作者计算机毕业设计小途个人简介曾长期从事计算机专业培训教学本人也热爱上课教学语言擅长Java、微信小程序、Python、Golang、安卓Android等开发项目包括大数据、深度学习、网站、小程序、安卓、算法。平常会做一些项目定制化开发、代码讲解、答辩教学、文档编写、也懂一些降重方面的技巧。平常喜欢分享一些自己开发中遇到的问题的解决办法也喜欢交流技术大家有技术代码这一块的问题可以问我想说的话感谢大家的关注与支持网站实战项目安卓/小程序实战项目大数据实战项目深度学习实战项目目录金融交易欺诈行为分析与可视化系统介绍金融交易欺诈行为分析与可视化系统演示视频金融交易欺诈行为分析与可视化系统演示图片金融交易欺诈行为分析与可视化系统代码展示金融交易欺诈行为分析与可视化系统文档展示金融交易欺诈行为分析与可视化系统介绍《基于大数据的金融交易欺诈行为分析与可视化》是一套面向金融交易风控场景的本科毕设系统主要围绕交易数据里的欺诈线索做分析和展示。数据层用Hadoop的HDFS存放原始交易记录用Spark和Spark SQL完成数据清洗、聚合统计与特征计算Pandas、NumPy辅助做数值处理和结果整理。后端提供PythonDjango和JavaSpring Boot两个版本数据库用MySQL保存用户、交易信息和分析结果。前端用Vue、ElementUI、Echarts、HTML、CSS、JavaScript、jQuery搭建页面和图表。系统功能包括系统首页、大屏可视化、数据管理、用户管理、交易信息管理、欺诈分布分析、地理欺诈分析、客户欺诈分析、交易行为分析、时间模式分析、欺诈画像分析、个人信息和修改密码。用户可以从交易信息中查看订单流水在欺诈分布分析里看不同类型欺诈的占比在地理欺诈分析里按省份城市观察风险差异在客户欺诈分析里找异常客户在交易行为分析里看金额、频次等习惯在时间模式分析里观察欺诈发生的时段规律欺诈画像分析则把客户特征和欺诈标签串起来。大屏可视化把关键指标、趋势和地图集中展示方便快速了解整体情况。整个系统不追求复杂业务重点是把大数据分析流程和可视化展示做完整让使用者能从数据里看到金融交易欺诈的分布和变化。金融交易欺诈行为分析与可视化系统演示视频项目演示视频金融交易欺诈行为分析与可视化系统演示图片金融交易欺诈行为分析与可视化系统代码展示sparkSparkSession.builder.appName(FinancialFraudAnalysis).master(local[*]).config(spark.sql.shuffle.partitions,4).getOrCreate()deffraud_distribution_analysis(request):dfspark.read.format(jdbc).option(url,jdbc:mysql://localhost:3306/finance_fraud).option(dbtable,trade_info).option(user,root).option(password,123456).load()df.createOrReplaceTempView(trade_info)total_dfspark.sql(SELECT COUNT(*) AS total FROM trade_info)totaltotal_df.collect()[0][total]fraud_dfspark.sql(SELECT fraud_type, COUNT(*) AS cnt FROM trade_info WHERE is_fraud 1 GROUP BY fraud_type ORDER BY cnt DESC)fraud_listfraud_df.collect()result[]forrowinfraud_list:ratioround(row[cnt]/total*100,2)iftotalelse0result.append({fraud_type:row[fraud_type],count:row[cnt],ratio:ratio})pie_data[{name:item[fraud_type],value:item[count]}foriteminresult]bar_data{types:[item[fraud_type]foriteminresult],counts:[item[count]foriteminresult]}fraud_totalsum(item[count]foriteminresult)normal_totaltotal-fraud_totalreturn{total:total,fraud_total:fraud_total,normal_total:normal_total,details:result,pie_data:pie_data,bar_data:bar_data}defgeo_fraud_analysis(request):dfspark.read.format(jdbc).option(url,jdbc:mysql://localhost:3306/finance_fraud).option(dbtable,trade_info).option(user,root).option(password,123456).load()df.createOrReplaceTempView(trade_info)geo_dfspark.sql(SELECT province, city, COUNT(*) AS trade_cnt, SUM(CASE WHEN is_fraud 1 THEN 1 ELSE 0 END) AS fraud_cnt FROM trade_info GROUP BY province, city)geo_df.createOrReplaceTempView(geo_stat)stat_dfspark.sql(SELECT province, city, trade_cnt, fraud_cnt, ROUND(fraud_cnt / trade_cnt * 100, 2) AS fraud_rate FROM geo_stat WHERE trade_cnt 0 ORDER BY fraud_rate DESC)rowsstat_df.collect()map_data[]top_cityNonemax_rate-1forrowinrows:item{province:row[province],city:row[city],trade_cnt:row[trade_cnt],fraud_cnt:row[fraud_cnt],fraud_rate:row[fraud_rate]}map_data.append(item)ifrow[fraud_rate]max_rate:max_raterow[fraud_rate]top_cityitem avg_rateround(sum([r[fraud_rate]forrinmap_data])/len(map_data),2)ifmap_dataelse0return{map_data:map_data,top_city:top_city,avg_rate:avg_rate,city_count:len(map_data)}deftransaction_behavior_analysis(request):dfspark.read.format(jdbc).option(url,jdbc:mysql://localhost:3306/finance_fraud).option(dbtable,trade_info).option(user,root).option(password,123456).load()df.createOrReplaceTempView(trade_info)behavior_dfspark.sql(SELECT customer_id, COUNT(*) AS trade_cnt, SUM(amount) AS total_amount, AVG(amount) AS avg_amount, MAX(amount) AS max_amount FROM trade_info GROUP BY customer_id)behavior_df.createOrReplaceTempView(behavior_stat)fraud_behaviorspark.sql(SELECT b.customer_id, b.trade_cnt, b.total_amount, b.avg_amount, b.max_amount, SUM(CASE WHEN t.is_fraud 1 THEN 1 ELSE 0 END) AS fraud_cnt FROM behavior_stat b JOIN trade_info t ON b.customer_id t.customer_id GROUP BY b.customer_id, b.trade_cnt, b.total_amount, b.avg_amount, b.max_amount)fraud_behavior.createOrReplaceTempView(fraud_behavior)high_riskspark.sql(SELECT customer_id, trade_cnt, total_amount, avg_amount, max_amount, fraud_cnt, ROUND(fraud_cnt / trade_cnt * 100, 2) AS fraud_rate FROM fraud_behavior WHERE fraud_cnt 0 ORDER BY fraud_rate DESC, fraud_cnt DESC LIMIT 20)rowshigh_risk.collect()risk_list[]forrowinrows:level高ifrow[fraud_rate]50else中ifrow[fraud_rate]20else低risk_list.append({customer_id:row[customer_id],trade_cnt:row[trade_cnt],total_amount:row[total_amount],avg_amount:row[avg_amount],max_amount:row[max_amount],fraud_cnt:row[fraud_cnt],fraud_rate:row[fraud_rate],level:level})amount_rangesspark.sql(SELECT CASE WHEN amount 1000 THEN 小额 WHEN amount 10000 THEN 中额 ELSE 大额 END AS amount_range, COUNT(*) AS cnt FROM trade_info GROUP BY amount_range).collect()range_data[{range:r[amount_range],count:r[cnt]}forrinamount_ranges]return{risk_list:risk_list,range_data:range_data,high_risk_count:len(risk_list)}金融交易欺诈行为分析与可视化系统文档展示作者计算机毕业设计小途个人简介曾长期从事计算机专业培训教学本人也热爱上课教学语言擅长Java、微信小程序、Python、Golang、安卓Android等开发项目包括大数据、深度学习、网站、小程序、安卓、算法。平常会做一些项目定制化开发、代码讲解、答辩教学、文档编写、也懂一些降重方面的技巧。平常喜欢分享一些自己开发中遇到的问题的解决办法也喜欢交流技术大家有技术代码这一块的问题可以问我想说的话感谢大家的关注与支持网站实战项目安卓/小程序实战项目大数据实战项目深度学习实战项目