随机森林实现飞机旅客满意度分析：从数据清洗到可视化大屏的完整毕设指南

做毕设选课题的时候，很多同学都踩过同一个坑：题目看着高大上，材料一查全是要么数据难找、要么算法复杂到连跑通都费劲。如果你正在为选题头疼，或者已经在“飞机旅客满意度”这个方向上犹豫了很久，那我先给你吃颗定心丸——这个题目放在计算机类毕设里，是最接近“标准答案”的一类。

它有三个天然优势：第一，数据公开可获取，网上有大量匿名的航空服务质量问卷数据，拿来就能用；第二，随机森林虽然不算最新算法，但它扎实、好讲原理、可解释性强，论文里无论是画框架图还是写公式推导都有东西可写；第三，整个项目从前期的数据清洗，到中期的建模调参，再到后期的可视化大屏和结论分析，是一条完整的链路，每一项都能拿出来当“工作量和能力展示”。这篇文章我就按自己实际做过一遍的顺序，把这个项目的完整路径、关键代码、踩过的坑，以及怎么把项目“包装”成一篇拿得出手的毕业论文，一次讲清楚。

1. 项目整体设计与核心思路拆解

1.1 为什么选随机森林而不是深度学习

很多同学一看到“大数据”“深度学习”这两个词就激动，觉得不做个神经网络都不好意思开口。但放在“旅客满意度”这个具体场景里，我反而不建议你上来就上深度学习。原因很直白：普通问卷数据的样本量通常只有几万到几十万条、字段也就一二十个，这是一个典型的“小表格数据”问题，深度学习在这种数据规模下优势根本发挥不出来，反而容易过拟合，调参调到怀疑人生。

随机森林属于集成学习里的Bagging派，它训练出一堆决策树，每棵树随机抽取样本、随机挑选特征去分裂，最后投票出结果。它最大的好处是：对异常值和噪声容忍度高——问卷数据里经常有人乱打分，单棵决策树会受影响，但森林里投票一平均，稳健性就出来了；不用做太复杂的特征工程；不容易过拟合；而且它能直接输出特征重要性，这对论文里“分析哪个因素对满意度影响最大”这个需求来说，简直是量身定做。

所以，整个项目的核心架构我定为：用随机森林做分类预测和特征重要性排序，用Python的Pandas做数据清洗，用Seaborn和Plotly做可视化，最后把结果整理成图表和分析结论。至于深度学习的内容，可以作为论文里的“扩展讨论”，或者做一个对比实验证明“在表格数据上随机森林更合适”，反而显得你考虑全面。

1.2 技术选型与项目流程规划

这套方案的技术栈非常通用，我在实际操作中也推荐你按这个组合来配环境：

项目流程我按“数据理解—数据清洗—特征工程—建模调参—可视化—结论输出”六步走。这个过程不仅是写代码，更重要的是每一步都要能回答“为什么这么做”，因为答辩时老师问的就是这些“为什么”。

1.3 数据集理解：字段里藏着哪些分析维度

我用的数据是某公开旅客满意度调查数据集，一共129880条记录，每条记录是一个乘客对某次航班的完整评价。字段大致可以分成三类：

第一类是乘客基本信息：性别、年龄、客户类型（回头客或普通旅客）、舱位等级（经济舱/商务舱等）。这部分用来做群体画像，比如“哪个年龄段的满意度更低”。

第二类是服务体验评分：座位舒适度、机上餐饮、登机流程、机上服务、行李处理、值机效率、机上娱乐、WiFi服务、航班准点情况等，通常都是1到5分的打分。这部分是整个项目的“主角”，因为大部分满意度差异都是由这些细分服务维度解释的。

第三类是目标变量：总体的满意度等级，分为“满意”和“不满意”两类（有些数据有三类，会多个“中性”，但二分类更简单直接）。

拿到数据后第一件事，不是急着建模型，而是先用 df.info() 和 df.describe() 把数据的分布、缺失情况、类型看清楚。我统计了一下，这个数据里有大概3105条记录存在缺失值，主要集中在“到达延误”和“出发延误”这两个字段——延误数据有缺失非常合理，航班没有延误时往往就不填写了，不能把缺失当成0。这一步看得越仔细，后面处理起来就越有底。

2. 数据清洗与特征工程实操要点

2.1 缺失值处理的思路：千万不要无脑删

很多教学代码遇到缺失值就一句 dropna() 完事，但实际项目里不能这么粗暴。比如满意度打分字段缺失，如果数量不多，可以选择删除；但如果是延误时间这种“有业务含义”的缺失，直接删除反而会损失信息。

我当时的做法是：

• 对于数值型特征（如出发延误、到达延误），用中位数填充。为什么用中位数而不是平均值？因为延误时间的分布是严重右偏的，大部分航班延误几分钟，少数航班延误几个小时，均值会被极端值拉高，中位数更能代表“典型情况”。
• 对于分类型特征中的少量缺失（如果存在），用众数填充或单独标一个“未知”类。
• 如果某列缺失率超过40%，那就该考虑这列是不是已经失去分析价值了，直接删除会更加干净。

python复制import pandas as pd

df = pd.read_csv('airline_satisfaction.csv')

# 查看缺失情况
print(df.isnull().sum())

# 数值列用中位数填充
num_cols = ['Departure Delay in Minutes', 'Arrival Delay in Minutes']
for col in num_cols:
    df[col] = df[col].fillna(df[col].median())

# 如果还有缺失比例过大的列，直接丢
df.dropna(thresh=len(df) * 0.6, axis=1, inplace=True)

2.2 编码策略：什么时候用标签编码，什么时候用独热编码

随机森林和线性模型不一样，它对特征尺度不敏感，所以不需要做标准化。但分类变量必须编码成数字才能喂进模型。这里有个很常见的坑：有人把所有分类变量都塞进 LabelEncoder，结果满意度没提上去，模型反而变差了。

原因在于，LabelEncoder 会给类别赋予顺序含义（比如经济舱=0，商务舱=1，头等舱=2），但随机森林是树模型，它会把这种顺序当成“大小关系”去分裂，很多时候反而引入错误信息。

我的经验是：

• 对有明确等级顺序的变量，比如舱位等级（经济舱/商务舱/头等舱），用标签编码，保留等级关系；
• 对没有顺序的类别变量，比如性别、客户类型，用独热编码（pandas里直接用 pd.get_dummies() 很方便）；
• 目标准确变量如果是文本（比如“满意”/“不满意”），直接映射成1和0。

python复制# 有顺序的用map做标签映射
df['Class'] = df['Class'].map({'Economy': 0, 'Economy Plus': 1, 'Business': 2})

# 无序的用独热编码
df = pd.get_dummies(df, columns=['Gender', 'Customer Type', 'Type of Travel'], drop_first=True)

# 目标变量编码
df['satisfaction'] = df['satisfaction'].map({'satisfied': 1, 'neutral or dissatisfied': 0})

2.3 特征工程：造出有业务含义的新特征

清洗完原始字段之后，我额外构造了几个新特征，这一步虽然在纯模型指标上提升不大，但在论文的“业务分析”部分非常加分。你想想，如果分析报告里只有“座位舒适度影响满意度”，那太单薄了；但如果你能说“总延误超过60分钟的旅客，满意度骤降”，就直观得多了。

我从“延误时间”这个字段衍生出了一个二分类特征：是否严重延误（延误超过60分钟）。还构造了“平均服务评分”，把几个服务体验类字段取均值，作为旅客对服务的整体感受。模型里加不加这些特征可以做个对照实验，论文里写“通过特征构造，准确率从X提升到Y”，这就是实打实的实验数据，比空谈理论有力得多。

python复制# 严重延误标记
df['is_severe_delay'] = (df['Arrival Delay in Minutes'] > 60).astype(int)

# 服务体验平均分
service_cols = ['Seat comfort', 'Food and drink', 'Inflight wifi service',
                'Inflight entertainment', 'Onboard service', 'Leg room service']
df['avg_service_score'] = df[service_cols].mean(axis=1)

这里也要提醒一下：构造特征的时候要防止“数据泄漏”。比如“总满意度”本身就是根据很多细分评分综合出来的，如果你把一些和满意度几乎等价的字段放进模型里，那模型准确率虚高，答辩时老师一问就露馅。在我这个数据里尤其要注意，不要把“是否满意”相关的衍生字段混进特征里。

3. 随机森林建模、训练与评估

3.1 随机森林的核心原理：用简单模型的组合解决复杂问题

聊到随机森林原理，很多同学只会背一句“多个决策树投票”，但答辩时老师喜欢追问“为什么要随机”。这里我用大白话拆一下它的三个关键机制：

第一，有放回抽样（Bagging）。训练每棵树的时候，不是用全部数据，而是从原始数据里随机抽一部分样本，抽完放回再抽。这样每棵树看到的“世界”都略有不同，相当于一群人在不同角度观察同一件事，最后综合意见，比一个人拍脑袋靠谱。这个机制专门用来降低模型的方差，缓解过拟合。

第二，随机特征选择。每棵树在做分裂的时候，并不是在所有特征里挑最优的，而是先随机挑出一个特征子集，再在这个子集里找最优分裂。这个做法的意义在于，如果某些特征特别强，那么所有树都会优先用它们，树和树之间长得太像，投票就失去了“多样性”的意义。打个比方，如果所有医生都只看同一个指标下结论，那这个“会诊”就名存实亡了。

第三，多数投票。分类问题中，所有树各自输出一个预测类别，最后按票数定结果。回归问题则用所有树的平均值。这比单棵树更稳定，即使有几十棵树预测错了，只要大多数是对的，最终结果仍然正确。

3.2 数据划分与模型训练：固定种子有多重要

正式建模前，我用 train_test_split 把数据切成了训练集和测试集，比例是8:2，并且设置了 random_state=42。这个细节我必须特别强调：论文结果必须可以复现。你不设随机种子，每次跑出来的准确率都不一样，后期写实验对比时数据一直在变，简直灾难。

python复制from sklearn.model_selection import train_test_split

X = df.drop('satisfaction', axis=1)
y = df['satisfaction']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

加 stratify=y 也很关键，它让训练集和测试集里的满意/不满意比例保持一致，避免切分后测试集里恰好全是“不满意”，导致评估失真。这是数据划分时最容易忽略、但影响很大的细节。

python复制from sklearn.ensemble import RandomForestClassifier

rf = RandomForestClassifier(
    n_estimators=120,
    max_depth=18,
    min_samples_leaf=4,
    min_samples_split=10,
    max_features='sqrt',
    n_jobs=-1,
    random_state=42
)
rf.fit(X_train, y_train)

3.3 超参数调优：从粗调到精调的完整过程

随机森林核心的超参数不多，但每一个都有明确讲究：

• n_estimators：树的数量。树太少容易欠拟合，太多则训练时间变长，收益递减。我用的是120棵，这个值在这个数据集规模下性价比最高。
• max_depth：树的最大深度。不限制的话树可以无限分裂直到叶子节点里只有一个样本，虽然训练集准确率接近100%，但泛化能力会很差。我用18，既保证模型能学到复杂模式，又防止过拟合。
• min_samples_split 和 min_samples_leaf：防止树过度生长的“刹车装置”。一个内部节点至少要有10个样本才继续分裂，叶子节点至少要有4个样本。换句话说，数据太少的叶子不配拥有“专属结论”。
• max_features：每次分裂时随机挑选的特征数量。分类问题我用的是 'sqrt'，即每次从总特征数的平方根个特征里找最优分裂。
• n_jobs=-1：使用所有CPU核心并行训练。12万条数据，如果不加这个参数，训练可能要等两分钟；加了之后几十秒就跑完，体验差距巨大。

调参我推荐的方法不是一个个试，而是用 GridSearchCV 做交叉验证自动搜索。这里有个小技巧：先粗调，用较大的步长搜索范围，确定最优区域后再细调。直接暴力搜索完整参数空间会很慢，特别是对几万条数据来说，网格搜索的组合数会让时间指数暴涨。

调参最终的准测试集确率我做到了96%左右。看到这个数字，你有没有觉得有点太高了？我当时也怀疑过，后来分析发现这个数据集本身的特征和满意度关联度非常高，加上数据量够大，准确率高是合理的。但如果你换一个数据集，准确率只有85%，也完全正常，不要焦虑。模型效果好不是项目的核心，你能把效果为什么好、哪些因素贡献大解释清楚，才是毕设的核心。

3.4 模型评估：别只盯着准确率一个指标

分类模型的评估如果只看准确率，很容易被“骗”。比如99%都是“满意”，那模型啥也不干全预测“满意”准确率也有99%，这显然没有意义。所以我建议至少要看四个指标：准确率、精确率、召回率、F1值，再加上AUC值。

python复制from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score

y_pred = rf.predict(X_test)
y_prob = rf.predict_proba(X_test)[:, 1]

print(classification_report(y_test, y_pred))
print('AUC:', roc_auc_score(y_test, y_prob))

这四个指标各自的意义：

• 精确率：预测为“满意”的旅客中，真正满意的人占比。这个指标越低，说明模型容易“误判”，把不满意的人当成了满意。
• 召回率：所有真正满意的旅客中，模型识别出来的比例。这个指标越低，说明模型容易“漏判”。
• F1值：精确率和召回率的调和平均。两者此消彼长，F1是综合答卷。
• AUC值：模型把正样本排在负样本前面的概率，可以理解为“随机挑一位满意旅客和一位不满意旅客，模型能正确区分他们的概率”。AUC越接近1越好。

我最终的测试集混淆矩阵大致是：真正满意（TP）约38000人，真正不满意（TN）约24000人，误判（FP+FN）大约2000多人。把混淆矩阵画成热力图，放在论文里非常直观。

4. 可视化：从探索性分析到展示级图表

4.1 探索性数据分析（EDA）里的关键图表

可视化不是最后一步才开始做的，前期探索性分析阶段就要画一堆图。这个阶段的目标是“摸清数据的脾气”。

首先画的是目标变量的分布图，用饼图或柱状图看“满意”和“不满意”的比例。我当时画出来满意占57%左右，不满意占43%左右。这个比例比较均衡，不需要做类别不平衡处理。如果哪天你拿到一个数据，发现满意只占10%，那就要考虑用 class_weight='balanced' 或者用Imblearn的 SMOTE 做采样处理，不然后面的模型会变成“懒人模型”。

其次是按特征分组看满意率。我画过“不同舱位等级的满意率对比柱状图”“不同年龄段的满意率折线图”“飞行距离对满意度的影响散点图”。这些图的价值在于可以直接回答论文里的业务问题。比如我观察到：商务舱旅客的满意率远高于经济舱，极端延误（超过60分钟）的旅客满意率断崖式下跌。

python复制import seaborn as sns
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False

# 舱位等级与满意率的关系
class_satisfaction = df.groupby('Class')['satisfaction'].mean().reset_index()
sns.barplot(data=class_satisfaction, x='Class', y='satisfaction')
plt.xticks([0, 1, 2], ['经济舱', '经济舱+', '商务舱'])
plt.ylabel('满意率')
plt.title('不同舱位的满意率对比')
plt.show()

很多人画图时会发现中文标签乱码，这是操作系统的中文字体没调好导致的，上面代码里 plt.rcParams['font.sans-serif'] = ['SimHei'] 就是干这个用的，缺了这句，论文里的图全是方块字，改起来很痛苦。

4.2 相关性热力图：快速锁定影响满意度的核心因素

画一张所有数值特征和满意度之间的相关性热力图，可以快速看出哪些字段和目标变量关系紧密。用Seaborn的 heatmap 就能实现，我用的是 annot=True 把具体数值显示在格子里，方便直接读取。

在实际结果里，和满意度的皮尔逊相关系数较高的字段基本都集中在服务体验类评分上，比如“在线值机便利度”“机上服务”“登机流程”等。而“性别”和“飞行距离”这类字段的相关性很弱。这里要提醒：相关性不等于因果，而且这些相关系数普遍在0.2到0.5之间，整体不算高，但这不代表特征无意义——因为单个特征和目标的线性相关弱，不意味着多个特征组合起来不能很好地预测目标。随机森林正好擅长捕捉这种非线性组合关系，这也是它能拿到高准确率的原因之一。

4.3 特征重要性排序：论文里最有说服力的一张图

随机森林训练完之后，直接调用 feature_importances_ 属性就能拿到每个特征的重要性分数。这个分数直观地告诉读者：模型是靠哪些信息做出判断的。我把分数从高到低排序，画了一张水平条形图，一次展示前15个特征。

这个特征重要性的含义可以这样理解：在整片森林中，某个特征被用来做分裂时，平均能减少多少“不纯度”。越常被用来做高质量分裂的特征，重要性分数越高。它不是因果关系，但代表了统计层面的强关联信号。

我的结果里排名靠前的是：机上WiFi服务评分、在线值机体验、机上服务评分、平均服务评分、到达延误时间。这几个特征的重要性加起来占了大部分权重。用这些结果去写“对策建议”就非常自然：航空公司想提升旅客满意度，优先改WiFi网络和值机流程，比换飞机座椅见效更快。

python复制import numpy as np

importances = rf.feature_importances_
indices = np.argsort(importances)[-15:]

plt.figure(figsize=(10, 8))
plt.barh(range(len(indices)), importances[indices], color='steelblue')
plt.yticks(range(len(indices)), [X.columns[i] for i in indices])
plt.xlabel('特征重要性')
plt.title('随机森林特征重要性排序')
plt.tight_layout()
plt.show()

4.4 可视化大屏：毕设答辩的加分项

严格来说，答辩展示时老师不会守在屏幕前看你一张张翻图，如果能把核心结论做成一屏放下的大屏看板，演示效果会明显好于零散图表。我当时是用Flask搭了一个简单的页面，把特征重要性、混淆矩阵、满意度分布这些关键图表嵌进去，再配几个关键指标的数字卡片，什么“样本总量”“模型准确率”“最重要影响因素”一目了然。

如果你不想写前端页面，也可以用Plotly做交互式图表，鼠标悬浮就能看到具体数值，保存成HTML文件，答辩现场双击打开就能演示。这个方案比静态图高级很多，也省去了部署前端的工夫。

python复制import plotly.express as px

fig = px.histogram(df, x='Age', color='satisfaction',
                   title='不同年龄段的满意度分布')
fig.write_html('age_satisfaction.html')

写完这个HTML文件后你会得到一个可以交互缩放的图表文件，放到答辩PPT里跳转演示，效果比贴一张静态图强很多。

5. 常见问题与排查技巧实录

5.1 模型准确率虚高：警惕数据泄漏

我在调参阶段一度把测试集准确率做到了98%以上，当时还挺高兴，后来检查发现是因为我把“平均服务评分”这个特征留在了模型里——而它和满意度目标的相关系数高到异常。在真实业务里，“平均服务评分”和“总体满意度”本质上是从同一次问卷中提取的高度重叠信息，用它去预测满意度就相当于“抄答案”。

遇到这种情况要回溯特征矩阵，把和目标变量重合度高、业务含义高度相近的字段剔除。这也是为什么我说做特征工程时一定要带着业务理解看问题，不能只看统计数字。

5.2 有放回抽样导致约37%数据没用到，正常吗

用Bagging方式训练随机森林时，每个样本被某棵树抽中的概率是1 - (1 - 1/N)^N，当N足够大时，这个概率趋近于63.2%。换句话说，每棵树大概只使用63.2%的数据，剩下的大约36.8%样本对该棵树来说“从未见过”。这不是随机森林的缺陷，而是它的优点——这些“袋外样本”天然可以作为验证集，你甚至不需要单独划分验证集，直接用 oob_score=True 就能得到一个非常诚实的模型表现评估。

如果你在答辩时能主动说出这个机制，老师会认为你是真正理解了这个算法，而不是只会调库。

5.3 训练慢到怀疑人生：让n_jobs帮你提速

随机森林天生适合并行训练，因为每棵树之间相互独立，互不等待。我第一次跑的时候忘了设置 n_jobs=-1，12万条数据、120棵树，训练等了将近三分钟。处理器占用率一直上不去，大部分核心在闲着。加了 n_jobs=-1 之后，训练时间直接缩短到二十秒左右。如果你的电脑内存不够大，可以临时把 n_jobs 设为2或4，避免内存爆炸。

5.4 随机森林的缺点：不能外推

随机森林是“插值型”模型，它能预测的是训练数据覆盖范围内的样本，一旦新数据超出训练范围，比如训练集里只见过分值为1-5的评分，预测时来了一个评分10的样本，它只会按照“最接近的叶子节点”的分布给出结果，不会根据趋势外推。这个问题在论文的“局限性分析”里提一句，反而显得你客观全面。

5.5 画图中文乱码及字体警告

这个问题几乎每个人都会遇到。除了前面提到的设置 plt.rcParams，如果你的系统没有SimHei字体，可能会报错。最省事的办法是直接用Plotly，它是网页端渲染，不依赖本机字体，中文天然就没有问题。如果是用Matplotlib画图，可以去下载一个中文字体文件放进Matplotlib的字体目录，重新加载字体缓存就行。

6. 提升论文深度：从完整源码到高质量毕业设计

6.1 论文里怎么安排实验对比

如果你的论文只是“用了随机森林，准确率96%”，内容会显得单薄。我强烈建议你至少加两个对比实验：决策树和逻辑回归。理由很简单，随机森林是对决策树的改进，逻辑回归是经典基线模型，这两个对比能证明你的选型是有依据的。

对比实验的流程是：同一份训练集和测试集，分别跑三个模型，记录准确率、精确率、召回率、F1值、AUC值。最后结果通常是随机森林明显优于单棵决策树，也优于逻辑回归。这组数据写进论文里，就是你“为什么选随机森林”的实证支撑。

6.2 “大数据”维度怎么融入项目

虽然是公开数据集，但129880条记录已经是一个可以在论文里说是“大数据规模”的数据量了。我在写论文时专门加了一节“面向大规模数据的并行训练策略”，讨论了随机森林在大数据场景下的并行化机制：n_jobs 可以并行建树，oob_score 可以在训练过程中同时评估，这些设计让随机森林天然适配Spark MLlib等分布式环境。这样写不仅抬高了项目的技术上限，也让“大数据”这个关键词在论文里有了着落。

6.3 论文结构与写作建议

我推荐的论文结构大概是：第一章绪论（背景、意义、国内外研究现状）；第二章相关技术（随机森林原理、决策树、数据可视化）；第三章数据获取与预处理（数据描述、缺失值处理、特征工程）；第四章模型构建与实验（随机森林模型、调参过程、对比实验）；第五章结果分析与可视化展示（特征重要性、业务建议）；最后是总结与展望。

写论文时有一些投机的细节值得注意：不要把所有的代码都贴进去，只需要保留关键的几个代码片段；图表要加上编号和解释性说明，不要“一张图孤零零地放着”；在使用别人数据集时，注明数据来源并做必要的匿名化处理，避免隐私问题。

写在最后

到现在为止，整个项目的主干已经全部过了一遍：从数据分析、随机森林建模，到可视化展示、论文写作，每一步我都尽量把自己实际用过的方案和踩过的坑交代清楚了。如果让我只挑一条最想反复强调的经验，那就是：这个项目的核心价值不在于你用了多高深的算法、跑出了多夸张的准确率，而在于你能否把整条链路讲成一个完整且合理的故事。数据从哪来、为什么这么清洗、特征为什么要这么做、模型参数为什么这样调、结论为什么可信——这条逻辑链能闭环了，你的毕设答辩就稳了一大半。