高中信息技术选择性必修三“数据管理与分析”4.2.3分组分析教学设计

高中信息技术选择性必修三“数据管理与分析”4.2.3分组分析教学设计一、教学背景分析本课选自浙教版高中信息技术选择性必修三《数据管理与分析》第四章“数据分析”第二节“数据处理”中的第三课时“分组分析”。分组分析是pandas数据处理体系中承上启下的核心内容，学生在前面已经学习了数据的读取、筛选、排序、统计特征计算等技能，但这些操作大多作用于数据集的“整体”。现实问题中，决策者往往需要按类别拆分数据、逐类统计、比较差异，这正是分组分析（groupby）方法的价值所在。从课程结构看，本节知识既是对“数据分析一般过程”的深化，也为后续学习数据可视化综合应用和项目化数据分析奠定基础。授课对象为高二年级选修本模块的学生。经过必修课程和本模块前期的学习，学生已经能够编写基本的Python程序，能调用pandas读取csv文件并完成简单的DataFrame操作。但学情调研显示，学生的困难集中在三点：一是难以理解“分组—应用—合并”这一抽象的内部机制，容易把groupby对象当作普通数据表直接操作而报错；二是对聚合、过滤、转换三种应用场景的边界认识模糊；三是面对真实问题时缺乏“先分组再统计”的问题拆解意识，习惯于写循环逐一处理，代码冗长且效率低下。基于以上分析，本课确立的核心目标是让学生理解分组分析的思想，掌握groupby的基本语法与常用聚合方法，并能针对真实情境提出合理的分组维度和分析结论。二、教学目标1.信息意识。学生能够认识到面对异质性数据时需要“分类而治”，能从真实问题中识别分组分析的适用场景，感受数据背后隐藏的结构特征。2.计算思维。学生理解“拆分—应用—合并”的分组分析模式，能将“比较各班平均成绩”之类的问题分解为“按班级分组、按分组聚合、比较聚合结果”的操作序列，选择恰当的分组键和聚合函数解决问题。3.数字化学习与创新。学生能熟练编写groupby代码，完成单键分组、多键分组、聚合、过滤与转换操作，并能通过查阅官方文档自主拓展学习。4.信息社会责任。学生在分析涉及学生的数据时树立数据伦理意识，明白分组比较的目的是诊断与改进，而非贴标签，能审慎地解读分析结论，避免归因武断。三、教学重点与难点教学重点：分组分析的“拆分—应用—合并”机制；groupby语法及mean、sum、count、max等聚合方法的使用。教学难点：根据实际问题选择合适的分组键；理解分组对象的本质及其与DataFrame的区别；聚合、过滤、转换三类操作的选择与运用。四、教学准备硬件环境为机房局域网，软件环境为Python3.10以上版本，安装pandas、jupyternotebook。课前准备三个数据集：本校某次练习脱敏后的成绩数据（千字以内规模，字段含班级、学科、得分、学号）、某电商平台商品销售数据、中央气象台公开的城市气温数据。同时准备分组分析机制动画演示课件、课堂任务单和学生在线评测平台账号。五、教学过程（一）情境导入：从“全校均分”到“各班均分”（约6分钟）教师在大屏展示本学期信息技术学科期末质量分析会的真实片段：教导处只给出了全年级平均分，但十位任课教师追问“班与班之间的差距有多大”“本班的薄弱板块在哪里”。教师把问题抛给学生：“如果只有你手上的这份成绩表，你能帮教务处回答这个问题吗？”学生在已有的经验下尝试用筛选的方式处理：筛选出一班的数据算均分，再筛选二班的数据算均分。教师顺势追问全年级有八个班，是否要写八段几乎相同的代码？学生在尝试中发现代码重复、繁琐、易错。此时教师揭示：pandas提供了一个统一的思维方式，把这些重复劳动交给程序自动完成，这就是今天要学习的分组分析。这里以真实校务情境切入，让学生带着“省下来八遍重复”的获得感进入新知。（二）新知建构：理解“拆分—应用—合并”（约12分钟）教师在交互式环境中现场演示。读入成绩数据后，执行一行代码df.groupby('class')，并让学生观察输出的对象类型。学生发现得到的不是数据表，而是一个DataFrameGroupBy对象。教师借此讲明：分组不是立即得到结果，而是先生成一个“待加工的半成品”，必须再指定“加工方式”才能得到数据。随后教师借助动画演示分组分析的三步机制。第一步“拆分”，8888行数据按class字段被切成八块，同班的数据归为一组；第二步“应用”，在每一块上分别执行mean函数；第三步“合并”，八块结果按班级标签拼接成一张新表。教师板书这个模型，并强调“拆分靠键，应用靠函数，合并自动完成”，这是理解所有分组代码的总钥匙。在这一模型支撑下，教师逐层展开语法。第一，单键分组聚合：df.groupby('班级')['信息技术'].mean()，得到各班信息技术科的平均分；第二，多列聚合：使用agg方法同时求平均分、最高分和人数；第三，多键分组：df.groupby(['班级','性别'])['信息技术'].mean()，得到按班级和性别交叉的细分统计。每一层演示后教师安排学生“一分钟盲写”，凭记忆独立敲出同款代码，同桌互查后教师讲解常见错误，例如忘记用中括号选取聚合列、分组键列名拼写错误等。此处设计的关键在于先建模型再写代码，避免学生死记硬背语法，保证理解大于模仿。（三）任务驱动的实践探究（约18分钟）教师发放任务单，分三个层次推进，全部在jupyter环境中完成并实时提交到评测平台。任务一为“基础关”：利用成绩数据集，求出各班各科的平均分，找出哪个班的数学平均分最高，哪个班的英语标准差最大（提示进一步思考标准差反映的是什么）。本任务意在巩固单键分组与聚合函数，学生大多能在五分钟内完成。教师巡视时重点观察是否有人依然用循环逐班处理，发现后引导其对比两种写法的代码行数与可读性。任务二为“进阶关”：转向电商销售数据，回答三个问题——每个商品类别的总销售额是多少；每个类别中销量最高的商品是哪一个；统计每个类别中单价超过100元的高价商品数量。第二个问题自然引出agg配合自定义函数的需求，第三个问题让学生体会“先筛选还是先分组”的顺序差异。教师在全班讨论环节抛出争议点：“对单价超过100元的商品计数，应该写多少个条件？条件放在分组前还是分组后？”学生两种结果对比后自然明白：分组前过滤，是只看高价商品内部的情况；分组后过滤，是先算全貌再挑类别。这一辨析直指逻辑严谨性这个难点的核心。任务三为“挑战关”：完成常见的“组内标准化”需求——计算每位学生的信息技术成绩在其班级内的排名，或求其成绩超出本班均分的差值。教师铺垫：有时我们不需要每个班只留下一个统计数字，而是想让每一行数据带回它所在组的特征，这就是filter与transform的用武之地。教师示范transform方法：df.groupby('班级')['信息技术'].transform('mean')，得到的不是八行结果，而是与原始数据等长的一列“班均分”，可以赋值回原数据，进而做差计算出“班内相对表现”。学生在此任务中体会到聚合、转换、过滤的分工：聚合压缩行数，转换保持行数，过滤按组取舍。三个任务完成后，教师请两位学生在投屏上讲解自己的代码，重点说明“我选什么作分组键、为什么这样选、结果如何解读”，把课堂话语权交还给学生。（四）深化辨析：从“会写”到“会想”（约6分钟）教师设计三个思辨性问题组织全班讨论。第一个问题：“按学号分组有意义吗？”学生很快发现学号唯一，每组只有一行，分组毫无意义，由此理解分组键应当是有“类别属性”的字段。第二个问题：“分组统计得到‘某班均分最低’，能否直接得出该班教学有问题的结论？”教师引导学生讨论样本量、试题难度、生源差异、异常值等混杂因素，指出分组比较的结论是线索而非定论，分析者要警惕简单化归因。第三个问题：“如果数据量达到一百万行，分组分析的计算代价如何？”教师简要提及分组键的哈希机制与向量化运算的效率优势，说明循环逐组的写法在大数据下不可行，让学生体会算法思想的实际分量。这一环节超越技能训练，回应了学科核心素养中数据伦理和批判性思维的要求。（五）课堂小结与评价（约3分钟）教师与学生共同用一张思维导图收束本课：分组分析的本质是“拆分—应用—合并”，操作入口是groupby，三类加工方式分别是agg聚合、transform转换、filter过滤，成败的关键是选对分组键、想清分析目的。随后学生完成在线评测平台上的三道自测题，平台即时统计正确率，教师据此点评共性问题。最后布置分层作业：全体学生用公开城市气温数据完成“分季节统计各城市平均气温”的练习；学有余力的学生尝试结合前期学过的matplotlib，把分组统计结果绘制成柱状图，为下节课的“数据分析综合项目”预热。六、板书设计主板书呈现分组分析的思维模型：拆分（按分组键）→应用（聚合/转换/过滤）→合并（自动生成结果表）。副板书书写三条核心代码骨架：df.groupby(键)[列].聚合函数()；df.groupby(键)[列].transform(函数)；df.groupby(键).filter(函数)，并标注“聚合压缩行、转换保行、过滤选组”的口诀。七、教学评价设计本课采用“过程性评价＋结果性评价”相结合的方式。过程性评价依托评测平台记录学生三个任务的提交时间、通过率和代码质量，教师据此判断学生的掌握节奏；结果性评价以课后分层作业的完成质量为依据。评价标准不止看“代码对不对”，还看“分组键选得是否合理”“结论表述是否严谨”，引导学生