Python数据分析与可视化教学大纲.docx

《Python数据分析与可视化》课程教学大纲
课程代码：
课程名称:Python数据分析与可视化开课学期：
学分/学时：3/48课程类型:必修
适用专业/开课对象：
先修课程：
开课单位：
团队负责人：责任教授：
执笔人：核准院长：
一，课程地性质，目地与任务
《Python数据分析与可视化》是软件工程专业中地一门数据分析入门课程， 该课程介绍了 Python语言在数据分析方面地应用，按照数据分析地步骤，从数据预 处理，分析，可视化等方面介绍了数据分析地方式，并通过六个完整地数据分析实 例进行有关知识地学习。主要内容包括Python基础知识介绍，数据预处理，数据分 析基础工具NumPy,处理结构化数据工具Pandas,数据分析与知识发现,scikit-leam 实现数据分析,Matplotlib交互式图表绘制以及六个完整实例。
本课程地目地与任务是使学生通过本课程地学习，从数据分析地基础理论知 识入手，按照数据分析地基本流程循序渐进地学习数据分析知识,并使用Python编 程进行实战操作。实验局部通过完整数据分析实例地学习,帮助学生更好地掌握 数据分析技能，做到理论与实践相结合,方法与应用相结合。本课程除要求学生掌 握数据分析地基础知识与有关Python库使用，更重要地是要求学生掌握理论与实 践结合地学习方式,为更深入地学习打下良好地基础。
二，学习内容及教学基本要求
1. 数据分析概述与基本概念（4学时）
了解数据分析地定义与历史背景;了解数据分析地目地与任务;了解数据分析 与数据挖掘地关系;了解机器学习与数据分析地关系;了解数据分析地基本步骤， 即数据收集，数据预处理，数据分析与知识发现与数据后处理，以及每个基本步骤 地概念与内容;了解Python在数据分析领域所具有地优点。
2. Python基础知识（4学时）
了 解Python地开展史;了 解 Python 及 Pandas,scikit-learn,Matplotlib 地安装;掌握 Python地基础知识及Python地一些特性，包括缩进在Python地重要性,Python包地 使用方法，注释地使用方法,Python语法知识;了解Pandas,scikit-learn,Matplotlib等 重要Python库;了解Jupyter交互式数据科学与科学计算开发环境。
3. 数据预处理（4学时）
了解数据地集中趋势，离散程度，有关性测量，数据缺失，噪声，离群点等概念;了 解数据质量标准评估地完整性,一致性，准确性与及时性4个要素。了解数据清洗地 概念及方式，包括缺失值地处理，噪声数据地处理，不一致数据地处理与异常数据 地处理;了解数据地特征选择，特征构建与特征提取。
4. NumPy数据分析基础工具（4学时）
了解NumPy库地作用;掌握多维数组对象ndarray地使用，包括ndarray地创 建,ndarray地索引，切片与迭代,ndarray地shape地操作,ndarray地基础操作等。
5. Pandas处理结构化数据（4学时）
了解Pandas库地作用与特色功能;了解Pandas中Series与DataFrame两种主要 数据结构;掌握Series对象地创立,访问与操作;掌握DataFrame对象地创立，访问与 操作;掌握基于Pandas地Index对象地访问操作;了解Pandas地有关数学统计与计算 工具;了解Pandas地数学聚合与分组运算。
6. 数据分析与知识发现（4学时）
了解分类分析地基本概念;了解逻辑回归，线性判别分析，支持向量机，决策 树,K近邻与朴素贝叶斯地有关知识;了解关联分析地基本概念,包括关联规那么定义, 指标定义与关联规那么挖掘定义;了解关联分析地Apriori算法,FP-Tree算 法,PrefixSpan算法;了解聚类分析地概念;了解K均值算法与DBSCAN; 了解回归分析地基本概念与常用方法。
7. scikit-leam实现数据地分析（4学时）
了解SciPy与scikit-learn地作用;掌握scikit-learn地分类方法，回归方法与聚类 方法,分类方法包括Logistic回归,SVM,最近邻分类器，决策树,随机梯度下降，高斯 过程分类,神经网络分类与朴素贝叶斯，回归方法包括最小二乘法，岭回归,Lasso,贝 叶斯岭回归，决策树回归，高斯过程回归与最近邻回归,聚类方法包括 K-means,Affinity propagation,Mean-shift,Spectral clustering,Hierarchical clustering,DBSCAN 与 Birch。
8. Matplotlib——交互式图表绘制（4学时）
了解Matplotlib地作用;掌握Matplotlib中地基本布局对象地建立;掌握修改图 表样式，修改装饰项与添加注释地方法;掌握基础图表地绘制，包括直方图，散点图， 柱状图，折线图与表格;了解使用Matplot3D绘制三维图形地方法;了解Matplotlib与 Jupy ter结合使用地方法。
10. 实验（16学时）
教学说明及教学基本要求见《Python数据分析与可视化》实验教学大纲。
三，教学方法
本课程教学方法以教师为主导地启发式讲授教学法为主，讨论（提问）式教 学为辅，结合课外学习地教学方法。实验以学生动手实验为主，教师地启发式讲授 教学法为辅，并结合讨论（提问）式教学，以及结合课外学习地教学方法。
1 .本课程概念较多，因此教学形式以讲授方式为主。本课程拟采用多媒体PPT地 教学方法,增加课堂信息，浅显通俗地对概念，定义与原理进行解释,增加教学地直 观性，教学过程中注意各个知识点地关联性，以使学生更好地理解课程内容。
2 .对课程中关键性概念，设计思想方面地问题可辅以课堂讨论地形式。
3 .为加强与落实动手能力地培养,每章课后应安排作业，帮助学生学习与应用。
四，课内外教学环节及基本要求
本课程共48个学时，其中理论32个学时，讲授16周（每周2学时）；实验16 个学时，讲授8周（每周2学时）。
课外学习要求：
1 .做好课前预习，预习时以为主，了解有关地概念，定义，原理。预习中认真思考， 以便带着问题主动地听课。
2 .课后要复习，有余力地学生复习时还应阅读参考资料，认真整理课堂听课笔记。
3 .要求学生课外自主学习,学生课外阅读地参考资料以本大纲所列参考资料为主。
五，考核内容及方式
本课程成绩由平时成绩与期末考核成绩组合而成，课程成绩以百分制计算，分 配比例如下：
1 .平时成绩占30%,主要考查作业地完成程度，理论课与实验课地出勤率，实验 课地考试结果。其中作业占10%,实验占15%,出勤率占5%。
2 .期末成绩占70%,采用考试地考核方式。考试采用闭卷形式，题型为选择题， 正确/错误题，填空题，简答题,以及应用题。
六，持续改进
本课程根据学生作业，课堂讨论,平时考核情况与学生，教学督导等反应，及时 对教学中缺乏处进行改进，并在下一轮课程教学中改进。
七，建议及参考资料建议：
[1]吕云翔，李伊琳主编.Python数据分析与可视化[M].北京:,2021.2
《Python数据分析与可视化》实验教学大纲
学习内容及教学基本要求.Python地安装与使用（2学时）
了解Python地安装方法;了解Python在本课程中起到地作用;掌握Python地基 础知识，如Python包地使用方法，注释地使用方法,Python语法知识等;掌握使用 Python编写并运行简单程序地能力。
1 .数据分析有关工具地安装与使用（2学时）
了解NumPy,Pandas,scikit-learn地基本功能与安装方式;掌握多维数组对象 ndarray地使用方式;掌握Pandas库地使用方式;掌握scikit-learn库地使用方式;了解 Matplotlib地基本功能与安装方式;掌握Matplotlib库地使用方式;掌握修改图表样 式，修改装饰项与添加注释地方法;掌握基础图表地绘制方法；.实战:影评数据分析与电影推荐（2学时）
了解本实例中对数据地采集与处理;使用pandas对用户评分数据与电影信息 数据进行初步分析;了解用户评分统计信息地查看方式与有关图表地绘制方式;了 解电影评分分布地查看方式与图表绘制方式;了解使用协同过滤算法实现电影推 荐地方法。
2 .实战:汽车贷款违约地数据分析（2学时）
了解本实例中用到地数据地各项属性以及变量类型;了解数据预处理有关方 法，如连续变量与分类变量地缺失值处理;了解模型建立与模型评估，包括采用回 归模型进行数据分析，采用决策树模型进行数据分析,采用随机森林模型优化决策 树模型等。
3 .实战:Python表格数据分析（2学时）
了解openpyxl地背景与安装方式;了解如何使用openpyxl创立工作簿;掌握使 用openpyxl从Excel工作簿中读取，迭代访问，修改与插入数据;了解为Excel工作簿 添加公式，条件格式,图表地方法;了解将openpyxl读取到地数据转为Dataframe对 象地方式;了解绘制数据列直方图，有关性矩阵与散布矩阵地方式,并能够将可视 化结果插入Excel工作簿；.实战:利用手机地购物评论分析手机特征（2学时）
了解利用Kaggle获取本实例地数据地方式;了解数据地筛选过程;了解词袋算 法（Count Vectorizer与TF」DF）与无监督学习算法;了解使用Count Vectorizer结 合k均值提取数据;了解使用spaCy进行名词提取与使用TextBlob进行情感分析地 方法，并根据数据生成柱状图。
4 .实战:基于k近邻模型预测葡萄酒种类地数据分析与可视化（2学时）
了解k近邻模型地工作原理;了解k近邻模型地初步建立方式;了解数据归一化 地方式;了解训练集，测试集地划分以及分类器正确率地测试方法;了解使用 N umPy与scikit-learn建立k近邻模型并进行测试地方式;了解使用Matplotlib进行数 据可视化地方法。
5 .实战:美国波士顿房价预测（2学时）
了解Jupyter Notebook地安装方式与使用方法;了解本实例用到地数据集地引 入，描述与条件检索;了解对缺失值与异常值地处理方法;了解成对矩阵图地绘制； 了解独热编码;了解有关度地热力图地绘制;了解箱线图地绘制;了解对目的变量 分布地拟合以及概率曲线图;选择合适地模型进行拟合;了解集成学习;了解评估 模型地指标auc地计算方法。