当前位置：首页 > news >正文

【数据可视化-88】航空公司航班数据分析与可视化：Python + pyecharts洞察航空旅行趋势

news 2025/8/15 11:09:11

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

【数据可视化-88】航空公司航班数据分析与可视化：Python + pyecharts洞察航空旅行趋势

- 一、引言
- 二、数据概览
- 三、数据可视化
- - 3.1 航空公司频率分析（玫瑰图）
  - 3.2 出发时间和到达时间分布（条形图）
  - 3.3 城市间航班分布（桑基图）
  - 3.4 航空公司价格对比（箱线图）
  - 3.5 出发时间与价格关系（热力图）
  - 3.6 提前购票天数与价格关系（散点图）
- 四、创建可视化大屏
- 五、可视化结果分析
- - 5.1 航空公司频率分析（玫瑰图）
  - 5.2 出发时间和到达时间分布（条形图）
  - 5.3 源城市和目的地城市分布（条形图）
  - 5.4 航空公司票价对比（箱线图）
  - 5.5 出发时间与价格关系（热力图）
  - 5.6 提前购票天数与价格关系（散点图）
- 六、结论

一、引言

在当今的全球化时代，航空旅行已成为连接世界的重要纽带。通过深入分析航空公司的航班数据，我们可以揭示旅行趋势、优化定价策略，并提升客户体验。本文将利用Python和pyecharts库对航空公司航班数据进行详尽的分析和可视化，以期为航空业提供数据驱动的洞察。

二、数据概览

我们的数据集包含了以下关键特征：

航空公司：涉及6家不同的航空公司。
航班：飞机航班代码信息。
始发城市和目的地城市：共6个独特的城市。
出发时间和到达时间：包含6个唯一的时间标签。
停靠点：源城市和目的地城市之间的停靠点数量，共3个不同值。
等级：座位等级信息，包括商业和经济两种。
持续时间：城市间旅行所需的总时间（小时）。
剩余天数：旅行日期减去预订日期。
价格：票价信息。

三、数据可视化

为了更好地理解数据，我们将绘制以下几种图表：

航空公司频率分析（玫瑰图）
出发时间和到达时间分布（条形图）
源城市和目的地城市分布（条形图）
航空公司票价对比（箱线图）
出发时间与价格关系（热力图）
提前购票天数与价格关系（散点图）

3.1 航空公司频率分析（玫瑰图）

# 1. 航空公司频率分析（玫瑰图）
def airline_frequency():data = df['airline'].value_counts()c = (Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color='#0A0A0A')).add(series_name="航空公司",data_pair=[list(z) for z in zip(data.index.tolist(), data.values.tolist())],radius=["30%", "70%"],rosetype="radius",label_opts=opts.LabelOpts(color="#fff"),).set_global_opts(title_opts=opts.TitleOpts(title="各航空公司航班频率分布", pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color="#fff")),legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%", textstyle_opts=opts.TextStyleOpts(color="#fff")),))return c

3.2 出发时间和到达时间分布（条形图）

# 2. 出发时间和到达时间分布（条形图）
def time_distribution():dep_data = df['departure_time'].value_counts().sort_index()arr_data = df['arrival_time'].value_counts().sort_index()bar = (Bar().add_xaxis(dep_data.index.tolist()).add_yaxis("出发时间", dep_data.values.tolist(), stack="stack1").add_yaxis("到达时间", arr_data.values.tolist(), stack="stack1"))return bar

3.3 城市间航班分布（桑基图）

# 3. 城市间航班分布（桑基图）
def city_sankey():sankey = (Sankey(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color='#0A0A0A')).add(series_name="",nodes=nodes,links=links,linestyle_opt=opts.LineStyleOpts(opacity=0.3, curve=0.5, color="source"),label_opts=opts.LabelOpts(color="rgba(255,255,255,0.8)"),node_width=20,node_gap=10,))return sankey

3.4 航空公司价格对比（箱线图）

# 4. 航空公司价格对比（箱线图）
def airline_price_boxplot():boxplot = Boxplot()boxplot = (boxplot.add_xaxis(airlines.tolist()).add_yaxis("", y_axis=boxplot.prepare_data(data)))return boxplot

3.5 出发时间与价格关系（热力图）

# 5. 出发时间与价格关系（热力图）
def time_price_heatmap():heatmap = (HeatMap(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color='#0A0A0A')).add_xaxis(pivot_table.columns.tolist()).add_yaxis(series_name="价格",yaxis_data=pivot_table.index.tolist(),value=value,label_opts=opts.LabelOpts(is_show=True, position="inside"),))return heatmap

3.6 提前购票天数与价格关系（散点图）

# 6. 提前购票天数与价格关系（散点图）
def booking_days_price():scatter = (Scatter().add_xaxis(data['days_left'].tolist()).add_yaxis(series_name="价格",y_axis=data['mean_price'].tolist(),symbol_size=8,label_opts=opts.LabelOpts(is_show=False),))return scatter

四、创建可视化大屏

# 创建可视化大屏
def create_dashboard():page = Page(layout=Page.DraggablePageLayout, page_title="航空公司航班数据分析大屏")page.add(airline_frequency(),time_distribution(),city_sankey(),airline_price_boxplot(),time_price_heatmap(),booking_days_price())page.render("airline_dashboard.html")print("可视化大屏已生成: airline_dashboard.html")create_dashboard()