🧑 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。

---

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：事故发生的日期
• 类型：飞机型号
• 注册：飞机注册码
• 运营商：运营飞机的航空公司或组织
• fat：事故中报告的死亡人数（乘客 + 机组人员）
• 地点：事故发生的地点
• dmg：损坏严重程度（编码）

三、分析目标

  我们将从以下角度对数据进行分析：

1. 事故随时间的变化趋势
2. 哪些机型最致命
3. 哪些运营商的事故最多
4. 事故严重程度占比
5. 哪些地点最血腥
6. 时间对事故的影响
7. 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 pd
import numpy as np
from pyecharts import options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType
import warnings, datetime, re
warnings.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.year
df['month'] = df['acc.date'].dt.month
df['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 PictorialBar
top_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！🎉

---