SPSS

定位

SPSS（Statistical Product and Service Solutions）是面向非编程人员的可视化统计工具，无需代码即可完成数据清洗、描述统计、假设检验、回归分析等操作，广泛应用于社科、管理、医学、民航安全等领域的数据分析。

适用场景

民航安全数据的描述性统计（如安全事件发生率、隐患整改率）
变量相关性分析（如航班延误时长与人为差错的关联）
差异显著性检验（如不同机场安全培训效果对比）

使用步骤

数据录入与导入
- 新建数据集：点击文件-新建-数据，在“变量视图”中定义变量名、类型（如数值型、字符型）、标签（如“安全事件类型”）。
- 导入外部数据：支持Excel、CSV格式，点击文件-打开-数据，选择文件后设置导入参数（如是否包含表头）。
- 民航案例：录入“机场名称”“安全隐患次数”“整改完成率”“航班量”等变量。
数据清洗
- 缺失值处理：点击分析-缺失值分析，选择删除缺失值或用均值/中位数填充。
- 异常值处理：通过分析-描述统计-探索，生成箱型图识别异常值，手动修正或剔除不合理数据。
统计分析操作

分析需求	操作路径	核心输出
描述统计（均值、标准差）	`分析-描述统计-描述`	描述性统计量表
变量相关性分析	`分析-相关-双变量`	相关性矩阵（P值、相关系数r）
方差分析（组间差异）	`分析-比较均值-单因素ANOVA`	方差分析表、显著性检验结果
回归分析（变量预测）	`分析-回归-线性`	回归系数、R²、显著性检验

结果输出与导出
- 分析结果会显示在“输出视图”中，可右键选择导出，保存为Word、PDF格式。
- 生成的图表（如直方图、箱型图）可右键编辑内容-在单独窗口中进行样式调整。

样式描述

变量视图：表格形式，列标题为“名称、类型、宽度、小数、标签”，行对应每个变量的属性设置。
输出视图：分为“日志”“统计量表”“图表”三个板块，统计量表以表格呈现数值结果，图表嵌入在结果下方。

热力图（Heatmap）

定位

热力图是用颜色深浅展示数据矩阵分布规律的可视化图表，核心是体现“变量间相关性”或“数据在二维空间的密度”，颜色越深代表数值越大。

适用场景

民航安全变量相关性分析（如各机场隐患类型与发生频次的关联）
时间维度安全事件分布（如月度安全事件类型热力图）

工具使用步骤

1. SPSS 生成热力图

准备数据：需为矩阵格式（行和列均为变量，单元格为对应数值），如“机场A-机械隐患”“机场B-人为隐患”的频次数据。
操作路径：图形-旧对话框-热图，选择“变量热图”，将行变量、列变量、值变量拖入对应框中。
样式调整：在“选项”中设置颜色梯度（如蓝色-白色-红色，红色代表高频次），添加数据标签。

2. Python 生成热力图（seaborn库）


import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 民航安全数据示例：机场-隐患类型频次矩阵
data = pd.DataFrame({
    "机械隐患": [12, 8, 15, 6],
    "人为隐患": [20, 18, 25, 10],
    "环境隐患": [5, 3, 7, 2]
}, index=["机场A", "机场B", "机场C", "机场D"])

# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(data, annot=True, cmap="Reds", fmt="d", linewidths=0.5)
plt.title("各机场安全隐患类型频次热力图")
plt.show()

典型热力图样式描述

整体为矩形矩阵，行是机场名称，列是隐患类型。
单元格颜色从浅红到深红渐变，深红色单元格对应“机场C-人为隐患”（数值25），浅红色对应“机场D-环境隐患”（数值2）。
每个单元格内标注具体数值，方便精准读取。

散点图

定位

散点图是展示两个数值型变量之间相关性的图表，通过坐标点的分布判断变量间是“正相关、负相关、无相关”，还可添加趋势线强化规律。

适用场景

民航安全：分析“航班飞行时长”与“机械故障次数”的相关性、“安全培训时长”与“人为差错率”的相关性。

工具使用步骤

1. Excel 生成散点图

准备数据：两列数值型数据，如A列“飞行时长（小时）”、B列“机械故障次数”。
操作路径：选中数据区域-插入-散点图-带平滑线和数据标记的散点图。
优化设置：添加趋势线（右键点击数据点-添加趋势线），选择“线性”，勾选“显示公式”和“显示R²值”（R²越接近1，相关性越强）。

2. SPSS 生成散点图

操作路径：图形-旧对话框-散点/点图，选择“简单散点图”。
变量设置：将自变量（如飞行时长）拖入“X轴”，因变量（如故障次数）拖入“Y轴”。
结果解读：若点呈从左下到右上分布，为正相关；若呈从左上到右下，为负相关；若点无规律分布，为无相关。

样式描述

X轴为“飞行时长（小时）”，Y轴为“机械故障次数”。
坐标点整体从左下到右上排列，说明飞行时长越长，机械故障次数越多（正相关）。
图中添加一条向上的线性趋势线，下方标注公式y=0.02x+1.5和R²=0.78。

箱型图

定位

箱型图（又称箱线图）是展示数据分布特征的图表，能直观呈现数据的中位数、四分位数、异常值，常用于多组数据的离散程度对比。

元素解读

元素	含义
箱体	上边缘为上四分位数（Q3，75%分位数），下边缘为下四分位数（Q1，25%分位数），箱体高度为四分位距（IQR=Q3-Q1）
中位数线	箱体内的横线，代表数据的中间值（50%分位数）
须线	上须线延伸至Q3+1.5IQR，下须线延伸至Q1-1.5IQR
异常值	须线外的圆点，代表超出正常范围的极端数据

适用场景

民航安全：对比不同航线的“安全检查合格率”分布、不同航空公司的“安全事件发生率”离散程度。

工具使用步骤


import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 民航安全数据示例：不同航线安全检查合格率
data = pd.DataFrame({
    "航线": ["航线1"]*20 + ["航线2"]*20 + ["航线3"]*20,
    "合格率": [92,95,88,90,96,85,93,91,89,94,87,90,92,95,86,91,93,88,90,92,
              85,88,82,86,89,80,87,85,83,88,81,86,84,89,82,87,85,83,86,88,
              95,98,96,94,97,92,95,96,93,98,94,97,95,92,96,93,98,94,91,95]
})

# 绘制箱型图
plt.figure(figsize=(8, 6))
sns.boxplot(x="航线", y="合格率", data=data)
plt.title("不同航线安全检查合格率箱型图")
plt.show()

样式描述

X轴为“航线1、航线2、航线3”，Y轴为“合格率（%）”。
航线3的箱体整体最高，中位数线接近95%，说明合格率最高；航线2的箱体最低，中位数线约85%，合格率最低。
航线1的须线较长，且有1个异常值（圆点），说明该航线合格率离散程度较大，存在极端偏低的样本。

总结

工具/图表	核心功能	操作门槛	适用数据类型	民航安全应用场景
SPSS	统计分析+可视化	低（无需编程）	数值型、字符型	安全数据显著性检验、回归分析
热力图	变量相关性/密度展示	中	矩阵型数值数据	机场-隐患类型频次分布
散点图	双变量相关性分析	低	双列数值型数据	飞行时长与故障次数关联
箱型图	数据分布与异常值识别	中	多组数值型数据	不同航线合格率对比