每年印度公路上发生超过45万起交通事故，但Kunal chandelkar在清理这份数据时发现了一个被忽视的盲区——我们以为的"随机意外"，其实藏着可预测的模式。
他花了三周时间，用Python清洗了包含缺失值和混乱分类的原始数据，用SQL做深度关联分析，最后用Power BI把结果可视化。当图表最终渲染完成时，一个从未被量化的规律浮出水面。
夜间不是事故高发时段，却是死亡高发时段
数据清洗后的第一个冲击：夜间事故数量并非全天最高，但致死率显著攀升。Kunal chandelkar在分析中写道，「能见度下降和驾驶员警觉性降低形成了致命组合」。
这个发现与直觉相悖。大多数人以为夜间车少路空会更安全，但数据呈现的曲线截然相反——夜间事故的伤亡严重程度远超白天。换句话说，事故数量和时间分布并不等同于伤害程度分布。
当路灯成为稀缺资源，每一盏未亮的灯都在数据里记了一笔账。
速度阈值：超过某个临界点，伤亡曲线陡然上升
Kunal chandelkar对速度变量做了分段统计。结果显示，极端速度区间与严重/致命事故存在强相关性。这不是线性增长，而是某个阈值后的陡然跃升。
他用了一个精妙的类比：速度表上的数字在数据里会"变色"——从黄色警告区直接跳向红色危险区，中间几乎没有缓冲地带。
酒精变量的介入让模型变得更残酷。涉及酒驾的案例中，严重或致命 outcomes 的概率大幅抬升。数据把"喝酒不开车"的常识转化成了具体的风险系数——每一个百分点的提升都对应着真实的人命。
无管控路段：基础设施的缺席被数据坐实
交通控制设施的有无，直接决定了事故的严重程度等级。Kunal chandelkar发现，缺乏信号灯、标志牌或交警值守的路段，事故后果普遍更重。
这个变量与夜间、高速、酒驾形成叠加效应时，数据呈现的伤害指数呈几何级增长。单一风险因素尚可规避，多重因素交织则构成死亡陷阱。
数据集里最沉默的字段是"事故原因不详"——但Kunal chandelkar通过交叉分析发现，这些"不详"案例高度集中在基础设施薄弱区域。
当数据清洗掉噪声，留下的信号指向同一个结论：印度公路上的死亡不是命运抽签，而是一组可干预变量的函数输出。夜间照明、速度执法、酒驾检测、交通管控——每一项投入都能在数据曲线的某个拐点被看见。
Kunal chandelkar在项目总结里留下了一个未被回答的问题：如果把这些发现嵌入实时导航系统，让司机在驶入高风险组合区域时收到预警，能否把那个47%的夜间死亡溢价压下来？
热门跟贴