项目一 Python数据分析概述

Python程序基础与大数据分析所有教学资源，我们给；所有复杂操作，我们做；图书附赠，永久免费，只为老师用书更方便课件教案微课扫码题库建课互评考试平台

学习工具《Python程序基础与大数据分析》专属配套资源+教学工具点击查看详情点击查看详情点击访问→点击查看详情教学资源下载[课程标准] [课件][教案][标准指南][实用案例]

[课程思政][Python大神学习路径][排障速查+常用库查询]扫码布置课后作业3+1步线上布置课后作业，成绩自动统计在线考试支持引用题库智能组卷，客观题自动判分，成绩自动统计更多资源和服务，访问文旌课堂目录Python数据分析概述1.Python编程基础2.数据结构与函数3.NumPy数值计算4.Pandas基础5.Pandas数据处理与分析6.Matplotlib数据可视化7.财务数据分析8.股票数据量化分析9.商品数据分析10.客户画像分析11.采购质量管理分析12.信用卡欺诈交易分析13.基础篇实战篇1.Python数据分析概述Python是什么？项目目标知识目标

了解数据分析的定义。

了解数据分析常用应用场景。

了解数据分析流程。

了解Python及其优势。

了解Python数据分析常用库。能力目标能够搭建Python数据分析开发环境。能够编写和运行简单Python程序。素养目标领悟生活哲理，培养爱国情怀。学习新工具和新方法，树立与时俱进的观念。项目准备全班学生以

3～5

人为一组进行分组，各组选出组长。组长组织组员扫码观看“数据分析的产生与发展”视频，讨论并回答下列问题。问题1：数据分析产生的原因是什么？问题2：数据分析经历了哪些重要的发展阶段？数据分析的产生与发展任务一了解数据分析流程1.Python数据分析概述任务二搭建Python数据分析开发环境任务描述在当今数据驱动的时代，数据分析已成为各个行业和领域不可或缺的重要工具。请同学们思考一下：什么是数据分析?数据分析常用应用场景有哪些？数据分析流程有哪些步骤？一、什么是数据分析数据分析狭义的数据分析广义的数据分析一、什么是数据分析数据分析狭义的数据分析狭义的数据分析是指根据分析的目的，采用对比分析、分组分析、交叉分析和回归分析等方法，对收集的数据进行处理与分析，提取有价值的信息，发挥数据的价值与作用。一、什么是数据分析数据分析广义的数据分析是指依据一定的目标，通过多样化的方法发现数据中隐含的信息，主要包括狭义的数据分析和数据挖掘，二者相辅相成，共同拓展数据分析的深度与广度。广义的数据分析提示

数据挖掘是数据分析的高级阶段，是从大量的、不完全的、有噪声的、模糊的、随机的数据中，通过智能推荐、关联规则、分类模型和聚类模型等技术，挖掘数据中隐含的、有潜在价值的信息。提示数据分析在财经商贸相关领域及行业的应用。物流金融电子商务市场营销会计12345二、数据分析常用应用场景二、数据分析常用应用场景>物流物流在物流领域，数据分析可以帮助公司:优化运输路线;提高运输效率;降低成本等。物流公司:可以预测未来的运输需求;提前安排运输计划。实例二、数据分析常用应用场景>金融金融在金融领域，数据分析可以帮助银行、证券公司及各类金融投资公司等金融机构：更好地管控风险；提升收益；制订投资策略等。通过分析股票价格的历史数据，金融机构的专业投资者可以预测未来的股票走势，从而制订更加科学的投资策略。实例二、数据分析常用应用场景>电子商务电子商务在电子商务领域，数据分析可以帮助电商企业:了解用户的购买习惯；了解用户的喜好等;从而更好地推荐商品、提高销售额。通过分析用户的购买历史和浏览记录，电商企业可以向用户推荐相关商品，从而提高用户的购买意愿和满意度。实例二、数据分析常用应用场景>市场营销市场营销在市场营销领域，数据分析可以帮助企业：了解市场需求、了解消费者行为等；从而更好地制订营销策略、提高市场占有率。通过分析消费者的购买历史和社交行为数据，企业可以制订更加精准的营销策略，向目标客户精准推荐相关商品，进而提高客户的购买意愿。实例二、数据分析常用应用场景>会计会计在会计行业，数据分析可以帮助企业:实施客户分析;管控风险;控制成本及评估业绩；更好地了解自身财务状况和经营成果，并做出更科学、合理的决策。任务实施数据分析流程一般包括需求分析、数据获取、数据处理、分析与建模、模型评价与优化、数据可视化6个阶段，如图所示。快来学习一下吧！1．需求分析2．数据获取3.数据处理4.分析与建模5.模型评价与优化6.数据可视化任务实施数据分析流程一般包括需求分析、数据获取、数据处理、分析与建模、模型评价与优化、数据可视化6个阶段，如图所示。快来学习一下吧！需求分析数据获取数据处理分析与建模模型评价与优化数据可视化任务实施>需求分析需求分析是数据分析的第一步：需要和相关业务部门或利益相关者进行深入沟通，了解他们的需求和期望；根据业务需求确定分析目标；提出数据分析需求的整体方向、内容，最终和需求方达成一致。了解销售业绩下滑的原因;评估新的市场策略是否有效；实例对于销售业绩下滑问题，分析目标可能是找出影响销售额的关键因素：产品质量；价格；市场竞争；其他因素。实例任务实施>数据获取数据获取是指从各种数据源获取数据，以便进行后续的分析和挖掘，它是数据分析的基础。数据来源：数据库；公开数据源（如政府信息公开平台）；社交媒体等。实现渠道：网络爬虫程序；日志采集工具；实时数据流。

任务实施>数据处理数据处理主要是为了提升数据的质量、准确性和规范性，使后续的数据分析工作能够更加高效、准确地进行。数据处理包括:数据清洗数据转换数据筛选数据整合数据标准化任务实施>数据处理数据清洗：去除重复数据；去除无效或错误的数据；处理缺失值；消除噪声等。数据转换包括：数据类型；格式；编码转换。数据筛选：去掉不必要的数据；去掉冗余的数据。数据整合：形成一个统一的数据集，包括：来自不同数据源；具有相似特征的数据；具有关联关系的数据。数据标准化：对不同尺度的数据能够进行比较和综合分析。标准化；归一化；

数据处理包括:数据处理包括:任务实施>分析与建模分析与建模是指应用各种统计学和数据分析方法，对数据进行分析、推断、预测和建模，主要目的是从数据中获取有用的信息和知识，并为决策提供科学依据。分析与建模是数据分析的核心环节，涉及的方法和工具非常多。常用的数据分析方法对比分析分组分析回归分析交叉分析模式趋势关联规律揭示数据任务实施>分析与建模常见的模型线性回归模型逻辑回归模型神经网络模型决策树模型分类回归聚类用于支持向量机模型合理的分析与建模还可以对数据进行进一步的优化和改进，提高数据的质量和可靠性。小结任务实施>模型评价与优化模型评价与优化是指对建立好的数据分析模型进行评估和改进。模型评价:指根据评价指标对模型的性能和质量进行评估，以确定模型的有效性和可靠性。模型优化:在模型评价后，对模型进行重新构建和改进，以提高模型的性能和准确度。模型评价与优化操作包括：确定模型评价指标计算模型评价指标模型优化任务实施>数据处理确定模型评价指标：根据模型的类型不同，选择相应的评价指标。计算模型评价指标：选定评价指标；对建立好的数据分析模型：计算评估模型优化：根据模型评估的结果，对模型进行如下操作：重新构建；参数调整；算法改进等优化。

模型评价与优化操作包括：模型评价与优化操作包括：分类模型：准确率；精确率；召回率等。回归模型：最小均方误差；最大绝对误差等。实例任务实施>数据处理数据可视化是指将经过处理与分析的数据，以直观的图形、图表、地图等形式呈现出来，让复杂的数据信息变得通俗易懂，从而助力人们快速洞察数据趋势。数据可视化包括:数据筛选与整理选择可视化类型设计可视化细节工具运用与绘制效果评估与迭代任务实施>数据处理数据筛选与整理：对前期处理好的海量数据：择取关键子集；剔除冗余信息；避免画面杂乱无章；对选出的数据，保证数据维度契合所选可视化类型的需求：再次梳理；选择可视化类型：数据特征；可视化目标选择适配的呈现形式。

数据可视化包括:数据可视化包括:时间序列数据：折线图。实例任务实施>数据处理设计可视化细节：布局规划：确保各元素分布均衡；避免视觉重心偏移；按信息重要性、逻辑关联排布图表组件。色彩搭配：选择和谐且区分度高的色彩组合；分类数据采用对比鲜明的色彩；有顺序关系的数据采用渐变色彩。添加辅助元素：为坐标轴添加：清晰的刻度；单位标注等。

数据可视化包括:数据可视化包括:任务实施>数据处理工具运用与绘制：选择可视化工具依据：需求复杂度；个人技能熟练度。选好工具后:导入数据；根据设定好的参数、样式绘制图表；反复微调至理想效果。

数据可视化包括:数据可视化包括:编程语言；Excel；PowerBI软件等。实例效果评估与迭代：自我审视可视化成果：是否精准回应预设目标；布局是否清晰有序；图表是否直观易懂；标注是否模糊；色彩对比度是否欠佳等问题。邀请目标受众预览；依据反馈对可视化的细节、整体架构加以优化。

德育长廊不一样的数据分析——可视化探索苏东坡的一生任务一了解数据分析流程1.Python数据分析概述任务二搭建Python数据分析开发环境任务描述在数据分析领域，有许多强大的工具可以帮助我们处理、分析和可视化数据。这些工具提供了多样化的分析方法，有效提高了数据分析的效率和准确性。如何搭建Python数据分析开发环境？一、Python的优势PythonRMATLAB语言学习难易程度入门难度低入门难度低入门难度一般使用场景数据分析，机器学习，矩阵运算，科学数据可视化，数字图像处理，Web应用，网络爬虫，系统运维等数据分析，数据挖掘，机器学习，数据可视化等矩阵运算，数值分析，科学数据可视化，机器学习，符号计算，数字图像处理，数字信号处理，仿真模拟等第三方支持拥有大量的第三方库，能够简便地调用C、C++、Fortran、Java等其他编程语言拥有大量的第三方库，能够调用C、C++、Fortran，Java等其他编程语言拥有大量专业的工具箱，在新版本中加入了对C、C++、Java的支持流行领域工业界＞学术界工业界≈学术界工业界≤学术界软件成本开源免费开源免费商业收费目前主流的数据分析编程语言有Python、R、MATLAB

等，它们各自的特点如下表所示。一、Python的优势Python和R、MATLAB相比，具有以下优势。1．易学、易读、易维护2．处理速度快3．社区支持强大4．应用领域广泛5．可扩展性强6．开源库丰富优势一、Python的优势语法清晰、简洁，易于学习；有很多第三方库可供使用，开发过程相对快速且高效；代码可读性强，维护起来也更加轻松。Python语法风格较为独特；学习曲线相对陡峭。R

易学、易读、易维护MATLAB在开源生态的丰富度上不如Python。一、Python的优势在处理大规模数据集时，能够高效利用内存与多核CPU（centralprocessingunit，中央处理器）进行并行计算。Python统计分析场景中表现出色；海量数据运算效率上稍显逊色；R

处理速度快MATLAB商业软件；在一些开源、分布式计算的拓展能力上存在局限。一、Python的优势有一个庞大且活跃的开发者社区，全球各地的程序员汇聚于此。Python社区规模与活跃度方面略显逊色。R

社区支持强大MATLAB社区规模与活跃度方面略显逊色。一、Python的优势数据科学领域；Web开发；机器学习；人工智能等众多领域。Python统计分析；数据可视化。R

应用领域广泛MATLAB工程计算与仿真。一、Python的优势与其他主流编程语言（如C++、Java等）集成，并且可以调用这些语言的库来实现特定的功能;整个项目架构灵活多变。Python与其他语言交互融合性差;灵活性与便捷性不如Python。R

可扩展性强MATLAB与其他语言交互融合性差;灵活性与便捷性不如Python。一、Python的优势NumPy；Pandas；Matplotlib等。Python开源生态在规模和多样性上略显单薄。R

开源库丰富MATLAB开源生态在规模和多样性上略显单薄。Python数据分析常用库包括以下几个。NumPyPandasMatplotlibSeabornScikit-learn12345二、Python数据分析常用库二、Python数据分析常用库>NumPyNumPy

是

Python

中科学计算和数据分析的基础库，它提供了一种强大的n维数组对象ndarray，以及多种用于操作这种数组对象的函数。NumPy通常与Pandas和Matplotlib一起用于数据分析。NumPy

数组和标准

Python

序列区别数组大小：NumPy——固定大小；Python的list对象——动态增长。数据类型：NumPy——相同；Python的list对象——可以不同。适用：NumPy——大量数据，代码量小；Python的list对象——小规模数据。

二、Python数据分析常用库>PandasPandas

是

Python

中用于数据处理和分析的强大工具，其名称来自面板数据（paneldata）和

Python

数据分析（dataanalysis）。Pandas

的主要功能Pandas

提供高性能且易于使用的数据结构和数据处理与分析工具：

数据清洗；数据转换；数据筛选；数据标准化等。

二、Python数据分析常用库>Pandas核心结构：

DataFrame；二维表格（类似于

Excel）；包含多种类型的数据；每列数据的类型可以不同。提供了其他数据结构：Series（一维数据结构）；Panel（三维数据结构）等。Pandas

的功能丰富的时间序列功能：轻松地处理时间序列数据；提供许多强大的时间序列分析工具：时间戳；时间窗口；滚动统计等。可以与

NumPy、Matplotlib等其他Python库集成，方便地进行数据分析和可视化。

Pandas

的数据结构Pandas

是一个功能强大的数据处理和分析工具，适用于各种规模的数据处理任务，可以帮助数据分析师和数据科学家更高效地进行数据处理和分析。小结二、Python数据分析常用库>MatplotlibMatplotlib是Python中一个非常流行的图表绘制库，可以帮助开发者轻松地绘制各种类型的图表。Matplotlib

的功能绘制各种类型的图表；支持多种标尺和坐标系；控制图表的各个细节；可以自定义图表的外观；可以将图表保存为多种格式的文件。

折线图；散点图；柱形图；饼图；直方图等。实例线性；对数；半对数等。坐标轴的范围和标签；标题；图例等。实例实例颜色；线型；字体。实例PNG；PDF；SVG。实例二、Python数据分析常用库>Matplotlib可以通过各种方法控制图表的外观和行为。Matplotlib

的使用使用Matplotlib

的函数控制坐标轴的范围和标签，添加图例和网格线等；使用Matplotlib提供的各种工具和编辑器更方便地进行图表设计和编辑。实例小结Matplotlib

是一个功能强大的图表绘制库，适用于各种类型的图表绘制任务，可以帮助开发者轻松地创建高质量的图表。二、Python数据分析常用库>SeabornSeaborn

是基于

Matplotlib

的高级数据可视化库，它提供了一种高度交互式界面，便于用户做出各种有吸引力的统计图表。Seaborn的主要功能针对数据挖掘和机器学习中的变量特征选取，可以用简短的代码绘制出多维度的数据可视化效果图。

支持绘制各种类型的统计图表，并且可以自定义图表的外观和细节。支持多种数据结构可以方便地与其他Python库集成。

折线图；散点图；热力图；树状图等。实例NumPy

数组；Pandas数据结构等。实例小结Seaborn

是一个功能强大的数据可视化库，适用于各种类型的数据可视化任务，可以帮助开发者轻松地创建高质量的图表。二、Python数据分析常用库>Scikit-learnScikit-learn

是

Python

中一个非常流行的机器学习库，提供了简单高效的数据挖掘和数据分析工具，以及建立在

NumPy、SciPy

和

Matplotlib

上的各种机器学习算法。另外，Scikit-learn基于BSD许可证，可以免费使用。Scikit-learn

的主要功能分类；回归；聚类；降维；模型选择；数据处理。

二、Python数据分析常用库>Scikit-learn名称功能常用算法分类预测数据所属的类别标签逻辑回归、支持向量机、随机森林、决策树等回归预测连续的数值型目标变量岭回归、Lasso

回归、支持向量回归等聚类依据数据的内在相似性，将样本自动划分为不同的簇群

K-means

聚类、谱聚类、层次聚类等降维将高维数据压缩至更低维度，同时尽量保留关键信息主成分分析、线性判别分析等模型选择评估、筛选及优化模型，提升模型的泛化能力交叉验证、网格搜索等数据处理对原始数据进行预处理，让数据更契合后续的分析缺失值处理、标准化、归一化等Scikit-learn的基础功能二、Python数据分析常用库>Scikit-learn拥有非常活跃的用户社区；提供了许多实用工具和函数；可以与其他Python库集成。Scikit-learn的特点数据可视化；概率分布；假设检验等。实例小结Scikit-learn是一个功能强大的机器学习库，适用于各种类型的机器学习任务，可以帮助开发者快速构建高效的机器学习模型并进行数据处理和分析。NumPy；Pandas；Matplotlib等实例德育长廊作为新商科领域的大学生，如何学好和运用好Python分析？在当今数字化时代，数据分析已经成为商业决策的重要工具。在金融领域，数据分析师们使用

Python

收集、清洗和分析市场数据，构建预测模型，识别投资机会和风险。在社交媒体领域，数据分析人员使用

Python

收集和分析社交媒体上的用户行为数据，了解公众对特定话题或品牌的态度和情感，帮助企业调整营销策略，提高品牌形象和客户满意度。在城市交通领域，交通管理部门利用

Python

分析交通流量数据，优化交通信号灯的控制，减少拥堵和事故。作为新商科领域的大学生，要努力做到“百舸争流，勇立潮头”，积极学习

Python数据分析技能，提升竞争力，更好地理解和解决商业问题；在职业生涯中，始终牢记自己的社会责任，利用数据分析帮助企业优化营销策略、降低运营成本，为企业创造经济效益。同时，学好

Python

还可以积极参与社会公益活动，利用数据分析为公益事业贡献力量。任务实施要在计算机上运行Python程序，首先需要下载并安装Python解释器。通常，可以通过安装Anaconda获取Python解释器及配套的第三方库，再搭配PyCharm集成开发环境开展编程工作。请同学们思考一下，如何搭建Python分析的开发环境呢？1．安装并启动Anaconda2．安装并设置PyCharm大家动手安装一下吧。任务实施>安装并启动AnacondaAnaconda

是为方便使用Python进行数据科学研究而建立的一组软件包，它包含了Conda、Python

等

180

多个科学包及其依赖。Anaconda

提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换及各种第三方包安装问题。Anaconda还包含了与

Python

相关的配套工具，如数据可视化工具、统计分析工具、机器学习算法库等。它旨在为

Python

开发者提供一站式的开发环境，避免因环境配置和依赖问题导致的开发效率低下。任务实施>安装并启动Anaconda访问

Anaconda

的下载地址“/download/success”，单击“Download”按钮，下载Anaconda安装文件（网站会根据当前计算机系统自动下载相应版本，此处为“Windows”；默认下载最新版本，此处为“Anaconda3-2024.10-1”），如图所示。步骤1下载Anaconda安装文件任务实施>安装并启动Anaconda下载完成后，双击下载的安装文件，开始安装。步骤2开始安装Anaconda

弹出“Anaconda32024.10-1（64-bit）Setup”对话框，单击“Next”按钮，如图所示。步骤3任务实施>安装并启动Anaconda显示“LicenseAgreement”界面，阅读安装协议，然后单击“IAgree”按钮，如图所示。步骤4

同意安装协议

显示“SelectInstallationType”界面，选中“JustMe（recommended）”单选钮，然后单击“Next”按钮，如图所示。步骤5选择安装类型任务实施>安装并启动Anaconda显示“ChooseInstallLocation”界面，首先单击“Browse”按钮选择安装位置（此处保持默认），然后单击“Next”按钮，如图所示。步骤6

选择安装位置

显示“AdvancedInstallationOptions”界面，勾选全部复选框，然后单击“Install”按钮，如图所示。步骤7选择安装选项任务实施>安装并启动Anaconda等待安装完成，这可能需要一段时间，如图所示。步骤8

Anaconda正在安装

安装完成后，单击“Next”按钮，如图所示。步骤9Anaconda安装完成任务实施>安装并启动Anaconda显示Anaconda介绍界面，继续单击“Next”按钮，如图所示。步骤10

Anaconda介绍

显示安装结束界面，单击“Finish”按钮，启动Anaconda。步骤11Anaconda安装结束任务实施>安装并启动Anaconda进入Anaconda工作区，表示安装成功，如图所示。步骤12Anaconda工作区任务实施>安装并设置PyCharmPyCharm

是一款专为

Python

语言开发者设计的集成开发环境（integrateddevelopmentenvironment,IDE），它配备了一系列实用功能，包括代码调试、语法高亮、项目管理、代码跳转、智能提示、自动补齐代码、单元测试、版本控制等，可以帮助开发者轻松编写和维护

Python

代码，带来更优质的代码导航和编辑体验。此外，PyCharm

还具备高级功能，如能为基于Django框架的项目开发提供全方位支持，满足专业Web开发需求。任务实施>安装并设置PyCharm访问

PyCharm

的下载地址“/pycharm/download”（网站会根据当前计算机系统自动重定向到相应版本，此处重定向到Windows系统，可看到网址后面多了“?section=windows”），向下滚动鼠标滚轮可看到

Community

版本（Professional是专业付费版本，Community

是社区免费版本，能够满足基本的需求），单击“Download”按钮，下载PyCharmCommunityEdition安装文件（版本为20），如图所示。步骤1下载PyCharm安装文件任务实施>安装并设置PyCharm下载完成后，双击下载的安装文件，开始安装。步骤2弹出“PyCharmCommunityEdition

安装”对话框，单击“下一步”按钮，如图所示。步骤3开始安装PyCharm任务实施>安装并设置PyCharm显示“选择安装位置”界面，首先单击“浏览”按钮选择安装位置（此处保持默认），然后单击“下一步”按钮，如图所示。步骤4显示“安装选项”界面，勾选全部复选框，然后单击“下一步”按钮，如图

所示。步骤5选择安装位置选择安装选项任务实施>安装并设置PyCharm显示“选择‘开始’菜单文件夹”界面，保持默认，单击“安装”按钮，如图所示。步骤6安装完成后，显示安装程序结束界面，选中“否，我会在之后重新启动”单选钮，然后单击“完成”按钮，如图所示。完成安装后，桌面出现PyCharm图标，如图所示。步骤7选择“开始”菜单文件夹PyCharm安装结束任务实施>安装并设置PyCharm双击

PyCharm

图标，弹出“语言和地区”对话框，选择“Chinese（Simplified）中文语言包”和“中国大陆”选项，然后单击“下一个”按钮，如图所示。步骤8弹出“PyCharm

用户协议”对话框，勾选“我确认我已阅读并接受此《用户协议》的条款”复选框，然后单击“继续”按钮，如图所示。步骤9选择语言和地区

同意用户协议任务实施>安装并设置PyCharm弹出“数据共享”对话框，单击“不发送”按钮，如图所示。步骤10进入PyCharm启动界面，首先单击选择左侧列表中的“自定义”选项展示相关设置项，然后单击外观区域的“主题”下拉按钮，在展开的下拉列表中选择“Light”选项，设置软件界面颜色为亮色。单击选择左侧列表中的“项目”选项，然后单击“新建项目”按钮，如图所示。步骤11不发送数据共享

单击“新建项目”按钮任务实施>安装并设置PyCharm弹出“新建项目”对话框，首先单击“位置”右侧输入框中的“浏览”按钮，选择项目存储位置（此处保持默认）；然后选择“解释器类型”为“基础conda”（本书所有项目都基于此环境）；最后单击“创建”按钮新建项目，如图所示。步骤12

新建项目任务实施>安装并设置PyCharm知识库可以为每个项目搭建独立的虚拟环境，该虚拟环境拥有独立的库，与系统全局的Python环境隔离开，即使不同项目依赖不同版本的同一个库，也互不干扰，可有效避免“依赖冲突”问题。项目

venu基于

Anaconda

的虚拟环境，Anaconda

已经预先配置好了Python环境体系，自带大量数据分析常用库，如NumPy、Pandas等，能快速开始编程，减少前期烦琐的基础库安装工作。基础