数据分析案例

🤵‍♂️ 个人主页：@艾派森的个人主页

✍🏻作者简介：Python学习者 🐋 希望大家多多支持，我们一起进步！😄 如果文章对你有帮助的话， 欢迎评论 💬点赞👍🏻 收藏 📂加关注+

目录

1.数据集介绍

2.技术工具

3.导入数据

4.数据探索性分析

4.1相关性分析

4.2性别对满意度的影响

4.3年龄对满意度的影响

4.4旅行类型对满意度的影响

4.5座椅等级对满意度的影响

4.6客户类型对满意度的影响

4.7飞行距离对满意度的影响

4.8航班延迟对满意度的影响

4.9其他分析

本数据来源于Kaggle，原始数据共有103904条，共23个特征，具体各变量含义如下：

Gender：乘客性别（女、男） Customer Type：客户类型（Loyal customer, disloyal customer） Age：乘客的实际年龄 Type of Travel：乘客的飞行目的（个人旅行、商务旅行） Class：乘客飞机的旅行等级（商务舱、经济舱、经济舱） Flight Distance：本次行程的飞行距离 Inflight wifi service：对机上wifi服务的满意度（0：不适用；1-5） Departure/Arrival time convenient：对出发/到达时间方便的满意度 Ease of Online booking：在线预订的满意度 Gate location：对Gate location的满意度 Food and drink：食物和饮料的满意度 Online boarding：网上寄宿的满意度 Seat comfort：座椅舒适度满意度 Inflight entertainment：机上娱乐满意度 On-board service：船上服务满意度 Leg room service：腿部空间服务满意度 Baggage handling：行李处理满意度 Checkin service：值机服务满意度 Inflight service：机上服务满意度 Cleanliness：清洁度满意度 Departure Delay in Minutes：出发时延迟的分钟数 Arrival Delay in Minutes：到达时延迟的分钟数 Satisfaction：航空公司满意度（满意、中立或不满意）

Python版本:3.9

代码编辑器：jupyter notebook

 首先导入本次实验用到的第三方库，然后导入航空公司满意度数据

接着删除数据集中的缺失值 

这里我先自定义三个可视化图形的函数，方便后面调用

正相关：商务舱、在线登机和商务旅行是人们满意的主要原因。 负相关：个人旅行和经济舱导致不满意。

 看起来分布是相当对称的，大多数人都在40岁左右。也许我们可以说满意的人比不满意的人更大。 满意的人大约在40-56岁之间。不满意的年龄在20-40岁之间。

个人旅行有很大的影响。大多数个人旅行者都是不满意的人。

 好吧，我们可以注意到经济舱有很多不满意的人…大多数经济舱乘客也不满意。另一方面，商务舱有大多数满意的人。

 忠诚客户大多数都是商务舱。不忠诚客户大多数都是经济舱。这里我们可以注意到，大多数个人旅行乘坐的是经济舱。这与个人旅行和经济舱都有很多不满意的人的事实是一致的。另一方面，大多数商务旅行都乘坐商务舱。

 似乎没有影响。大多数旅行都是500单位距离。

正如预期的那样，出发延误对到达延误有很强的相关性。我们还可以注意到，出发延误近似等于到达延误。它告诉我们知道延误只发生在航班开始前(而不是在飞行过程中)。

 大多数人对出发和到达时间的满意度为4级或5级。

现在我们来分析一下跟量表有关的变量，也就是说这些变量都是打分制0-5

相关系数热力图