Python数据分析与挖掘实战（第2版）（微课版）教案全套 翟世臣 第1-10章 数据挖掘基础-基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测

打造基于产教融合的就业育人综合服务平台打造基于产教融合的就业育人综合服务平台第1章数据挖掘基础教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：2学时（理论1学时，实验1学时）材料清单《Python数据分析与挖掘实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章为数据挖掘基础，是全书的总纲。首先介绍数据挖掘的发展脉络及数据隐私安全与伦理合规要求，使学生了解数据挖掘的基本概念、发展历史与研究现状。然后介绍数据挖掘的常用方法（分类与回归、聚类、关联规则、智能推荐、时间序列及大语言模型等），阐述数据挖掘的通用流程（目标分析、数据抽样、数据探索、数据预处理、分析与建模、模型评价6个环节），并概览常用数据挖掘工具（Python、IBMSPSSModeler、KNIME、RapidMiner、TipDM大数据挖掘建模平台、阿里云数加等）。最后介绍Python数据挖掘开发环境的配置方法，为学生后续章节的学习与实践奠定基础。基本要求了解数据挖掘的发展历史与研究现状。了解数据隐私安全与伦理合规的基本要求。了解数据挖掘的常用方法及其适用场景。熟悉数据挖掘的通用流程。了解常用数据挖掘工具的特点与功能。掌握Python数据挖掘开发环境的配置方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。什么是数据挖掘？它与传统的数据分析有什么区别？日常生活中哪些场景应用了数据挖掘技术？数据挖掘的通用流程包含哪些环节？各环节之间有什么关系？Python语言用于数据挖掘有哪些优势？常用的数据挖掘工具有哪些？各有何特点？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。数据挖掘的6个通用流程环节是如何协同工作的？哪个环节最为关键？分类、聚类、关联规则、时间序列等方法分别适用于什么业务场景？大语言模型（如DeepSeek、ChatGPT）的出现对数据挖掘领域带来了哪些变革？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。数据挖掘是否存在局限性？在何种情况下数据挖掘可能无法得出有效结论？结合实际案例，分析数据挖掘过程中可能存在的隐私泄露风险及防范措施。查阅资料，了解欧盟GDPR与我国数据安全相关法律法规在数据挖掘合规要求上的异同。主要知识点、重点与难点主要知识点数据挖掘发展史。伦理困境与法律法规。数据隐私与合规性。数据挖掘的常用方法。数据挖掘的通用流程。常用数据挖掘工具。Python数据挖掘环境配置。重点数据挖掘的常用方法。数据挖掘的通用流程。Python数据挖掘环境配置。难点数据挖掘的常用方法。数据挖掘的通用流程。教学过程设计理论教学过程数据挖掘发展史。数据隐私安全。数据挖掘的常用方法。数据挖掘的通用流程。常用数据挖掘工具。Python数据挖掘环境配置。实验教学过程在Windows系统上安装Anaconda。教材与参考资料教材翟世臣，张良均主编．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料[1] 张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．[2] 张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第2章Python数据挖掘编程基础教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：7学时（理论3学时，实验4学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章主要讲解Python数据挖掘编程基础知识，涵盖Python基本命令、判断与循环、自定义函数与函数式编程、库的导入与安装方法，以及Python数据挖掘建模常用库（NumPy、pandas、Matplotlib、scikit-learn等）的功能与特点。同时介绍主流深度学习框架（TensorFlow、Keras、PyTorch、PaddlePaddle、Caffe）的概况，使学生能够掌握Python数据挖掘编程的基础技能，为后续章节的数据处理与建模奠定基础。基本要求掌握Python基本命令的使用方法。掌握Python判断与循环语句的语法与应用。掌握Python自定义函数与lambda函数的定义与调用方法。掌握Python库的导入与第三方库安装的方法。了解Python数据挖掘建模常用库的功能与使用场景。了解主流深度学习框架的特点与适用领域。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。Python中有哪些内置的数据结构？它们之间有什么区别？Python的for循环和while循环分别适用于什么场景？Python中列表和元组的主要区别是什么？如何在Python中导入和安装第三方库？Python数据挖掘建模常用的第三方库有哪些？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。map、reduce、filter等函数式编程方法与传统的for循环相比，在效率和代码可读性方面有哪些优势与局限？NumPy、pandas、Matplotlib、scikit-learn等常用库在数据挖掘流程中各自承担什么角色？如何协同工作？TensorFlow、Keras、PyTorch等深度学习框架的设计理念有何不同？如何根据实际需求选择合适的框架？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在实际数据挖掘项目中，除了本章介绍的库之外，还可以使用哪些Python库辅助数据分析与可视化？请调研一个你感兴趣的数据挖掘竞赛或开源项目，分析其中使用了哪些Python库和技术栈。深度学习框架的快速发展对数据挖掘领域产生了哪些影响？未来的发展趋势是什么？主要知识点、重点与难点主要知识点Python基本命令与数据结构的使用方法。Python判断与循环的使用方法。Python函数与函数式编程的使用方法。Python库的导入与第三方库安装的方法。Python数据挖掘建模常用库的基本功能。主流深度学习框架的特点与适用场景。重点Python基本命令与数据结构的使用方法。Python函数与函数式编程的使用方法。Python数据挖掘建模常用库的基本功能。难点Python函数与函数式编程的使用方法。Python数据挖掘建模常用库的基本功能。主流深度学习框架的特点与适用场景。教学过程设计理论教学过程Python使用入门。Python数据挖掘建模的常用库。深度学习框架。实验教学过程Python基本命令、判断与循环语句的综合应用。自定义函数与lambda函数的定义、调用及类型转换的综合应用。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第3章数据探索教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：6学时（理论3学时，实验3学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章从数据校验和数据特征分析两个角度讲解数据探索的方法。数据校验部分涵盖一致性校验（时间校验与字段信息校验）、缺失值校验（产生原因、影响及Python校验方法）、异常值校验（简单统计量分析、3σ原则与IQR准则、箱形图分析）和数据漂移校验（核心类型、主要成因与常用检测方法）；数据特征分析部分涵盖描述性统计分析、分布分析、对比分析、周期性分析、贡献度分析和相关性分析。使学生掌握数据探索的核心方法与工具，能够对实际数据集进行系统性探索分析。基本要求了解一致性校验的常用方法。掌握缺失值校验的常用方法。掌握异常值校验的常用方法。了解数据漂移校验的核心类型、主要成因与常用检测方法。掌握数据特征分析的方法。了解ydata-profiling工具在探索性数据分析中的应用。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。数据校验在数据挖掘流程中处于什么位置？它与数据预处理有什么区别？缺失值校验中，完全随机缺失和完全非随机缺失的区别是什么？3σ原则和IQR准则检测异常值时，各自的适用条件是什么？描述性统计分析中的集中趋势和离中趋势各有哪些常用的度量指标？相关性分析中，Pearson相关系数和Spearman相关系数的适用场景有何不同？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。数据漂移校验中的目标漂移、特征漂移和概念漂移分别对应什么场景？在实际项目中如何综合运用统计检验法和模型性能关联分析法进行检测？贡献度分析（帕累托分析）在商业决策中有哪些典型应用？如何利用Python绘制帕累托图并确定关键的20%因素？ydata-profiling工具相比手动调用describe()等方法进行描述性统计分析，在效率和深度上有哪些提升？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在实际数据分析项目中，面对大规模数据集时，如何高效地进行缺失值和异常值的检测与处理？请调研一种工业级的解决方案。除了本章介绍的Pearson和Spearman相关系数外，还有哪些相关性度量方法？它们各自的适用场景是什么？数据漂移检测在机器学习模型部署后的持续监控中有哪些最佳实践？请结合一个具体行业案例进行分析。主要知识点、重点与难点主要知识点一致性校验的方法。缺失值校验的方法。异常值校验的方法。数据漂移校验的方法。描述性统计分析的方法。分布分析的方法。对比分析的方法。周期性分析的方法。贡献度分析的方法。相关性分析的方法。重点一致性校验的方法。缺失值校验的方法。异常值校验的方法。描述性统计分析的方法。相关性分析的方法。难点异常值校验的方法。数据漂移校验的方法。相关性分析的方法。教学过程设计理论教学过程数据校验。数据特征分析。实验教学过程分布分析、描述性统计分析和贡献度分析的综合应用。对比分析、相关性分析和周期性分析的综合应用。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第4章数据预处理教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：6学时（理论3学时，实验3学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章介绍数据预处理的核心内容，包括数据清洗（重复值处理、缺失值处理、异常值处理）、数据变换（数据标准化、数据离散化、独热编码）、数据合并（多表合并、分组聚合）和自动化预处理。使学生掌握数据预处理的常用方法，能够根据数据特点选择合适的预处理方案，为后续的数据分析与建模打下良好的数据基础。基本要求掌握重复值处理的常见方法。掌握缺失值处理的常见方法。掌握常见的异常值分析和处理方法。掌握数据标准化和数据离散化的常用方法。掌握多表合并和分组聚合的方法。了解自动化预处理的概念、常用工具与流程。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。数据清洗中的重复值、缺失值和异常值分别如何处理？各自适用的场景是什么？数据标准化有哪些常用方法？最小-最大标准化和零-均值标准化有什么区别？数据离散化中的等宽法、等频法和聚类分析法各自有什么优缺点？多表合并中，堆叠合并和主键合并分别适用于什么场景？自动化预处理相比手动处理有哪些优势和注意事项？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。独热编码在什么情况下是必要的？它如何解决类别型数据在模型中的距离计算问题？数据合并中，merge函数和concat函数在功能上有哪些异同？如何根据实际需求选择合适的合并方式？自动化预处理流程中，数据泄露问题的根源是什么？在实际项目中应如何避免？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在大规模数据处理场景中，pandas库的性能瓶颈是什么？Dask等并行处理库如何解决这些问题？除了本章介绍的插值方法，还有哪些高级的缺失值处理方法（如多重插补）？它们在什么场景下更适用？请调研一种工业级的数据预处理流水线工具（如ApacheAirflow），分析其与scikit-learnPipeline的异同。主要知识点、重点与难点主要知识点重复值的处理方法。缺失值的处理方法。异常值的处理方法。数据标准化的方法。数据离散化的方法。独热编码的方法。多表合并与分组聚合的方法。自动化预处理的概念、工具与流程。重点重复值的处理方法。缺失值的处理方法。数据标准化的方法。多表合并与分组聚合的方法。难点数据离散化的方法。独热编码的方法。自动化预处理的概念、工具与流程。教学过程设计理论教学过程数据清洗。数据变换。数据合并。自动化预处理。实验教学过程重复值、缺失值与异常值的处理。数据标准化与数据离散化的应用。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第5章数据挖掘算法基础教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：10学时（理论6学时，实验4学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章系统介绍数据挖掘中五大核心任务的主流算法，涵盖分类与回归（线性模型、决策树、最近邻、支持向量机、神经网络、集成算法）、聚类（K-Means、密度聚类、层次聚类）、关联规则（Apriori、FP-Growth）、时间序列分析（AR、MA、ARMA、ARIMA模型）和智能推荐（协同过滤、基于流行度），并简要介绍深度学习常用算法及其与机器学习的区别。使学生建立对数据挖掘算法谱系的整体认知，为后续根据实际业务需求选择合适的模型奠定理论基础。基本要求熟悉分类与回归算法的原理与评价方法。熟悉聚类算法的原理与评价方法。了解关联规则算法的原理与实现方法。熟悉时间序列算法的原理与实现方法。熟悉智能推荐算法的原理与评价方法。了解深度学习的常用算法及其与机器学习的区别。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。分类模型和回归模型的主要区别是什么？各自的典型应用场景有哪些？K-Means聚类算法的核心思想是什么？如何选择合适的K值？关联规则中，支持度和置信度分别衡量了什么？Apriori算法的核心优化策略是什么？时间序列分析中，平稳序列和非平稳序列的处理方法有何不同？ARIMA模型的d参数代表什么？协同过滤推荐算法中，基于用户和基于物品两种策略有什么区别？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。决策树、支持向量机和神经网络在分类任务中各自有什么优势和局限？如何根据数据特点选择合适的分类算法？FP-Growth算法相比Apriori算法在效率上有哪些改进？这两种算法分别适用于什么规模的数据集？深度学习与传统机器学习在数据依赖、训练时间和模型可解释性方面有哪些本质区别？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在金融风控场景中，如何综合利用分类算法和聚类算法构建一个完整的风险评估体系？智能推荐系统中的冷启动问题有哪些解决方案？除了协同过滤和基于流行度的推荐，还有哪些先进的推荐策略？请调研一个数据挖掘竞赛案例，分析其中使用了哪些算法以及模型评价的方法。主要知识点、重点与难点主要知识点分类与回归的方法。聚类的方法。关联规则的方法。时间序列分析的方法。智能推荐的方法。深度学习的常用算法及其与机器学习的区别。重点分类与回归的方法。聚类的方法。关联规则的方法。时间序列分析的方法。难点时间序列分析的方法。智能推荐的方法。深度学习的常用算法及其与机器学习的区别。教学过程设计理论教学过程分类与回归。聚类。关联规则。时间序列。智能推荐。深度学习。实验教学过程使用分类算法实现客户流失预测。使用K-Means算法实现超市顾客聚类分析。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第6章商超客户价值分析教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时（理论3学时，实验5学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以商超客户价值分析为案例，讲解数据挖掘在客户关系管理中的完整应用流程。涵盖案例背景与目标分析、数据探索与预处理、RFMPI指标构建与K-Means模型构建、客户分群与结果对比分析。使学生掌握从业务问题出发，通过数据预处理、特征工程、聚类建模到结果解读与策略制订的全流程实战能力。基本要求了解案例的背景、数据说明与目标。掌握商超客户数据的预处理方法。掌握商超客户数据的可视化分析方法。掌握客户数据相关性分析的实现方法与热力图解读技巧。掌握商超客户分群结果的特征分析方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。RFM模型中的R、F、M分别代表什么含义？为什么它们能反映客户价值？案例中为什么要对RFM模型进行改进，加入P和I两个维度？数据探索阶段的可视化分析主要从哪些角度展开？各自发现了什么特征？肘方法是如何确定最佳聚类数的？其原理是什么？客户分群完成后，如何利用雷达图和箱线图对不同客户群体的特征进行对比分析？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。在相关性分析中，属性构造的依据是什么？案例中是如何利用相关性热力图来指导属性构造的？K-Means聚类结果中，雷达图如何帮助我们区分高价值客户和低价值客户群体？如果要在本案例的基础上进一步优化客户价值分析模型，可以从哪些方面入手？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。除了K-Means聚类，还有哪些聚类算法可以应用于客户分群？它们各自有什么优缺点？在实际商超业务中，客户价值分析的结果如何落地为具体的营销策略？请结合案例中的4类客户群体提出建议。请调研另一个行业的客户价值分析案例，比较其与本案例在指标选取和建模方法上的异同。主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与预处理的方法。指标选取与模型构建的方法。客户分群与结果分析的方法。重点数据探索与预处理的方法。指标选取与模型构建的方法。客户分群与结果分析的方法。难点指标选取与模型构建的方法。客户分群与结果分析的方法。教学过程设计理论教学过程背景与目标。数据探索与预处理。分析与建模。结果分析。实验教学过程使用K-Means算法实现运营商客户价值分析。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第7章餐饮企业菜品关联分析教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：7学时（理论3学时，实验4学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以餐饮企业菜品关联分析为案例，讲解数据挖掘在餐饮行业的完整应用流程。涵盖案例背景与目标分析、数据探索、数据预处理、Apriori模型构建与训练、模型评价。使学生掌握从业务问题出发，通过数据探索、预处理、关联规则建模到综合评分与套餐制订的全流程实战能力。基本要求了解案例的背景、数据说明与目标。掌握每日用餐人数、营业额和菜品热销度的分析方法。掌握数据清洗与属性构造的方法。掌握构建与训练Apriori模型的方法。掌握综合评分与模型评价的方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。关联规则分析中的支持度和置信度分别衡量了什么？它们之间有什么关系？在构建Apriori模型之前，为什么需要将订单数据转换为购物篮数据和二元矩阵？每日用餐人数和营业额呈现出什么规律？这种规律对餐饮企业有什么启示？案例中为什么要删除白饭的记录？在数据清洗中还有哪些操作？综合评分公式中为什么引入多个指标？单靠支持度或置信度评价有什么不足？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。Apriori算法在处理大规模数据时存在哪些性能瓶颈？FP-Growth算法是如何改进的？综合评分中各项权重的设置对最终的套餐推荐结果有什么影响？如何确定合理的权重？除了套餐搭配，关联规则分析在餐饮企业还有哪些应用场景？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在电商领域，关联规则分析有哪些典型的应用？与餐饮企业相比，在数据处理和业务目标上有何不同？除了Apriori算法，还有哪些关联规则挖掘算法？请调研Eclat算法的原理并与Apriori进行比较。请找一个你感兴趣的零售数据集，尝试使用关联规则分析方法发现有趣的商品搭配。主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与分析的方法。数据预处理的方法。Apriori模型的构建与训练方法。综合评分与模型评价的方法。重点数据探索与分析的方法。Apriori模型的构建与训练方法。综合评分与模型评价的方法。难点Apriori模型的构建与训练方法。综合评分与模型评价的方法。教学过程设计理论教学过程背景与目标。数据探索。数据预处理。分析与建模。模型评价。实验教学过程西饼屋订单关联分析。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第8章金融服务机构资金流量预测教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：7学时（理论3学时，实验4学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以金融服务机构资金流量预测为案例，讲解时间序列ARIMA模型在金融业务中的完整应用流程。涵盖案例背景与目标分析、数据探索与预处理、ARIMA模型定阶与检验、模型评价与预测结果对比。使学生掌握非平稳序列的处理、ARIMA建模及模型评估的全流程实战能力。基本要求了解案例的背景、数据说明与目标。熟悉金融服务机构资金流量预测的流程与步骤。掌握数据平稳性的检验和处理方法。掌握用ARIMA模型对资金流量进行预测的方法。掌握ARIMA模型的检验与评价方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。时间序列分析中，为什么要先进行平稳性检验？非平稳序列直接建模会有什么问题？案例中为什么需要截取平稳部分的数据？截取的依据是什么？周期性差分的作用是什么？案例中为什么以7天为周期进行差分？ARIMA模型的三个参数p、d、q分别代表什么含义？如何确定它们的值？模型评价中，除了对比真实值与预测值，还有哪些评价ARIMA模型效果的方法？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。BIC准则和AIC准则在模型定阶中有什么区别？为什么本案例选择BIC准则？ARIMA模型的残差检验为什么重要？残差序列是白噪声说明什么？如果资金流量数据存在明显的节日效应，ARIMA模型应如何调整？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在实际金融业务中，除了资金流量预测，时间序列模型还有哪些应用场景？SARIMA模型与ARIMA模型有什么区别？在什么情况下应该使用SARIMA模型？请调研一个使用时间序列模型进行金融预测的实际案例，并分析其建模流程。主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与预处理的方法。ARIMA模型的构建与检验方法。模型评价与结果分析的方法。重点数据探索与预处理的方法。ARIMA模型的构建与检验方法。模型评价与结果分析的方法。难点ARIMA模型的构建与检验方法。模型评价与结果分析的方法。教学过程设计理论教学过程背景与目标。数据探索与预处理。分析与建模。模型评价。实验教学过程构建ARIMA模型预测资金赎回量。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工业出版社，2015．张良均，等．Python与数据挖掘[M]．北京：机械工业出版社，2016．第9章O2O优惠券使用预测教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时（理论3学时，实验5学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以O2O优惠券使用预测为案例，讲解分类算法在精准营销中的完整应用流程。涵盖案例背景与目标分析、描述性统计与多维度探索性分析、数据清洗与指标构造、决策树、梯度提升和XGBoost分类模型的构建与评价。使学生掌握从业务问题出发，通过数据探索、特征工程到多模型对比与评价的全流程实战能力。基本要求了解案例的背景、数据说明与目标。掌握描述性统计分析与优惠形式信息的分析方法。掌握数据清洗与数据变换的方法。掌握构建决策树、梯度提升和XGBoost分类模型的方法。掌握准确率、精确率、AUC值和ROC曲线的模型评价方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。O2O优惠券使用预测为什么被定义为一个分类问题？分类标签是如何划分的？数据探索阶段从哪几个维度展开分析？各自发现了哪些有价值的规律？数据变换中为什么要构造用户、商户、优惠券和交互关系四个维度的指标？决策树、梯度提升和XGBoost三种分类算法各自有什么特点和适用场景？模型评价中，准确率、精确率、AUC值和ROC曲线分别侧重衡量什么？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。XGBoost算法相比传统的梯度提升算法有哪些改进？为什么在很多竞赛中表现优异？案例中构造的特征多达20余个，如何判断哪些特征对模型预测更重要？可以采用什么方法进行特征选择？如果要将本案例的模型部署到实际的O2O平台中，还需要考虑哪些工程化和业务方面的因素？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在实际的优惠券投放业务中，除了预测用户是否会使用优惠券，还可以从哪些角度优化优惠券策略？请调研一个使用机器学习进行精准营销的实际案例，分析其建模流程和业务效果。深度学习模型在用户行为预测中有哪些应用？与传统机器学习模型相比有什么优势和挑战？主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与可视化分析的方法。数据预处理与指标构造的方法。分类模型的构建与训练方法。模型评价的方法。重点数据预处理与指标构造的方法。分类模型的构建与训练方法。模型评价的方法。难点数据预处理与指标构造的方法。分类模型的构建与训练方法。教学过程设计理论教学过程背景与目标。数据探索。数据预处理。分析与建模。模型评价。实验教学过程运营商客户流失预测。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林．Python数据分析与挖掘实战[M]．北京：机械工