_pivot.div(scene_pivot.sum(axis=1), axis=0) scene_ratio.columns = [f'ratio_{c}' for c in scene_ratio.columns] features = grouped.merge(scene_ratio, on=['student_id', 'month'], how='left') return features

这段代码里有两个关键设计点。第一，清洗阶段没有用复杂的异常检测算法，而是按校园消费场景的经验值做上下界过滤，因为毕设数据量通常不大，过度清洗反而会丢掉真实的高消费样本。第二，特征构造阶段把场景占比单独拆出来做透视表，而不是在 groupby 里硬编码，这样新增消费场景时不需要改聚合逻辑，模型输入维度自动扩展。DATA_DIR和OUTPUT_DIR在init.py里定义，通常指向项目根目录下的data/和output/，避免硬编码路径导致换电脑后跑不通。

3.3 DFM 模型的计算逻辑与参数说明

model.py里的 DFM 模型是整个项目的分析核心。它不追求复杂的机器学习调参，而是用一个可解释的加权评分框架，把消费行为拆成“消费能力”“消费意愿”“场景偏好”三个维度。每个维度由若干特征加权求和，权重可以在代码开头的配置字典里调整。这种设计在答辩时很好讲：老师问“为什么这个学生消费倾向高”，你可以直接指出是哪个维度的哪个特征贡献了多少分，而不是面对一个黑箱模型说不清楚。

模型输出包括每个学生每月的消费倾向得分、场景敏感度排名，以及整体样本的消费结构聚类标签。聚类部分用 KMeans 做简单分组，通常设 3 到 4 类，对应“高消费高频”“高消费低频”“低消费高频”“低消费低频”等典型模式。聚类结果会导出到output/目录，同时在说明文档里用表格形式呈现每一类的特征均值和人数占比。

4. 关键模块实现：从数据清洗到可视化输出

4.1 数据清洗中的常见陷阱与处理方式

消费数据清洗最容易被忽视的是时间字段。有些原始数据的时间戳是字符串格式，直接pd.to_datetime可能因为格式不统一而报错。稳妥的做法是先看一眼前几行的实际格式，再用format参数指定解析方式，或者用errors='coerce'把无法解析的记录转为 NaT 后统一剔除。另一个坑是场景字段的命名不一致，比如“食堂”和“餐厅”混用、“超市”和“小卖部”混用，需要在清洗阶段做一次映射替换，否则透视表会多出好几列空值。

金额字段的异常值处理也要注意。校园消费单笔金额通常不会超过三位数，但偶尔会有充值记录混在消费流水里，金额可能是几百甚至上千。如果不剔除，月消费总额会被严重拉高，导致后续分组对比失真。我一般会先画一个金额分布直方图，看看 99 分位数大概在什么位置，再决定过滤阈值，而不是拍脑袋定一个数。

4.2 可视化模块的图表选择与输出规范

可视化不是图越多越好，而是要每张图都对应一个分析结论。这套方案里通常包含四类图：月度消费趋势折线图，用来展示整体消费随月份的变化；场景消费占比堆叠柱状图，用来对比不同年级或专业的消费结构差异；消费频次与单笔均值的散点图，用来识别异常消费模式；DFM 得分分布箱线图，用来展示不同聚类群体的得分差异。

出图时有两个细节容易被扣分。一是中文字体显示问题，matplotlib 默认字体不支持中文，需要手动设置plt.rcParams['font.sans-serif']，否则图表标题全是方框。二是图片分辨率，答辩 PPT 里放的图如果太模糊，老师会怀疑你的分析质量。建议保存时设置dpi=300，格式用 PNG，文件名带上分析维度，比如monthly_trend_by_grade.png，方便在文档里引用。

import matplotlib.pyplot as plt import seaborn as sns from src.init import OUTPUT_DIR # 全局字体设置，避免中文乱码 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False def plot_scene_ratio(features, group_col='grade'): """按年级分组绘制场景消费占比堆叠图""" ratio_cols = [c for c in features.columns if c.startswith('ratio_')] plot_data = features.groupby(group_col)[ratio_cols].mean() plot_data.plot(kind='bar', stacked=True, figsize=(10, 6), colormap='Set2') plt.title('不同年级学生各场景消费占比') plt.ylabel('消费占比') plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left') plt.tight_layout() plt.savefig(OUTPUT_DIR / 'scene_ratio_by_grade.png', dpi=300) plt.close()

这段代码里group_col参数可以换成major或gender，快速生成不同维度的对比图。bbox_to_anchor把图例挪到图外，避免遮挡柱子。保存后关闭画布是为了防止批量出图时内存堆积，数据量大时这个习惯能省不少事。

4.3 说明文档的章节组织与答辩对应关系

doc/下的说明文档不是随便写的技术笔记，它的章节结构直接对应答辩评审的关注点。通常包括：课题背景与意义、数据集来源与字段说明、DFM 模型的理论依据与公式推导、数据预处理步骤、分析结果与讨论、结论与不足。其中“分析结果与讨论”是答辩时被问得最多的部分，文档里最好把每张图的结论用一两句话写清楚，比如“大二年级食堂消费占比显著高于大四，可能与课程安排和外卖习惯有关”，而不是只放图不解释。

文档里的表格建议用三线表，字段名和单位写全。如果数据集有脱敏说明，也要在文档里注明，避免被质疑数据来源不合规。整个文档的篇幅控制在 15 到 20 页比较合适，太短显得工作量不够，太长答辩时老师也翻不完。

5. 避坑与常见问题排查：那些年我们踩过的雷

5.1 路径问题导致代码在别人电脑上跑不通

现象是本地运行正常，换一台电脑就报FileNotFoundError。原因通常是代码里用了绝对路径，比如C:/Users/xxx/data/file.csv，或者DATA_DIR定义时依赖当前工作目录。解决方式是在init.py里用Path(__file__).parent.parent动态获取项目根目录，所有路径基于根目录拼接。这样无论从哪个目录执行脚本，路径都不会错。

5.2 中文乱码与字体缺失

现象是图表标题和坐标轴标签显示为方框。原因是 matplotlib 默认字体不含中文字形。解决方式是在绘图前设置plt.rcParams['font.sans-serif'] = ['SimHei']或['Microsoft YaHei']，同时把axes.unicode_minus设为 False 以正常显示负号。如果换到 Linux 环境没有 SimHei，可以换成WenQuanYi Micro Hei或把字体文件打包进项目。

5.3 数据量过大导致内存溢出

现象是读取完整数据集时程序卡死或报MemoryError。原因是把多个学期的流水一次性读进内存做透视。解决方式是分块读取，用pd.read_csv(..., chunksize=50000)逐块处理，或者先按月份筛选再聚合。对于毕设级别的数据量，通常不会遇到这个问题，但如果数据集包含全校多年的记录，提前做分块处理能避免答辩演示时翻车。

5.4 模型权重拍脑袋定导致结果不可解释

现象是 DFM 得分算出来之后，自己都说不清为什么某个学生得分高。原因是权重配置没有依据，纯粹试出来的。解决方式是在文档里写清楚每个权重的设定理由，比如“消费能力维度权重 0.5，因为月消费总额是消费行为最直接的反映”，并在答辩前用几组不同权重跑一遍，看看结果是否稳定。如果权重微调导致聚类结果剧烈变化，说明模型太敏感，需要简化维度或做归一化。

5.5 依赖版本冲突导致安装失败

现象是pip install -r requirements.txt报版本不兼容。原因是 pandas、numpy、scikit-learn 之间的版本有耦合关系。解决方式是先用虚拟环境隔离，再按 requirements.txt 里的版本号安装。如果仍然冲突，可以适当放宽版本限制，比如把pandas==1.3.0改成pandas>=1.3.0，但要在文档里注明测试通过的版本组合。

6. 验收与答辩：怎么证明这套分析真的有效

验收这套方案，不是看代码行数有多少，而是看它能不能回答三个问题：数据清洗是否合理、模型逻辑是否自洽、结论是否有业务含义。我一般会按下面的清单逐项过一遍，确保答辩时不会被问倒。

答辩时最常被问到的两个问题是：“你的模型和别人比有什么优势？”和“这个结论对学校管理有什么建议？”第一个问题不要吹算法多先进，而是强调可解释性和可复现性——DFM 模型的每个维度都有明确含义，权重可以按业务需求调整，比黑箱模型更适合校园消费这种需要解释场景的任务。第二个问题要提前准备两三条具体建议，比如“针对低消费高频群体，可以优化食堂套餐价格梯度”或“对高消费低频群体，可以推送超市满减活动”，把分析结果落到实际管理动作上。

还有一个容易被忽略的细节：答辩前把README.md里的运行步骤自己走一遍，确保从解压到出图不超过 10 分钟。如果中间需要手动改路径或装额外包，提前写进文档里。我见过太多项目因为演示时跑不起来而被打低分，其实代码本身没问题，就是环境没准备好。

从那以后我每次交付数据分析项目，都会在答辩前一天晚上新建一个虚拟环境，从零安装依赖、跑完整流程、检查输出文件是否齐全。这个习惯帮我避开了好几次“现场翻车”。希望这套方案能帮你把毕设稳稳落地，少走一些弯路。

本文还有配套的精品资源，点击获取