《Python大数据可视化方法与实践》教学大纲

PAGE4PAGE1《Python大数据可视化方法与实践》教学大纲学时：64代码：适用专业：大数据技术类相关专业制定：审核：批准：一、课程的地位、性质和任务《Python大数据可视化方法与实践》是大数据技术类相关专业的一门实践性较强的专业课程。课程以大数据可视化基础、Python可视化编程、不同类型数据的可视化表达、可视化效果增强、探索式分析、知识图谱可视化、AI数据可视化和综合案例为主线，培养学生使用Python工具理解数据、分析数据、表达数据和辅助决策的能力，强化学生的数据素养、工程实践能力、职业规范意识和创新意识。二、课程教学基本要求1.了解大数据的概念与特征，理解数据、信息、知识的区别与联系，掌握大数据可视化的目的、流程和常见图表表达形式。2.了解常用可视化工具的特点与应用场景，掌握Anaconda、PyCharm等基础环境准备方法，理解数据源、数据质量、数据预处理和属性关系的基础知识。3.理解对比数据和趋势数据的表达特点，掌握柱形图、折线图、箱线图、词云图及图形化词云图的绘制方法。4.了解比例数据可视化的适用场景，理解饼图与圆环图的优势和局限，掌握饼图、突出扇区效果和圆环图的绘制方法。5.了解关系数据和分布数据的图表表达方式，理解散点图、气泡图、直方图的适用条件，掌握相关图表的Python实现方法。6.理解图表布局和视觉增强对信息表达的作用，掌握画布划分、坐标轴刻度设置、共享坐标轴、图例和注解等增强方法。7.了解探索式分析的基本思路，理解缺失值产生原因和处理方法，掌握缺失值可视化与回归分析的基本实现流程。8.了解知识图谱的概念、架构和应用，理解三元组、实体识别和关系抽取，掌握基于NetworkX构建和展示知识图谱的基本方法。9.了解主流AI可视化工具及其功能，理解AI数据准备的常见步骤，掌握AI辅助图表生成和辅助编程的基本流程。10.理解信用评估案例的数据分析流程，掌握数据导入、清洗、特征工程、逻辑回归建模和ROC/AUC评价方法。三、课程的内容1．大数据可视化基础数据与大数据；数据、信息与知识；大数据与可视化；数据可视化流程；数据绘图；视觉感知、格式塔理论和设计基础。2．可视化编程基础常用可视化工具；Anaconda与PyCharm环境准备；数据源获取；大数据存储；数据质量与数据预处理；相关关系与因果关系；Jupyter。3．对比与趋势可视化单柱图、簇状柱形图、折线图、箱线图、词云图、图形化词云图；坐标标签、图例、文本标注与基本参数设置。4．比例数据可视化比例数据表达；饼图；圆环图；突出扇区；百分比标注；起始角度；圆环宽度和中心文本。5．关系数据可视化散点图；分类散点图；气泡图；直方图；多维视觉通道；Seaborn示例数据集；分布与关系分析。6．增强可视化效果画布均匀划分与非均匀划分；坐标轴与刻度；共享坐标轴；图例、网格、标签、注解；数据可视化原则。7．可视化探索大数据探索式分析；缺失值可视化；缺失值处理；属性关系探索；回归分析原理；回归分析实现；D3可视化库。8．知识图谱可视化知识图谱概念；实体、关系、属性；SPO三元组；非结构化和结构化数据抽取；Neo4j、NetworkX、igraph、Gephi；知识图谱构建案例。9．AI数据可视化AI可视化工具；ChartCube；Flourish；AI图表生成；AI数据准备；AI辅助编程；可视化与人工智能发展方向。10．可视化分析大数据案例信用评估数据集；数据导入；探索性分析；数据清洗；异常值处理；变量离散化；WOE/IV；变量筛选；逻辑回归；ROC曲线与AUC；Adaboost。四、课程的重点、难点重点：大数据可视化的基本概念与流程；Python可视化编程环境与常用图表绘制；对比、趋势、比例、关系和分布数据的图表选择与表达；画布划分、坐标轴、图例和注解等可视化效果增强方法；探索式分析、知识图谱可视化、AI数据可视化和综合案例应用。难点：根据数据类型和分析目的选择恰当的可视化形式；多维数据到视觉通道的映射；缺失值处理、回归分析、WOE/IV特征工程和模型评价；从文本或结构化数据中抽取三元组并构建知识图谱；对AI生成图表和代码进行有效验证。五、课时分配表序号课程内容总学时讲课实验习题课机动1大数据可视化基础4402可视化编程基础4313对比与趋势可视化6334比例数据可视化4225关系数据可视化9546增强可视化效果6337可视化探索大数据9458知识图谱可视化10559AI数据可视化63310可视化分析大数据案例633合计合计643529六、实验项目及基本要求实验1：可视化编程环境准备要求：掌握Anaconda、PyCharm或Jupyter环境准备方法。实验2：对比与趋势可视化要求：掌握柱形图、折线图、箱线图和词云图绘制。实验3：比例数据可视化要求：掌握饼图、突出扇区和圆环图绘制。实验4：关系数据可视化要求：掌握散点图、分类散点图、气泡图和直方图绘制。实验5：增强可视化效果要求：掌握画布划分、坐标轴刻度、共享坐标轴和注解设置。实验6：可视化探索大数据要求：掌握缺失值可视化、属性关系探索和回归分析实现。实验7：知识图谱可视化要求：掌握三元组抽取、图结构构建和NetworkX可视化。实验8：AI数据可视化要求：掌握AI可视化工具、数据准备和AI辅助编程基本流程。实验9：可视化分析大数据综合案例要求：完成信用评估数据集的导入、清洗、特征工程、建模和评价。七、考核办法1．考试采用统一命题，可结合闭卷考试、平时作业和上机实践进行综合评价。2．考核内容覆盖课程基本概念、图表方法、Python可视化编程、数据探索、知识图谱、AI数据可视化和综合案例。3．不同能力层次要求的分数比例大致为：识记占20%，领会占30%，简单应