┌─────────────────────────────────────────────────────┐│                    浏览器 (Browser)                    ││  ┌───────────┐  ┌──────────┐  ┌──────────────────┐  ││  │  HTML/CSS  │  │   JS     │  │    ECharts 5.5   │  ││  │  (Jinja2)  │  │ (原生)   │  │   (图表渲染)     │  ││  └─────┬─────┘  └────┬─────┘  └──────────────────┘  ││        │              │                               ││        └──────────────┘                               ││                 │ AJAX (fetch API)                     │└─────────────────┼─────────────────────────────────────┘                  │┌─────────────────┼─────────────────────────────────────┐│           Flask Server (port 5080)                     ││  ┌─────────────────────────────────────────────────┐  ││  │                   app.py                         │  ││  │  ┌──────────┐  ┌──────────────┐  ┌───────────┐ │  ││  │  │ 路由控制  │  │  Session认证  │  │ API接口层 │ │  ││  │  └──────────┘  └──────────────┘  └───────────┘ │  ││  └────────────────────┬────────────────────────────┘  ││                       │                                ││  ┌────────────────────┼────────────────────────────┐  ││  │                    ▼                             │  ││  │  ┌──────────────┐  ┌──────────────────────────┐ │  ││  │  │   models.py   │  │    data_analysis.py      │ │  ││  │  │  (用户管理)   │  │    (数据分析引擎)        │ │  ││  │  └──────┬───────┘  └────────────┬─────────────┘ │  ││  │         │                       │               │  ││  │         ▼                       ▼               │  ││  │  ┌──────────────┐  ┌──────────────────────────┐ │  ││  │  │  SQLite DB   │  │  Pandas + scikit-learn   │ │  ││  │  │  (users.db)  │  │  (CSV数据处理)           │ │  ││  │  └──────────────┘  └──────────────────────────┘ │  ││  └─────────────────────────────────────────────────┘  │└───────────────────────────────────────────────────────┘

flask==3.1.1pandas==2.2.3scikit-learn==1.3.2numpy

┌──────────┐       1:N       ┌───────────────┐│  users   │ ─────────────── │ data_records  ││          │                 │               ││ id (PK)  │◄───────────────│ user_id (FK)  ││ username │                 │ id (PK)       ││ password │                 │ action        ││ nickname │                 │ detail        ││ avatar   │                 │ created_at    ││ created_at│                └───────────────┘└──────────┘

LogisticRegression(max_iter=1000, random_state=42)

GET /api/overview返回：{  total: 总旅客数,  satisfied: 满意人数,  dissatisfied: 不满意人数,  satisfaction_rate: 满意度率(%),  avg_age: 平均年龄,  avg_distance: 平均飞行距离,  avg_departure_delay: 平均出发延误,  avg_arrival_delay: 平均到达延误}

GET /api/satisfaction/distribution        → 满意/不满意人数分布GET /api/satisfaction/radar               → 14 维度平均评分GET /api/satisfaction/by_class            → 按舱位统计满意度GET /api/satisfaction/by_customer_type    → 按客户类型统计满意度GET /api/satisfaction/by_travel_type      → 按出行目的统计满意度GET /api/satisfaction/rating_by_class     → 各维度按舱位分组评分GET /api/satisfaction/factors             → 影响因素排名GET /api/satisfaction/correlation         → 14×14 相关系数矩阵

GET /api/population/age                   → 年龄分布GET /api/population/gender                → 性别分布GET /api/population/age_vs_satisfaction   → 年龄×满意度GET /api/population/gender_vs_satisfaction → 性别×满意度GET /api/population/class_distribution    → 舱位分布

GET /api/flight/distance_vs_satisfaction  → 距离×满意度GET /api/flight/delay_distribution        → 延误分布GET /api/flight/delay_vs_satisfaction     → 延误×满意度GET /api/flight/delay_gauge               → 准点率/延误指标GET /api/flight/distance_heatmap          → 年龄×距离满意度热力图GET /api/data/table                       → 分页数据表（支持筛选）

GET /api/service/scorecard                → 14 维度评分统计

GET /api/analysis/scatter                 → 散点图数据GET /api/analysis/boxplot                 → 箱线图数据GET /api/analysis/funnel                  → 漏斗图数据GET /api/analysis/segments                → 客户细分数据

GET /api/prediction/model                 → 模型训练结果

┌──────────────────────────────────────────────────────┐│                    index.html                         ││  ┌────────────┐  ┌────────────────────────────────┐  ││  │            │  │                                │  ││  │  侧边栏    │  │       内容区域                  │  ││  │  导航菜单  │  │  ┌──────────────────────────┐  │  ││  │            │  │  │  dashboard / satisfaction │  │  ││  │  · 数据概览│  │  │  / population / flight    │  │  ││  │  · 满意度  │  │  │  / service / insights     │  │  ││  │  · 旅客画像│  │  │  / prediction / datatable │  │  ││  │  · 航班特征│  │  └──────────────────────────┘  │  ││  │  · 服务评分│  │                                │  ││  │  · 深度洞察│  │                                │  ││  │  · 预测分析│  │                                │  ││  │  · 数据查询│  │                                │  ││  └────────────┘  └────────────────────────────────┘  │└──────────────────────────────────────────────────────┘

# 1. 进入项目目录cd fly# 2. 安装依赖pip install -r requirements.txt# 3. 启动服务python app.py

fly/├── airline_passenger_satisfaction.csv   # 分析数据源（约 12.3MB）├── app.py                               # Flask 主应用（路由、API）├── data_analysis.py                     # 数据分析引擎（Pandas 处理）├── models.py                            # 数据库模型（用户、日志）├── requirements.txt                     # Python 依赖清单├── users.db                             # SQLite 数据库文件├── static/│   ├── css/│   │   └── style.css                    # 仪表盘样式│   └── js/│       ├── main.js                      # 主控制脚本│       ├── dashboard.js                 # 数据概览│       ├── satisfaction.js              # 满意度分析│       ├── population.js                # 旅客画像│       ├── flight.js                    # 航班特征 + 数据表│       ├── service.js                   # 服务评分卡│       ├── insights.js                  # 深度洞察│       └── prediction.js               # 预测分析└── templates/    ├── index.html                       # 主 SPA 页面    ├── login.html                       # 登录页    ├── register.html                    # 注册页    └── profile.html                     # 个人资料页

用户操作 → 浏览器 JS → fetch API 请求    → Flask 路由匹配        → 页面路由：渲染 Jinja2 模板返回 HTML        → API 路由：调用 data_analysis.py 分析函数            → Pandas 读取/处理 CSV 数据            → 返回 JSON 数据        → 前端 JS 解析 JSON → ECharts 渲染图表

API 请求 → 加载 DataFrame → 特征提取 (18 维)    → 缺失值填充 (fillna(0))    → StandardScaler 标准化    → 训练集/测试集划分 (70/30)    → LogisticRegression 训练    → 预测 + 评估    → 返回指标 + 特征重要性 + 混淆矩阵 + 概率分布