Advertisement

国际航空公司乘客-数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该数据集包含国际航空公司的乘客信息，涵盖了旅行日期、预订情况及乘客人数等关键指标，旨在研究和分析航空出行模式。 从1949年到1960年的12年间，每年有12个月的数据，总共包含144个数据点。这些数据的单位是千名国际航空公司乘客，并存储在一个名为international-airline-passengers.csv的文件中。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 国际航空公司乘客-数据集
    优质
    该数据集包含国际航空公司的乘客信息，涵盖了旅行日期、预订情况及乘客人数等关键指标，旨在研究和分析航空出行模式。 从1949年到1960年的12年间，每年有12个月的数据，总共包含144个数据点。这些数据的单位是千名国际航空公司乘客，并存储在一个名为international-airline-passengers.csv的文件中。
     
  • 航空公司数据集_Flight#2_flight_（航空公司数据集）_
    优质
    该数据集名为“Flight#2_flight”，是航空公司的综合性数据库，包含航班信息、飞行记录及运营详情等，为研究与分析提供全面的数据支持。 各大航空公司数据集包括以下字段：会员编号（MEMBER_NO）、首次飞行日期（OFFP_DATE）、第一次飞行日期（FIRST_FLIGHT_DATE）、性别（GENDER）、常旅客等级（FFP_TIER）、工作城市（WORK_CITY）、工作省份（WORK_PROVINCE）、工作国家（WORK_COUNTRY）、年龄（AGE）、加载时间戳（LOAD_TIME）、飞行次数总计（FLIGHT_COUNT）、过去一年内累计消费金额（BP_SUM_P1Y）、前两年每年的累计消费金额分别记录为EP_SUM_YR_1和EP_SUM_YR_2、近五年各年度累积里程数分别为SUM_YR_1和SUM_YR_2、总飞行公里数（SEG_KM_SUM）、加权飞行公里数（WEIGHTED_SEG_KM）、最近一次飞行日期（LAST_FLIGHT_DATE）、平均每年飞行次数（AVG_FLIGHT_COUNT）、首次到第一次消费的时间间隔天数（BEGIN_TO_FIRST）、最后一次消费到结束的时间间隔天数（LAST_TO_END）、平均时间间隔天数（AVG_INTERVAL）、最大时间间隔天数（MAX_INTERVAL）以及过去两年的积分累计分别为ADD_POINTS_SUM_YR_1和ADD_POINTS_SUM_YR_2、兑换次数总计（EXCHANGE_COUNT），折扣率（avg_discount）、前一年飞行次数(P1Y_Flight_Count)、去年飞行次数(L1Y_Flight_Count)、前一年消费金额(P1Y_BP_SUM)、去年消费金额(L1Y_BP_SUM)，累计优惠券使用额度(EP_SUM), 过去两年积分累积分别为ADD_Point_Sum和Eli_Add_Point_Sum，总积分（Points_Sum），过去一年的飞行次数比值(Ration_L1Y_Flight_Count)、前一年的飞行次数比值(Ration_P1Y_Flight_Count)，以及消费金额与积分的比例。
     
  • 航空公司的客户价值数据分析集
    优质
    本数据集涵盖了航空公司客户的详细信息及行为模式，旨在通过分析帮助公司理解客户需求、优化服务并提升客户满意度。 您提供的文件名为 air_data.csv。请告知是否需要对这个文件的内容进行特定的处理或分析？如果有具体的请求或者问题，请详细描述以便我能更好地帮助您。
     
  • 国际航空旅客人数数据集（international-airline-passengers）
    优质
    本数据集记录了自1949年至今的每月国际航空公司乘客数量，为时间序列分析和预测提供宝贵资源。 这是国际旅行旅客人数数据集——international-airline-passengers CSV格式的，数据中包含有文件尾信息，在导入数据时需要适当删除。
     
  • 航空公司客户价值数据分析集与代码.zip
    优质
    本资料包包含一系列用于分析航空公司客户数据的Python代码和预处理的数据集，旨在帮助用户深入理解并提升客户价值。 “航空公司客户价值分析数据集及代码.zip”压缩包中的资源旨在帮助我们理解和分析航空公司的客户价值。客户价值分析是企业管理和决策的关键工具，在竞争激烈的航空行业中尤为重要。了解并量化客户的实际价值有助于制定更有效的市场策略、优化服务，提升客户满意度，并提高盈利能力。 该数据集中通常包含以下几类信息： 1. 客户基本信息：如客户ID、姓名（匿名化处理）、性别、年龄和职业等。这些数据用于构建客户画像，理解不同群体的特征与需求。 2. 飞行活动记录：包括飞行次数、飞行距离、常旅客里程数以及预订历史和取消订单情况等指标。它们可以反映客户的活跃度及忠诚度。 3. 消费行为数据：购票价格、支付方式（如信用卡或借记卡）、附加服务购买（例如选座、餐食服务与保险）及其投诉或赞誉记录。这些信息揭示了客户消费习惯和满意度水平。 4. 时间序列数据：飞行日期、订票时间及航班时刻等，用于分析季节性趋势，并为预测模型提供依据。 5. 客户反馈和评价：可能包括在线评论和服务互动记录。此类数据反映了顾客对服务的主观感受。 压缩包中的代码部分涵盖以下内容： 1. 数据预处理：清洗数据、处理缺失值及异常值；进行必要转换（如归一化或标准化），以便于后续分析。 2. 特征工程：通过统计与业务理解创建新特征变量，例如飞行频率和平均消费金额等。这些新特征可能对客户价值评估具有较高相关性。 3. 客户分群：利用聚类算法（如K-Means或DBSCAN）将顾客划分为不同群体，并分析其行为模式。 4. 客户价值评估：采用RFM模型（最近一次消费、消费频率和金额）、生命周期价值计算等方法，评价每个客户长期潜在的价值。 5. 预测建模：基于历史数据使用回归或分类算法（如逻辑回归、决策树、随机森林及神经网络）预测客户的未来行为趋势，例如是否复购或升级会员等级。 6. 可视化展示：通过图表呈现数据分布情况和客户群体差异；帮助非技术人员理解分析结果并作出相应解释。 7. 结果应用建议：提出针对不同顾客群体制定的营销策略（如优惠券发放、个性化推荐等）。 通过对航空公司客户的深入研究，我们可以更好地优化服务体验，提高满意度，并降低运营成本。对于数据分析爱好者或专业人士而言，“航空公司客户价值分析数据集及代码.zip”是一个很好的实践案例，能够提升个人技能并深入了解航空行业的经营战略。
     
  • 航空公司的票价预测-数据集
    优质
    该数据集包含航空公司历史票价信息及其他影响因素，旨在帮助研究人员建立模型以预测未来机票价格变化趋势。 预测航班票价是一项复杂的任务。此数据集包含多方面的信息，如航线的目的地以及是否提供餐食等详情。相关文件包括Data_Train.xlsx、Sample_submission.xlsx 和 Test_set.xlsx。
     
  • 航空公司客户价值分析代码和数据集（修订版）.zip
    优质
    本资料包为《航空公司客户价值分析》项目的更新版本，内含Python代码、相关数据集及详细文档，旨在深入剖析航空业客户的消费行为与偏好。 经过整理的航空公司客户价值分析代码与数据集使用了Python编程语言。代码涵盖了数据预处理与建模各阶段，并采用了KMeans算法进行建模。
     
  • 航空旅客数据集
    优质
    简介：航空旅客数据集包含了详细的航班乘客信息，涵盖订票、出行偏好等多个方面，旨在支持航空公司优化服务与营销策略。 AirPassengers.csv 是一个包含航空乘客数据的文件。该文件通常用于时间序列分析或预测模型，其中包含了每个月的国际航班乘客数量。由于提供了历史趋势，它对于理解乘客流量的变化模式非常有用。
     
  • 《航空公司客户价值分析数据源（第七章）.zip》
    优质
    本资料为《航空公司客户价值分析》系列的一部分，专注于从多维度解析和评估航空公司的客户价值。第七章深入探讨了关键的数据来源及其应用，助力企业精准定位客户需求，优化服务策略。 《航空公司客户价值分析》数据源（第7章）.zip详细文章教程如下：免费开源，欢迎补充。