Py程序基础教程- 4

《Python程序设计基础项目化教程》课程教案课题：项目七 科学计算与数据分析基础教学目的：1.在处理大规模数据时，体会计算机科学的效率与魅力，培养学生利用技术工具解决实际问题的创新精‍神。2.通过学习结构化数据处理，培养学生严谨的逻辑思维和注重细节、精益求精的工匠精‍神。3.掌握NumPy库的N维数组、向量化运算、索引与切‍片。4.掌握Pandas库的Series（一维带标签数组）和DataFrame（二维表‍格）操作。课型：新授课课时：本章安排6个课时。教学重点：重点：掌握NumPy库的N维数组、向量化运算、索引与切‍片。教学难点：难点：掌握Pandas库的Series（一维带标签数组）和DataFrame（二维表‍格）操作。教学过程：教学形式：采用课堂讲授、案例研讨与随堂习题相结合的混合式教学形式，兼顾理论讲解与互动思考。教学媒体：依托多媒体课件、线上学习平台以及素材开展直观化教学，辅助知识点理解。板书设计：本课标题科学计算与数据分析基础课次3授课方式理论课□讨论课□习题课□其他□课时安排6学分共2分授课对象普通高等院校学生任课教师教材及参考资料1.《Python程序设计基础项目化教程》；电子工业出版社。2.本教材配套视频教程及学习检查等资源。3.与本课程相关的其他资源。教学基本内容教学方法及教学手段项目情境在日常编程中，Python的列表可以处理小规模的数据。但当需要对成千上万个数字进行高效的数学运算，或者像操作Excel一样管理复杂的表格数据时，就需要更专业的工具。本章将重点学习两个Python数据处理的核心第三方库：NumPy和Pandas。先学习NumPy库，掌握其创建高性能数组及进行快速批量计算的方法。在此基础上，再学习Pandas库，利用其强大的DataFrame表格结构，进行更复杂的数据管理、选择和初步分析，为进入数据处理领域打下坚实的基‍础。参考以下形式：1.衔接导入2.悬念导入3.情景导入4.激疑导入5.演示导入6.实例导入7.其他形式任务一科学计算—NumPy一、创建NumPy数组学习NumPy的第一步，就是掌握如何创建其核心的数据结构—ndarray对象。NumPy提供了多种灵活的创建方式，以适配不同的需‍求。1. array函数这是最基础、最直接的创建方式，它可以将Python的列表（list）、元组（tuple）等序列类型的数据转换为NumPy数组。2. 内置函数快速生成数组当需要创建有规律的或特定结构的数组时，手动创建列表会很麻烦。NumPy为此提供了多种函数，可以快速生成数组，如表7-1所示。二、查看数组的基本属性创建数组后，可以通过数组的属性来查看它的基本信息，NumPy数组的ndarray对象属性如表7-2所示。三、数组运算与索引在学会了如何创建和查看NumPy数组之后，接下来学习如何高效地操作和访问数组中的数据。这主要通过两个核心机制来实现：向量化运算和索引与切‍片。1. 向量化运算向量化是NumPy最核心、最强大的特性，它可以直接对整个数组执行数学运算，无须通过for循环来逐个处理元‍素。主要运算类型如‍下：（1）数组与标量（单个数字）的运算。当一个数组与一个单独的数字进行运算时，这个数字会自动“广播”到数组的每个元素，并逐个进行运‍算。arr+5（每个元素都加5）arr*10（每个元素都乘以10）arr>80（每个元素与80进行比较，返回一个布尔类型的数组）（2）形状相同的数组之间的运算。当两个数组的形状完全相同时，运算会按对应位置的元素逐一进‍行。arr1+arr2（对应元素相加）arr1*arr2（对应元素相乘）（3）常用聚合函数。NumPy内置了丰富的统计聚合函数，对整个数组或数组的指定轴进行计算，常用聚合函数如表7-3所示。2. 索引与切片索引与切片是从数组中选取我们感兴趣的数据的核心手段。NumPy的索引机制与Python列表类似，但功能更强大（尤其是在处理多维数组‍时）。（1）一维数组的索‍引。（2）二维数组的索‍引。任务二数据分析—Pandas一、一维数组SeriesSeries是Pandas中最基础的数据结构。可以把它想象成“智能版”的一维数组或Excel表格中的一列。它由如下两部分组‍成。● 一组数据（values），其底层通常是一个NumPy数‍组。● 一组与之对应的数据标签（index），也就是索‍引。这个带标签的索引是Series最核心的特性，能够使用有意义的标签（而不仅是0,1,2...）来访问和操作数‍据。1. 创建Series2. 属性与带标签的索引创建Series对象后，可以通过使用它的索引来便捷地访问数据，Series常用属性如表7-5所示。3. Series的常用操作Series不仅是一个带标签的数据容器，它还内置了大量便捷的方法，用于数据操作和分‍析。1）数据访问与筛选。2）常用数学与统计函数。3）检查缺失值与排序。二、二维数组DataFrameDataFrame是Pandas库的核心组件，也是Python数据分析中最常用、最重要的二维数据结构。它是一种表格型的、大小可变的结构，专门用于高效地处理结构化和半结构化数据。其显著特点是能够容纳异构数据，即每列可以是不同的数据类型，如整数、浮点数或字符串。DataFrame最重要的特性是其带标签的轴，它同时拥有行索引（index）和列索引（columns），这为数据的选择、对齐和操作等任务提供了极大的灵活性和便利性。从概念上讲，一个DataFrame可以被视为一个由多个共享相同行索引的Series对象组成的字典，这种面向列的设计使得相关操作更加高‍效。1. 创建DataFrame2. 查看DataFrame的整体信息3. 选择与访问数据1．教学以学生学习教材的基本内容为主，系统全面地学习科学计算与数据分析基础的基本内容。2．整个教学过程中，各教学点可根据实际情况，进行拓展知识的讲解。本章小结：本章主要学习了Python数据分析两大核心库：NumPy与Pand