航空公司满意度预测

航空公司满意度预测

1.背景

近年来，随着全球经济的不断发展和人们生活水平的提高，航空公司的业务规模和客户群体逐渐扩大。越来越多的人选择乘坐飞机出行，同时航空公司也不断推出各种新的服务和产品以提高客户满意度。然而，随着航空业的竞争日趋激烈，客户对于航空公司的期望也越来越高，如何提高客户满意度成为了航空公司所关注的一个重要问题。

2.数据解释

源数据下载

id：唯一的身份证件
Gender：乘客性别（女性、男性）
CustomerType：客户类型（忠诚客户、不忠诚客户）
Age：乘客年龄
TypeOfTravel：乘客飞行类型（个人旅行、商务旅行）
Class：乘客飞机上的旅行舱
FlightDistance：旅程距离
InflightWifiservice：wifi服务
DepartureArrivalTimeCconvenient：出发/到达时间
EaseOfOnlineBooking：在线预订
GateLocation：登机口位置
FoodAndDrink：食物和饮料
OnlineBoarding：网上登机
SeatComfort：座椅舒适度
InflightEntertainment：机上娱乐
OnBoardService：机上服务
LegRoomService：腿部客房服务
BaggageHandling：行李处理
CheckinService：入住服务的
InflightService：机上服务的
Cleanliness：清洁度的
DepartureDelayInMinutes：出发时延误几分钟
ArrivalDelayInMinutes：抵达时延迟几分钟
satisfaction：航空公司满意度（满意、中性或不满意）

3.数据预处理

print("数据的空值数量\n",data.isnull().sum())
# 缺失值使用平均值进行填充
data['ArrivalDelayInMinutes'].fillna(round(data['ArrivalDelayInMinutes'].mean(), 2), inplace=True)
print("数据的空值检测\n",data.isnull().sum())

对于空值的处理，使用字段的平均值进行填充

# 重复值检测
print('重复值的个数为：', data.duplicated().sum())

没有重复值，无需处理。

4.数据可视化

项目主要是对航空公司满意度进行预测，使用透视表将数据进行可视化。

1）满意度分布

在航空公司满意度的统计中，仅有41%的乘客觉得满意，剩下的59%的乘客是中立态度或是不满意.

2)性别与满意度分析

由图可知，在中立态度或是不满意以及满意的调查中，男女比例近似相同。

3）客户忠诚度对于满意度分析

由上图可知，在满意分布的两种情况，忠诚用户居多。

4）飞机延误对于满意度影响分析

由于航班很少有延误很长时间的，所有只讨论延误四个小时的数据。

由上图可知，一旦飞机延误，中立或不满意的人数占比都要多于满意，所以飞机延误很大可能影响满意度。

5.数据建模

本项目使用逻辑回归算法进行对满意度的预测。

1）将非数字字段映射为数字

label = LabelEncoder()
for i in data.columns:
    if data[i].dtypes == 'O':
        data[i] = label.fit_transform(data[i])

以下是“satisfaction”字段映射完之后的部份数据

2）计算相关系数

cor = round(data.corr(), 2)
labels = cor.columns.tolist()
plt.figure(figsize=(16, 16))
plt.xticks(np.arange(len(labels)), labels=labels,
           rotation=90, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(labels)), labels=labels)
plt.imshow(cor.values)
for i in range(len(labels)):
    for j in range(len(labels)):
        text = plt.text(j, i, cor.values[i, j], ha="center", va="center", color="black")
plt.tight_layout()
plt.show()

3）选取关键的特征字段

我们将其他字段对于满意度字段相关系数在(-系数平均,系数平均)之外的数据字段作为关键字段

# 计算关于满意度字段的平均相关系数
mean_cor=round(cor['satisfaction'].values.mean(),2)
# 将相关系数在（-mean_cor,mean_cor）之间的数据删除，相关性不大
drop_cor=[]
for x,y in zip(cor['satisfaction'].index,cor['satisfaction'].values):
    if -mean_cor<y<mean_cor:
        drop_cor.append(x)
print(drop_cor)
new_data=data.drop(drop_cor,axis=1)

删除的字段为

[‘id’, ‘Gender’, ‘Age’, ‘DepartureArrivalTimeCconvenient’, ‘GateLocation’, ‘DepartureDelayInMinutes’, ‘ArrivalDelayInMinutes’]

4）划分训练集测试集

x=new_data.iloc[:,:-1]
y=new_data.iloc[:,-1:]

x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)

5）构建模型

model=LogisticRegression(max_iter=2000)
model.fit(x_train,y_train)

6）模型评估

pre=model.predict(x_test)
print(f"预测的准确率={accuracy_score(pre,y_test)}")
print(f"模型预测的概率为{model.predict_proba(x_test)}")

6.总结

经过航空公司满意度分析，我们采用了逻辑回归模型来预测客户的满意度。逻辑回归模型是一种用于二分类问题的机器学习模型，能够预测客户是否满意。

通过对模型进行训练和优化，我们得到了一个精度较高的航空公司满意度预测模型。这个模型可以帮助航空公司及时调整服务策略，提高客户满意度和忠诚度。同时，这个模型也为航空公司提供了一个实用的指标，使航空公司可以更加精确地评估自身的服务质量和客户满意度。

辑回归模型来预测客户的满意度。逻辑回归模型是一种用于二分类问题的机器学习模型，能够预测客户是否满意。

通过对模型进行训练和优化，我们得到了一个精度较高的航空公司满意度预测模型。这个模型可以帮助航空公司及时调整服务策略，提高客户满意度和忠诚度。同时，这个模型也为航空公司提供了一个实用的指标，使航空公司可以更加精确地评估自身的服务质量和客户满意度。

逻辑回归作为一种经典的机器学习模型，其在分类预测问题上具有较高的准确率和稳定性。在航空公司满意度分析中，我们选择逻辑回归模型，也希望通过新的机器学习方法来帮助航空公司提高客户满意度，提供更优质的服务。