《Python数据分析与应用》课程教学大纲

1、Python数据分析与应用课程教学大纲一、课程基本信息课程编号：12163课程名称：Python数据分析与应用英文名称：Python Data Analysis and Application课程类型：专业课课程要求：必修学时/学分：40/2.5（讲课学时：28 实验学时：12）先修课程：Python语言程序设计后续课程：行业大数据案例分析、大数据项目综合实践等。适用专业：数据科学与大数据技术二、课程描述“Python数据分析与应用”是数据科学与大数据技术专业的一门专业课，旨在引导学生掌握先进的计算生态中的数据分析技术，掌握利用Python语言表达N维数据并结合数据特点合理展示数据的技术和方法

2、，培养针对具体的应用问题进行数据表示、统计和展示数据的能力。将理论与实践相结合，为将来从事数据分析挖掘工作奠定基础。 通过学习使用Numpy、Matplotlib、pandas三个模块，能够进行基本的数据统计分析；通过基本数据分析操作技术结合数据预处理过程的学习，能够构建聚类、分类、回归模型，培养计算思维能力以及分析问题、设计和解决问题能力；通过详细拆解航空公司客户数据、财政收入预测、家用热水器三个案例，学习对复杂案例所涉及问题的细化剖析，结合数学、数据处理、程序设计技术和其他非技术因素，设计有效的计算机程序。 通过本课程的学习，使学生学会使用Python进行科学计算、可视化绘图、数据处理、分

3、析与建模，完成对小型问题解决方案的分析和设计，利用Python语言程序和工具得到可视化的结果；正确分析和解释实验中的结果、现象和问题，并通过信息综合获得有效结论。三、课程教学目标1能使用Python进行科学计算、可视化绘图、数据处理、分析与建模，完成对小型问题解决方案的分析和设计，利用Python语言程序和工具得到可视化的结果。（支持毕业能力要求2）2能够将Python数据分析基本技术应用到数据预处理过程中，能够构建聚类、分类、回归模型，培养计算思维能力以及分析问题、设计和解决问题能力，编辑、调试和运行Python语言程序获得正确结果，并深刻理解程序设计技术在解决复杂工程问题中的作用。（支持毕

4、业能力要求2）。3能够设计针对复杂大数据统计分析问题的解决方案，设计满足特定需求的系统，并能够在设计环节中体现创新意识，考虑社会、安全、法律以及环境等因素。（支持毕业能力要求3）四、教学内容、安排及与教学目标的对应关系单元教学内容单元教学目标学时教学方式对应课程教学目标1一、Python数据分析概述1.1认识数据分析1.2熟悉Python数据分析的工具(1)能掌握数据分析的概念和流程；(2)了解数据分析应用场景和常用工具；了解Python数据分析常用类库。2讲授12二、NumPy数值计算基础2.1掌握NumPy数组对象ndarray2.2掌握NumPy矩阵与通用函数2.3利用NumPy进行统计

5、分析(1) 能创建数组对象并对其进行操作；(2)能创建NumPy矩阵，掌握相关操作函数；(3)能使用函数进行简单的统计分析。2讲授课外练习13三、Matplotlib数据可视化基础3.1掌握绘图基础语法与常用参数3.2分析特征间的关系3.3分析特征内部数据分布与分散状况(1)掌握pyplot基础语法和参数设置；(2)能按要求绘制散点图和折线图；(3)能绘制饼图和箱图。2讲授课外练习14四、pandas统计分析基础4.1读/写不同数据源的数据4.2掌握DataFrame的常用操作4.3转换与处理时间序列数据4.4使用分组聚合进行组内计算4.5创建透视表与交叉表(1) 能读/写数据库数据、文本文件

6、、Excel文件；(2)能查改增删并描述分析DataFrame数据；(3)转换字符串时间为标准时间，提取时间序列数据信息；(4)使用groupby方法拆分数据，使用agg、transform方法聚合数据。(5)能创建透视表、交叉表。4讲授课外练习15五、使用pandas进行数据预处理5.1合并数据5.2清洗数据5.3标准化数据5.4转换数据(1) 能使用pandas进行堆叠合并、主键合并、重叠合并数据；(2)能检测与处理重复值、缺失值、异常值；(3)能将数据标准化。4讲授课外练习26六、使用scikit-learn构建模型6.1使用sklearn转换器处理数据6.2构建并评价聚类模型6.3构建

7、并评价分类模型6.4构建并评价回归模型(1)能使用sklearn转换器进行数据预处理与降维；(2)能使用sklearn估计器构建聚类模型；(3)使用sklearn估计器构建分类模型；(4)使用sklearn估计器构建线性回归模型。4讲授课外练习27七、航空公司客户价值分析7.1了解航空公司现状与客户价值分析7.2预处理航空客户数据7.3使用K-Means算法进行客户分群小结(1)熟悉航空公司客户价值分析的步骤和流程；(2)了解RFM模型的基本原理；(3)掌握K-Means算法的基本原理与实用方法；(4)比较不同类别的客户价值，制定营销策略。4讲授练习3实践训练数据分析案例(航空公司客户价值分析

8、或信用卡客户风险分析)(1)根据具体问题制定解决方案；(2)能按照方案应用基本方法设计程序求解。4实验38八、财政收入预测分析8.1了解财政收入预测的背景与方法8.2分析财政收入数据特征的相关性8.3使用Lasso回归选取财政收入预测的关键特征8.4使用灰色预测和SVR构建财政收入预测模型(1) 熟悉财政收入预测的步骤和流程；(2)掌握相关性分析方法与应用；(3)使用Lasso模型选取特征的方法；(4)掌握灰色预测的原理与应用，运用SVR算法的构建预测模型；(5)能分析预测结果。2讲授练习3实践训练预测分析案例(财政收入预测分析或企业所得税预测分析)(1)根据具体问题制定解决方案； (2)能按

9、照方案应用基本方法设计程序求解。4实验39九、家用热水器用户行为分析与事件识别9.1了解家用热水器用户行为分析的背景与步骤9.2预处理热水器用户用水数据9.3构建用水行为特征并筛选用水事件9.4构建行为事件分析的BP神经网络模型(1)熟悉家用热水器用户行为分析的步骤和流程；(2)掌握用水事件划分原理及方法；(3)掌握阈值寻优的原理与方法；(4)熟悉用水行为构建的原理与方法；(5)了解BP神经网络算法原理，构建行为分析模型。4讲授练习3实践训练家用热水器用户行为分析与事件识别(或运营商客户数据预测)(1)根据具体问题制定解决方案；(2)能按照方案应用基本方法设计程序求解。4实验3五、其他教学环节

10、（课外教学环节、要求、目标）1. 课外练习第26单元要求学生在课外进行软件操作练习，复习课堂所讲授内容，达到熟练操作的程度。2. 运用在79各单元学习后，自行收集资料，阅读文献，针对相似案例设计解决方案，编写程序获得正确结果，达到将基本知识综合应用的程度。六、教学方法本课程以课堂教学为主，上机实践为辅，结合作业、撰写实验报告等教学手段和形式完成课程教学任务。1. 在课堂教学中，将通过讲授、提问、讨论，使学生迅速掌握Python数据分析的基础语法知识。2. 采取教师现场演示、学生借助手机查询、浏览等方式，了解理论的应用背景或示例，提升学生的学习兴趣。3. 在单元学习结束时，利用提示、启发、指定等

11、方式，指导学生运用所学知识解决具体问题，培养学生设计算法，描述问题、分析问题和解决问题的能力，激发学生的创新思维。4. 以实际工程应用问题为背景设置一些问题，让学生分析问题、提出解决方案并设计程序。5.采用CAI作为教学工具，以板书为辅助。6.通过上机实验，培养学生初步运用Python语言知识、数学知识和工程知识来解决数据分析和展示问题的能力，以及获取和整理信息、准确运用语言文字的表达能力。七、学习评量学习成绩由平时成绩（含作业成绩、上机及实验报告成绩）和期末考试成绩组成。各部分所占比例和评价内容、方法如下：1. 平时成绩（30%）(1)作业成绩：10%。主要考核对课堂学习的知识点的复习、理解和掌握程度；以完成质量为评价标准。(2) 上机及实验报告成绩：20%。1)上机情况。主要针对单元教学目标指定上机内容；以设计程序并获得正确结果的效率和效果评分，对其中两次上机评分，每次5分，共10分。2) 实验报告。针对较复杂的应用撰写实验报告；依据实验报告的规范性，分析与设计描述清晰程度、实验结果以及对结果的分析和结论等评分，共1次， 10分。2. 期末考试成绩（70%）主要考核综合应用基本语法、程序