Python数据分析与可视化教学大纲.docx

《Python数据分析与可视化教学大纲.docx》由会员分享，可在线阅读，更多相关《Python数据分析与可视化教学大纲.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、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，依据数据分析地步骤，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 例进展有关学问地学习。 主要内容包括 Python 根底学问介绍，数据预处理，数据分 析根底工具 NumPy,处理构造化

2、数据工具 Pandas,数据分析与学问觉察,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，从数据分析地根底理论知 识入手， 依据数据分析地根本流程循序渐进地学习数据分析学问,并使用Python 编 程进展实战操作。试验局部通过完整数据分析实例地学习,帮助学生更好地把握 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 握数据分析地根底学问与有关 Python 库使用，更重要地是要求学生把握理论与实 践结合地学习方式,为更深入地学习打下良好地根底。二，学习内容及教学根本要求1. 数据

3、分析概述与根本概念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;了解数据分析地根本步骤， 即数据收集，数据预处理，数据分析与学问觉察与数据后处理，以及每个根本步骤 地概念与内容;了解 Python在数据分析领域所具有地优点。2. Python 根底学问4 学时了 解 Python 地开展史;了 解 Python 及 Pandas,scikit-learn,Matplotlib 地安装;把握Python 地根底学问及 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

4、用方法,Python 语法学问;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,全都性，准确性与准时性 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，不全都数据地处理与特别数据 地处理;了解数据地特征选择，特征构建与特征提取。4. NumPy 数据分析根底工具4 学时了解 NumPy 库地作用;把握多维数组对象 ndarray 地使用，包括 n

5、darray 地创立,ndarray 地索引，切片与迭代,ndarray 地shape 地操作,ndarray 地根底操作等。5. Pandas 处理构造化数据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 数据构造;把握 Series 对象地创立,访问与操作;把握 DataFrame 对象地创立，访问与 操作;把握基于 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. 数据分析与学问觉察4 学时了解分类分析地根本概念;了解规律回归，线性判别

6、分析，支持向量机，决策 树,K 近邻与朴实贝叶斯地有关学问;了解关联分析地根本概念,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; 了解回归分析地根本概念与常用方法。7. scikit-leam 实现数据地分析4 学时了解 SciPy 与 scikit-learn 地作用;把握 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

7、与朴实贝叶斯，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;把握 Matplotlib 中地根本布局对象地建立;把握修改图 表样式，修改装饰项与添加注释地方法;把握根底图表地绘制，包括直方图，散点图， 柱状

8、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. 试验16 学时教学说明及教学根本要求见Python 数据分析与可视化试验教学大纲。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，争论提问式教 学为辅，结合课外学习地教学方法。试验以学生动手试验为主，教师地启发式讲授 教学法为辅，并结合争论提问式教学，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。本课程拟承受多媒体 PPT 地 教学方法,增加课堂信息，浅显通俗地对概念，定义与原理进展解释,增加教学地直 观性，

9、教学过程中留意各个学问点地关联性，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争论地形式。3 .为加强与落实动手力量地培育,每章课后应安排作业，帮助学生学习与应用。四，课内外教学环节及根本要求本课程共 48 个学时，其中理论 32 个学时，讲授 16 周每周 2 学时；试验 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

10、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寻常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 .寻常成绩占 30%,主要考察作业地完成程度，理论课与试验课地出勤率，试验 课地考试结果。其中作业占 10%,试验占 15%,出勤率占 5%。2 .期末成绩占 70%,承受考试地考核方式。考试承受闭卷形式，题型为选择题， 正确/ 错误题，填空题，简答题,以及应用题。六，持续改进本课程依据学生作业，课堂争论,寻常考核状况与学生，教学督导等反响，准时 对教学中缺乏处进展改进，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

11、可视化M.北京:,2021.2Python 数据分析与可视化试验教学大纲学习内容及教学根本要求.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;把握 Python 地基 础学问，如 Python 包地使用方法，注释地使用方法,Python 语法学问等;把握使用 Python 编写并运行简洁程序地力量。1 .数据分析有关工具地安装与使用2 学时了解 NumPy,Pandas,scikit-learn 地根本功能与安装方式;把握多维数组对象 ndarray 地使用方式;把握 Pandas 库地使用方式;把握 scikit-learn 库地

12、使用方式;了解 Matplotlib 地根本功能与安装方式;把握 Matplotlib 库地使用方式;把握修改图表样 式，修改装饰项与添加注释地方法;把握根底图表地绘制方法；.实战:影评数据分析与电影推举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

13、模型建立与模型评估，包括承受回 归模型进展数据分析，承受决策树模型进展数据分析,承受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;把握使 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

14、机特征2 学时了解利用 Kaggle 猎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 TFDF与无监视学习算法;了解使用 Count Vectorizer 结 合 k均值提取数据;了解使用 spaCy 进展名词提取与使用 TextBlob 进展情感分析地 方法，并依据数据生成柱状图。4 .实战:基于k 近邻模型推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 近邻模型并进展测试地方式;了解使用 Matplotlib 进展数 据可视化地方法。5 .实战:美国波士顿房价推测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;了解对缺失值与特别值地处理方法;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;选择适宜地模型进展拟合;了解集成学习;了解评估 模型地指标auc 地计算方法。