📱 Mobile Devices Database Management System

Комплексная система управления каталогом мобильных устройств с GUI-интерфейсом

🎯 Назначение проекта

Курсовая работа по дисциплине "Проектирование и администрирование баз данных", представляющая собой полнофункциональную информационную систему для управления данными о мобильных устройствах. Проект демонстрирует практическое применение принципов реляционного моделирования, оптимизации производительности СУБД и создания современных desktop-приложений.

🏗️ Архитектура системы

Компонентная структура

📦 mobile-devices-db/
├── database.py                   # Слой доступа к данным (DAO)
├── main_window.py                # GUI-интерфейс на PyQt6
├── main.py                       # Запускаемый файл
├── Mobiles Dataset 2025.csv      # Дата-сет данных
├── 🗃️ sql/                      # SQL-скрипты и схема БД
│   ├── create_schema.sql         # Создание нормализованной структуры
│   └── performance_analysis.sql  # Тестовые запросы для анализа
├── 🐍 scripts/                  # Python-модули системы
│   └── import_data.py           # Система импорта и нормализации
├── 📊 docs/                     # Техническая документация
└── 📋 requirements.txt          # Зависимости проекта

Технологический стек

• СУБД: PostgreSQL 15.x с расширенными возможностями индексирования
• Backend: Python 3.11+ с паттерном Singleton для управления соединениями
• Frontend: PyQt6 с архитектурой Model-View-Controller
• Интеграция: psycopg2 для типобезопасного взаимодействия с БД

⚡ Ключевые особенности

🔧 Техническая реализация

• Нормализация до 3НФ: Декомпозиция исходного CSV в 5 взаимосвязанных таблиц
• Референциальная целостность: Система FK с каскадными операциями
• Оптимизация производительности: Стратегическое индексирование с 62-95% улучшением
• CRUD-функционал: Полный спектр операций через интуитивный GUI

📈 Результаты оптимизации

Метрика	До оптимизации	После оптимизации	Улучшение
Время выполнения поиска	0.234 мс	0.089 мс	62% быстрее
JOIN-запросы (4 таблицы)	18.6 мс	0.95 мс	95% быстрее
Стоимость по планировщику	44.76 ед.	12.45 ед.	72% снижение
Обработанные строки	914 (фильтрация)	18 (прямой доступ)	98% сокращение

🌍 Функциональные возможности

• Интеллектуальный поиск по множественным атрибутам устройств
• Валютная локализация ценовой информации (5 регионов)
• Автоматический импорт данных с нормализацией на лету
• Аналитические отчеты с региональной статистикой

📊 Источники данных

Проект использует актуальный датасет мобильных устройств 2025 года:

• Источник: Kaggle - Mobiles Dataset 2025
• Размер: 1000+ записей устройств
• Охват: Основные производители (Apple, Samsung, Xiaomi, OnePlus, etc.)
• Регионы: Пакистан, Индия, Китай, США, ОАЭ

🚀 Быстрый старт

Системные требования

• Python 3.11+ с поддержкой venv
• PostgreSQL 15.x с административными правами
• 4GB RAM (рекомендуется 8GB для больших наборов данных)

Установка и настройка

1. Клонирование репозитория

   git clone https://github.com/username/mobile-devices-db.git
   cd mobile-devices-db
   

2. Создание виртуального окружения

   python -m venv venv
   source venv/bin/activate  # Linux/macOS
   # или
   venv\Scripts\activate     # Windows
   

3. Установка зависимостей

   pip install -r requirements.txt
   

4. Настройка PostgreSQL

   -- Создание пользователя и БД
   CREATE USER admin WITH PASSWORD 'your_password';
   CREATE DATABASE mobile_devices_db OWNER admin;
   GRANT ALL PRIVILEGES ON DATABASE mobile_devices_db TO admin;
   

5. Развертывание схемы данных

   psql -U admin -d mobile_devices_db -f sql/create_schema.sql
   

6. Импорт тестовых данных

   python scripts/import_data.py
   

7. Запуск приложения

   python scripts/main_window.py
   

📊 Структура базы данных

Реляционная модель (3НФ)

erDiagram
    COMPANIES ||--o{ MODELS : manufactures
    PROCESSORS ||--o{ MODELS : uses
    MODELS ||--o{ PRICES : "has prices in"
    REGIONS ||--o{ PRICES : "contains prices"
    
    COMPANIES {
        int company_id PK
        varchar company_name UK
    }
    
    MODELS {
        int model_id PK
        varchar model_name
        int company_id FK
        int processor_id FK
        varchar ram
        varchar battery_capacity
        int launched_year
    }
    
    PRICES {
        int price_id PK
        int model_id FK
        int region_id FK
        decimal price
        varchar currency
    }

Ключевые таблицы

• Companies: Справочник производителей (19 уникальных компаний)
• Models: Каталог устройств (914 моделей с техническими характеристиками)
• Processors: Справочник процессоров (217 уникальных чипсетов)
• Regions: Географические регионы ценообразования (5 регионов)
• Prices: Региональная ценовая информация (4,569 записей)

🎨 Пользовательский интерфейс

Основные компоненты

• 📋 Каталог компаний: Обзор производителей с количеством моделей
• 📱 Управление моделями: CRUD-операции с техническими характеристиками
• 💰 Ценовое управление: Редактирование цен с валютной локализацией
• 📊 Аналитическая панель: Региональная статистика и отчеты

Функциональные возможности

# Пример поискового запроса
def search_models(self, search_text: str):
    """Интеллектуальный поиск по множественным атрибутам"""
    return self.db.search_models(search_text)

# Валютная локализация
CURRENCY_MAP = {
    'Pakistan': ('PKR', '₨'),
    'India': ('INR', '₹'),
    'China': ('CNY', '¥'),
    'USA': ('USD', '$'),
    'Dubai': ('AED', 'د.إ')
}

🔍 Анализ производительности

Методология тестирования

Комплексный анализ производительности выполнен с использованием PostgreSQL EXPLAIN ANALYZE:

Тестовые сценарии

1. Простые селективные запросы - поиск по названию компании
2. Многотабличные JOIN - получение полной информации об устройствах
3. Агрегирующие операции - статистические запросы с группировкой
4. Поиск по характеристикам - фильтрация по техническим параметрам

Стратегия оптимизации

-- Базовые B-tree индексы
CREATE INDEX idx_companies_name ON companies(company_name);
CREATE INDEX idx_models_company_id ON models(company_id);

-- Составные индексы для комплексных запросов
CREATE INDEX idx_models_ram_battery ON models(ram, battery_capacity);

-- Функциональные индексы для LIKE-операций
CREATE INDEX idx_companies_name_pattern ON companies(company_name varchar_pattern_ops);

📈 Практические результаты

Количественные показатели

• Импорт данных: 930 записей устройств с 100% целостностью
• Нормализация: 60% сокращение избыточности данных
• Производительность: 95% улучшение для сложных JOIN-запросов
• Индексирование: 72% снижение стоимости по планировщику

Качественные достижения

• Полная автоматизация процесса нормализации данных
• Интуитивный GUI с поддержкой валютной локализации
• Масштабируемая архитектура для enterprise-развертывания
• Комплексная система мониторинга производительности

🔧 Документация

• Техническая документация - Подробное описание архитектуры и API
• Отчет по курсовой работе - Полный академический отчет
• SQL-скрипты - Схемы БД и запросы для анализа производительности

Конфигурация базы данных

# Параметры подключения
DATABASE_CONFIG = {
    'host': 'localhost',
    'port': 5432,
    'database': 'mobile_devices_db',
    'user': 'admin',
    'password': 'your_password'
}

Основные зависимости

psycopg2-binary==2.9.9    # PostgreSQL adapter
PyQt6==6.6.1              # GUI framework  
pandas==2.1.4             # Data processing
numpy==1.26.2             # Numerical computing

🚀 Перспективы развития

Краткосрочные цели

• Веб-интерфейс: Реализация REST API на FastAPI
• Автоматизация: Интеграция с внешними API для обновления каталога
• Мониторинг: Real-time дашборды производительности

Долгосрочная стратегия

• Machine Learning: Прогнозирование ценовых тенденций
• Микросервисы: Архитектурная модернизация для cloud-deployment
• Аналитика: Интеграция с Apache Kafka для stream-processing

📚 Академическая ценность

Проект демонстрирует практическое применение ключевых концепций:

Теоретические основы

• Нормализация реляционных данных до третьей нормальной формы
• Оптимизация производительности СУБД через стратегическое индексирование
• Архитектурные паттерны для desktop-приложений с базами данных

Практические навыки

• Проектирование и реализация нормализованных схем данных
• Анализ и оптимизация производительности SQL-запросов
• Создание многокомпонентных приложений с GUI-интерфейсом

📄 Лицензия

Этот проект создан в учебных целях как курсовая работа по дисциплине "Проектирование и администрирование баз данных" в Московском Политехническом Университете, 2024-2025 учебный год.

👨‍💻 Автор

Деев Егор Викторович - Backend Developer

• GitHub: @EDeev
• Email: egor@deev.space
• Telegram: @Egor_Deev

---

_{Создано с ❤️ от вашего дорогого - deev.space ©}