大学Python程序设计《数据分析与可视化》教学课件

大学课件大学Python数据分析与可视化教学课件数据认知·工具筑基·分析实战·可视化表达年份2026年课程导览01数据时代与课程定位行业背景与课程整体框架02NumPy数值计算基础多维数组与向量化运算03Pandas数据处理实战读取清洗与分组聚合04Matplotlib可视化表达主流图表与样式定制05综合案例与教学评价全流程贯通与考核要求第一章数据时代与课程定位数据是新时代的石油从行业需求到课程框架，明确学习方向01数据时代呼唤高效分析工具数据已成为企业和社会的重要资产，贯穿本科课程设计与毕业论文全过程数据爆炸，传统方法力不从心40%IDC预测全球数据量年增长约40%160ZB2025年总量达160ZBPython成为数据分析首选工具开源、跨平台、语法简洁、社区活跃应用覆盖金融、医疗、互联网、物流、能源等行业典型场景：股票市场分析、风险控制、量化投资金融医疗互联网物流能源课程定位与知识结构课程性质：数据科学与大数据相关专业必修课，先修课程为数据结构、程序设计；典型学时：理论28学时+实验36学时，可根据教学要求调整Python基础基础知识梳理知识梳理基础知识及知识间关系快速把握用分类与关系图表快速把握知识点数据分析三大方向文本数据分析聚焦文本数据分析数字数据分析聚焦数字数据分析Pandas数据分析聚焦Pandas数据分析数据可视化可视化主流工具以Seaborn、Matplotlib等为主方法与技巧快捷掌握可视化方法与技巧教学目标与学习要求分层阐述能力目标、素养目标与学习建议，明确课程产出预期能力目标3项熟练运用内置类型、内置函数、运算符与程序控制结构掌握数据采集、处理、分析与可视化全流程技术能根据任务快速制定方案，选择最佳数据集并确定分析方法素养目标2项保持严谨学术态度与怀疑精神，多源数据相互验证追求精益求精的工匠精神，做到一图胜千言学习建议3项掌握纯正的Python风格代码，避免其他语言的惯性思维以严谨学术态度审视数据来源用可视化让结论一图胜千言第二章NumPy数值计算基础向量化运算，快人百倍掌握多维数组，夯实数据分析地基02NumPy为何是科学计算基石NumPy是Pandas、Matplotlib、Scikit-learn、TensorFlow的共同基础向量化运算带来数量级性能提升：百万级数据求平方求和，Python列表耗时ndarray结构与数组创建ndarray是NumPy核心数据结构，支持0维标量、1维向量、2维矩阵及更高维张量两大特性同质性元素类型一致，可由dtype指定高效性连续内存块，支持向量化运算常用创建方法方法作用np.array从列表创建数组np.zeros/np.ones全0/全1数组np.full填充指定值np.eye单位矩阵np.arange等差数列np.linspace均分区间np.random随机数数组索引切片与布尔筛选布尔索引高频场景：data[data>0]

筛选所有正数视图警示：数组切片返回视图，修改会影响原数据，与列表行为不同布尔索引——数据分析最高频的取值手段切基础切片规则规则同列表，左闭右开步长负步长可实现顺序反转位二维定位mat[0,2]定位单个元素mat[:,1]提取整列花花式索引取值按整数数组取值示例arr[[3,5,7]]向量化运算与广播机制向量化运算让数组计算无需编写循环，性能远超Python原生循环逐元素运算数组间加减乘除按对应位置逐元素计算标量与数组可直接运算广播机制不同形状的数组也能参与运算实现高效向量化形状操作reshape重塑ravel与flatten展平转置、拼接与拆分统计函数sum、mean、std等聚合计算无需编写循环视图与副本理解内存布局性能优化的关键通用函数与线性代数应用通用函数一元与二元逐元素运算替代显式循环替代循环线性代数矩阵乘法、逆矩阵、行列式特征值与特征向量解线性方程组建模基石随机数生成均匀分布、正态分布随机整数用于模拟与实验模拟实验第三章Pandas数据处理实战让数据清洗变得优雅从读取到聚合，打通数据处理全链路03两大核心数据结构两者关系：DataFrame由多个Series按列拼成通用创建方式：同一份数据可分别构造Series或DataFrameSeries

是一维带标签数组，DataFrame

是二维表格结构Series—一维带标签数组核心特征一维带标签数组，支持索引自动对齐运算类比带索引的列表创建方式由列表或标量构造DataFrame—二维表格结构核心特征含行索引与列名，二维表格结构类比Excel表格或SQL表创建方式由字典或二维数据构造数据读取与快速查看快速查看方法方法作用df.head/df.tail查看前n行或后n行列名、类型、非空值数量df.describe数值列统计摘要df.shape数据的维度信息读取函数组read_csvread_excelread_jsonread_sqlread_parquet常用参数header：指定表头行index_col：指定索引列读取场景CSV文本数据Excel表格JSON接口SQL数据库Parquet列存数据清洗核心操作数据清洗是数据分析前

最关键

的环节，直接影响分析质量缺失值处理isna

检测缺失dropna

删除缺失行fillna

填充：固定值或前向填充

ffill重复值处理duplicated

标记重复行drop_duplicates

删除重复记录类型转换astype

强制转换to_datetime

转为日期类型数据标准化最小-最大标准化零-均值标准化：消除量纲影响数据离散化等宽法等频法聚类分析法独热编码解决类别型数据在模型中的距离计算问题索引选择与条件筛选列选择df['A']

返回

Seriesdf[['A','B']]

返回

DataFrame行选择df.loc[行标签]按标签取值df.iloc[位置]按整数位置取值布尔筛选单条件df[df['A']>5]多条件用

&

连接query方法df.query('A>5andB<10')

表达式更简洁排序操作sort_values

按列值排序sort_index

按索引排序分组聚合与数据合并分组统计与多表合并是数据处理的两大高频操作“掌握分组与合并，即可衔接综合实战案例”分组聚合—分类统计利器groupby

分组运算，配合聚合函数完成分类统计pivot_table

数据透视表与交叉表，支持多维度汇总分析数据合并—多表关联方案pd.concat

纵向拼接

axis=0，横向拼接

axis=1pd.merge

按主键合并，适用于关联多表数据学生成绩分析按学生与科目分组统计成绩销售数据分析多表合并关联销售记录电商用户行为分析用户行为多维透视汇总第四章Matplotlib可视化表达一图胜千言用图表讲清数据背后的故事04分层架构与绘图流程83%的Python开发者选择Matplotlib居科学计算可视化工具首位分层对象模型标准绘图流程画布参数figsize

设置画布尺寸dpi

设置分辨率01Figure画布02Axes坐标系03Axis坐标轴04Artist元素基类第1步导入库导入库第2步准备数据准备数据第3步创建图表创建图表第4步添加数据添加数据第5步定制外观定制外观第6步显示或保存显示或保存常用图表类型一览选对图表类型是可视化表达的第一步图表类型函数典型用途折线图plot趋势变化柱状图bar类别对比散点图scatter变量相关性饼图pie占比构成直方图hist分布特征箱线图boxplot离群值分析子图subplot多图组合中文显示与样式控制中文乱码与负号显示，两行设置即可解决中文乱码解决font.sans-serif

设为

SimHei，中文标签不再显示方块font.sans-serifSimHei负号显示axes.unicode_minus

设为

False，负号正常渲染axes.unicode_minusFalse预设样式切换·plt.style.use()样式名称网格线适用场景classic无基础教学ggplot有统计图表seaborn浅灰网格学术论文dark_background白色网格演示文稿子图、标注与输出多子图fig.add_subplot(121)

实现一行多列布局便于对比展示多个图表多列布局标注annotate

配合

arrowprops

添加箭头注释突出局部极值点箭头注释图例与网格legend

设置位置grid

增强图表可读性可读性第五章综合案例与教学评价从知识到能力的跃迁贯通全流程，明确学习目标与评价标准05全流程综合案例1数据读取读取CSV与Excel等多源数据→2数据清洗处理缺失值、重复值与异常值→3数据合并关联订单信息数据与商品信息数据4统计分析用户性别年龄构成、订单数量变化情况→5可视化呈现年龄段、用户地区与商品偏好分析培养目标：具备网络数据获取、预处理、分析及可视化的完整能力电商销售数据可视化分析教学时数与考核评价64学时总学时4.0学分学分28学时理论学时36学时实验学时教学模块与参考学时教学模块参考学时数据可视化简介2Python编程基础4NumPy数值计算4Pandas统计分析4Matplotlib基础450%平时成绩考勤、随堂作业、课堂测试、课后作业、项目实验50%期末成绩期末考核素养目标与思政要求合法合规·严谨求实·勇于质疑·精益求精·开拓创新法律伦理