【数据可视化】基于pyecharts的航空安全深度剖析：坠毁航班数据集可视化分析

🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金等平台人工智能领域优质创作者。

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。

一、引言

在航空领域，安全始终是最重要的议题之一。尽管现代航空技术已经取得了巨大的进步，但航空事故仍然时有发生。今天，我们将通过分析一个从航空安全网络（ASN）抓取的坠毁航班数据集，深入探讨航空事故的多个维度。我们将使用Python和Pyecharts库，以炫酷的黑色背景图表展示分析结果，帮助我们更好地理解航空事故的特征和趋势。

二、数据集介绍

该数据集包含以下字段：

日期

类型

运营商

fat

地点

dmg

三、分析目标

我们将从以下角度对数据进行分析：

事故随时间的变化趋势哪些机型最致命哪些运营商的事故最多事故严重程度占比哪些地点最血腥时间对事故的影响机型、运营商与死亡人数的关系

四、环境准备

在开始之前，请确保你已经安装了以下Python库：

pip install pandas pyecharts

五、数据加载与预处理

首先，我们需要加载数据并进行一些基本的预处理。

import pandas as pdimport numpy as npfrom pyecharts import options as optsfrom pyecharts.charts import *from pyecharts.globals import ThemeTypeimport warnings, datetime, rewarnings.filterwarnings("ignore")# 1. 读入数据df = pd.read_csv("flight.csv")# 2. 数据清洗df['acc.date'] = pd.to_datetime(df['acc.date'], errors='coerce')df['fat'] = pd.to_numeric(df['fat'], errors='coerce')df = df.dropna(subset=['acc.date', 'fat'])# 3. 衍生字段df['year'] = df['acc.date'].dt.yeardf['month'] = df['acc.date'].dt.monthdf['weekday'] = df['acc.date'].dt.day_name()# 通用暗黑主题dark = {    "background_color": "#000",    "title_color": "#fff",    "legend_color": "#fff",    "text_color": "#fff",    "axis_line_color": "#fff",    "split_line_color": "#333"}

六、可视化分析

6.1 事故随时间的变化趋势

我们将绘制一个时间轴的折线图线图，展示每年事故的数量变化。

# 1️⃣ 时间轴动态折线tl = Timeline(init_opts=opts.InitOpts(width="1000px", height="500px", theme=ThemeType.DARK))for y in sorted(df['year'].unique()):    y_data = df[df['year']==y].groupby('acc.date').size().cumsum().reset_index()    line = (        Line()        .add_xaxis(y_data['acc.date'].dt.strftime("%Y-%m-%d").tolist())        .add_yaxis("累计事故", y_data[0].tolist(), is_smooth=True,                   linestyle_opts=opts.LineStyleOpts(width=3, color="#00ffcc"))        .set_global_opts(title_opts=opts.TitleOpts(title=f"{y} 时间轴"))    )    tl.add(line, str(y))tl.render_notebook()

6.2 哪些机型最致命

我们将绘制一个3D柱状图，展示死亡人数最多的前15个机型。

# 3️⃣ 机型死亡 Top15 3D 柱状top_type = df.groupby('type')['fat'].sum().nlargest(15).reset_index()bar3d = (    Bar3D(init_opts=opts.InitOpts(width="900px", height="600px", theme=ThemeType.DARK))    .add(        "",        [[i, j, top_type.iloc[i]['fat']] for i, j in enumerate(top_type['type'])],        xaxis3d_opts=opts.Axis3DOpts(type_="category"),        yaxis3d_opts=opts.Axis3DOpts(type_="category"),        zaxis3d_opts=opts.Axis3DOpts(type_="value"),    )    .set_global_opts(title_opts=opts.TitleOpts(title="最致命机型 Top15")))bar3d.render_notebook()

6.3 哪些运营商的事故最多

我们将绘制一个柱状图，展示事故数量最多的前15个运营商。

# 4️⃣ 运营商 PictorialBartop_op = df['operator'].value_counts().head(15).reset_index()pic = (    PictorialBar(init_opts=opts.InitOpts(width="1000px", height="800px", theme=ThemeType.DARK))    .add_xaxis(top_op['index'].tolist())    .add_yaxis(        "",        top_op['operator'].tolist(),        symbol="image://https://img.icons8.com/color/48/000000/airplane-take-off.png",        # symbol_size=30,    )    .reversal_axis()    .set_global_opts(title_opts=opts.TitleOpts(title="事故最多运营商 Top15")))pic.render_notebook()

6.4 事故严重程度占比

我们将绘制一个环形图，展示不同严重程度的事故占比。

# 5️⃣ 损坏分级环形图dmg = df['dmg'].value_counts().reset_index()pie = (    Pie(init_opts=opts.InitOpts(width="800px", height="600px", theme=ThemeType.DARK))    .add(        "",        [list(z) for z in zip(dmg['index'], dmg['dmg'])],        radius=["40%", "75%"],        rosetype="radius",        label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)", color="#fff"),    )    .set_global_opts(title_opts=opts.TitleOpts(title="事故损坏分级")))pie.render_notebook()

6.5 哪些地点最血腥

我们将绘制一个热力图，展示死亡人数最多的前10个地点。

# 3. 绘制热力图heatmap = (    HeatMap(init_opts=opts.InitOpts(width="1200px", height="600px", theme=ThemeType.DARK))    .add_xaxis(x_axis)    .add_yaxis(        "Fatalities",        y_axis,        data,        label_opts=opts.LabelOpts(is_show=True, position="inside", color="#fff"),    )    .set_global_opts(        title_opts=opts.TitleOpts(title="最血腥地点 Top20"),        visualmap_opts=opts.VisualMapOpts(            max_=int(loc['fat'].max()),            min_=0,            orient="vertical",            pos_right="5%",            is_show=True,            textstyle_opts=opts.TextStyleOpts(color="#fff")        ),        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(is_show=False)),        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(color="#fff")),    ))heatmap.render("最血腥地点 Top20.html")

6.6 时间对事故的影响

我们将绘制一个日历图，展示不同时间段的事故数量。

# 7️⃣ 月份事故日历图cal = (    Calendar(init_opts=opts.InitOpts(width="1200px", height="260px", theme=ThemeType.DARK))    .add(        "",        [[row['acc.date'].strftime("%Y-%m-%d"), 1] for _, row in df.iterrows()],        calendar_opts=opts.CalendarOpts(range_=["2018", "2022"], daylabel_opts=opts.CalendarDayLabelOpts(name_map="en"),                                        monthlabel_opts=opts.CalendarMonthLabelOpts(name_map="en"))    )    .set_global_opts(title_opts=opts.TitleOpts(title="每日事故日历 2018-2022")))cal.render_notebook()

6.7 机型 - 运营商 - 死亡人数

我们将绘制一个桑基图，展示机型、运营商与死亡人数的关系。

links, nodes = [], []for _, row in df[df['fat'] > 10].iterrows():    links.append({"source": row['type'], "target": row['operator'], "value": row['fat']})    nodes.extend([{"name": row['type']}, {"name": row['operator']}])from pyecharts.charts import Sankeyc = (    Sankey(init_opts=opts.InitOpts(width="1000px", height="600px", theme=ThemeType.DARK))    .add(        "sankey",        nodes,        links,        linestyle_opt=opts.LineStyleOpts(opacity=0.2, curve=0.5, color="source"),        label_opts=opts.LabelOpts(position="right"),    )    .set_global_opts(title_opts=opts.TitleOpts(title="机型-运营商-死亡桑基图"))    .render("sankey_base.html"))

七、总结

通过以上分析，我们从多个角度对航空事故数据进行了可视化展示。从时间趋势到机型、运营商、地点等多个维度，我们能够更全面地了解航空事故的特征。这些图表不仅具有视觉冲击力，还能帮助我们快速提取关键信息，为航空安全研究提供有力支持。

如果你对航空安全感兴趣，或者想了解更多数据可视化技巧，欢迎关注我的博客！🎉

如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）

期待与您一起交流，共同探索AI的更多可能！

<--微信名片-->