dataframe python 排序取前十_Python数据分析与可视化教与学（教学大纲和教案）

教学进度计划表

(教学日历)

名称	总时数	讲课	实践/实验	上机	习题	课程设计	周学时
计划时数	60	36	24				4

周次	课次	授课内容摘要	时数	目的要求
1	1	一、数据分析与可视化概述 数据分析与可视化的概念、用途；常用工具 二、Python数据分析与可视化常用库、Jupyter NoteBook的基本用法	2	了解数据分析与可视化的主要工具；掌握数据分析与可视化常用库、Jupyter NoteBook的基本用法。
	2	一、Python语法 数据类型；操作符和表达式；字符串；流程控制语句； 二、Python内建数据结构 列表；元组；字典；集合；	2	掌握Python编程基础，重点掌握Python基础语法和内建的数据结构，熟悉列表、元组、字典和集合的用法。
2	3	一、Python函数 函数定义；函数的调用；3.lambda函数的用法； 二、文件操作 文件处理的过程；数据的读取方法；读取CSV文件； 4.文件的写入与关闭	2	掌握函数的定义和调用、Lambda函数的用法及Python文件操作基础。
	4	实验一、Python编程基础	2	掌握Python编程基础语法和函数的用法。
3	5	Numpy数值计算基础一 一、创建数组对象 二、多维数组对象属性和数据转换 三、随机数生成 四、数组变换 五、数组的索引和切片	2	掌握Numpy中的数组对象、数组的索引及切片访问
	6	Numpy数值计算基础二 一、数组的运算 数组和标量间的运算；Ufunc函数、条件逻辑运算 二、数组读写 读写二进制文件、读写文本文件、读取CSV文件 三、Numpy中的数据统计与分析 排序、数据去重，常用统计函数	2	掌握NumPy数组的运算、NumPy数组的读写； 了解NumPy中数据的统计和分析
4	7	实验二：Numpy数值计算实训	2	熟悉掌握Numpy数值计算；熟悉Numpy的数据处理方法。
	8	Pandas统计基础一 一、Pandas中的数据结构 Series；DataFrame；索引对象； 一、二、Pandas索引操作 1)  重建索引；更换索引 二、三、DataFrame的数据查询与编辑 1)   DataFrame的数据查询；DataFrame的数据编辑	2	掌握Pandas中的数据结构；掌握Pandas索引操作；掌握DataFrame的数据查询与编辑。
5	9	Pandas统计分析基础二 一、Pandas中的数据运算 1)  算术运算；函数应用和映射；排序；汇总和统计； 二、数据分组与聚合 2)  数据分组；数据聚合；分组运算； 三、数据透视表 透视表；交叉表 三、三、Pandas数据可视化 1)   线形图；柱状图；直方图；密度图；散点图；	2	掌握Pandas中的数据运算； 掌握Pandas中的数据汇总与聚合；掌握Pandas中的透视表与交叉表；Pandas中的数据可视化。
	10	实验三、Pandas数据分析实训	2	熟悉掌握Pandas的数据结构及其操作；熟悉掌握Pandas的数据分组、数据可视化。
6	11	Pandas数据载入与预处理(一) 一、Pandas中的数据载入 读写文本文件；读写excel文件； 二、数据合并 merge重建索引；concat数据连接；combine_first合并连接；	2	掌握Pandas中数据的读取；掌握Pandas数据合并。
	12	Pandas数据载入与预处理二 一、Pandas中的数据清洗 检测与处理缺失数据；2)检测与处理重复数据；检测与处理异常值； 二、数据标准化 离差标准化；标准差标准化； 三、数据转换 类别型数据的哑变量处理；连续型变量的离散化；	2	掌握Pandas中数据清洗；掌握Pandas数据标准化与转换。
7	13	实验四 Pandas数据预处理	2	熟悉掌握Pandas的数据读取方法；熟悉掌握Pandas的数据清洗方法。
	14	Matplotlib数据可视化基础(一) 一、Matplotlib绘图基础 创建画布与子图；添加画布内容；绘图的保存于显示； 二、设置pyplot的动态rc参数 全局参数设定；rc参数设置；绘图的填充；文本注释	2	掌握Matplotlib绘图的基本方法；掌握设置pyplot的动态rc参数方法。
9	15	Matplotlib数据可视化基础(二) 一、pyplot中的常用绘图 折线图；散点图；直方图；饼图； 箱线图；概率图； 二、词云 词云生成的过程；词云生成示例；	2	掌握Matplotlib中常用绘图的方法；了解Matplotlib中词云的绘制。
	16	实验五、Matplotlib数据可视化综合应用	2	熟悉掌握Matplotlib绘图的基本方法；熟悉掌握Matplotlib中的各种常用绘图。
10	17	Seaborn数据可视化 一、Seaborn简介 Seaborn的安装与导入； 二、Seaborn绘图风格设置 Seaborn绘图设置；Seaborn主题设置；设置绘图元素比例； 三、Seaborn中的常用绘图 直方图和密度曲线图；散点图；箱线图；pairplot图；琴图；多变量图；回归图。	2	掌握Seaborn绘图中的风格设置；掌握Seaborn中的常用绘图方法。
	18	实验六、Seaborn数据可视化综合应用	2	熟悉掌握Seaborn绘图的属性设置；熟悉掌握Seaborn中的各种常用绘图。
11	19	pyecharts数据可视化 一、pyecharts简介 pyecharts的安装与导入；使用方法 二、pyecharts常用图表 柱状图；饼图；漏斗图；散点图；   k线图；仪表盘；词云；组合图表；	2	使用 pyecharts绘制图形
	20	实验七、pyecharts数据可视化综合应用	2	熟悉掌握pyecharts绘图的属性设置；熟悉掌握pyecharts中的各种常用绘图。
12	21	时间序列数据分析 一、日期和时间类型数据 二、时间序列基础 时间序列构造；索引和切片； 三、日期范围、频率和移动； 四、时期 频率转换；时期数据转换； 五、频率转换和重采样 重采样；降采样；升采样	2	掌握时间序列类型数据的类型；掌握时间序列数据分析方法。
	22	实验八、时间序列数据可视化综合应用	2	熟悉掌握时间序列数据类型；熟悉掌握时间序列数据分析方法。
13	23	SciPy科学计算基础 一、SciPy中的常数与特殊函数 二、SciPy中的线性代数运算 基本的矩阵运算；线性方程组求解；特征值分解； 三、SciPy中的优化 方程求解及极值求解；数据拟合； 四、SciPy中的稀疏矩阵求解 稀疏矩阵存储；稀疏矩阵运算； 五、SciPy中的图像处理 图像平滑；图像旋转和锐化；	2	掌握线性代数运算；掌握方程求解；掌握稀疏矩阵求解；SciPy图像处理
	24	实验九：SciPy科学计算综合应用	2	熟悉掌握线性代数运算；熟悉掌握SciPy中的优化方法；熟悉掌握SciPy中的稀疏矩阵处理；了解SciPy中的图像处理
14	25	统计与机器学习(一) 一、Scikit-learn中的主要功能 二、主要分类方法    1)决策树规约    2)KNN算法    3)支持向量机    4)朴素贝叶斯分类	2	1)熟悉Scikit-learn中的主要功能 2)掌握常用的分类方法
	26	统计与机器学习(二) 一、主要聚类方法 K-Means聚类；层次聚类；基于密度的聚类 二、主成分分析	2	熟悉Scikit-learn中的主要聚类方法；掌握主成分分析方法。
15	27	实验十：Scikit-learn典型算法及其综合应用	2	熟悉Scikit-learn的分类算法思想；熟悉Scikit-learn的聚类算法思想；熟悉Scikit-learn的典型算法及应用。
	28	图像数据分析 一、OpenCV简介与导入 OpenCV简介；OpenCV导入； 二、cv2图像处理基础 cv2的基本方法与属性；cv2图像处理示例； 三、图像的特征点提取 SIFT特征点提取；SURF特征点提取；图像去噪；	2	熟悉Python-OpenCV中的主要功能；掌握Python-OpenCV图像处理基础；了解图像SIFT和SURF特征点提取。
16	29	实验十一：Python-OpenCV图像处理综合应用	2	熟悉Python-OpenCV的安装与导入；熟悉Python-OpenCV图像处理基本方法；Python-OpenCV图像特征点提取方法
	30	实验十二：数据分析与可视化综合实训	2	熟悉数据分析与可视化基本过程；熟悉数据分析与可视化的典型应用。

课程使用教材

扫码，优惠购书

凡是在京东购书的用户，可以将订单信息和评价发到itbook8@163.com，将会获取超值大礼包(包括案例源码，超多的视频教程，数据集等资源)

本书配套视频样例

《Python数据分析与可视化》课程教案(首页)

学院：计算机系/学院

课程/项目名称	数据分析与可视化	课程			总学时：60学时 理论：36学时    实验：24学时
		学分		3
课程	课程类别：专业必修  ■专业必修 □ 公共必修  □公共选修
授课教师	***	授课专业	大数据技术与应用
授课班级
教学 目的和要求	通过本课程的学习，让学生接触并了解数据分析与可视化的基本使用方法，使学生具有Python数据分析、设计和可视化开发的能力，并具有较强的分析问题和解决问题的能力，为将来从事数据科学相关领域的工作打下坚实的基础。
教学 重点、难点	教学重点： 掌握数据分析与可视化的基本原理与方法； 熟悉Python语言，能够熟练使用Python扩展库； 掌握Numpy库的使用； 掌握Pandas的数据分析方法、数据预处理方法； 掌握Matplotlib的绘图方法； 掌握Seaborn的绘图方法； 掌握  pyecharts中绘图的基本用法； 掌握Scipy科学计算的基本用法； 掌握Scikit-learn中典型的分类与聚类算法的基本用法； 掌握利用Open-cv进行图像数据处理的基本用法； 教学难点： 掌握数据分析与可视化的基本过程和处理步骤； 掌握Matplotlib的绘图方法； 熟练掌握Pandas数据分析的方法； 掌握Scikit-learn中数据分类聚类的基本方法。
教学 资源	多媒体课件 习题答案
	其他教学资源： 《Python数据分析与可视化》魏伟一等主编，清华大学出版社
教学 环境	多媒体教学，课堂教学与学生上机实践相结合 案例实现

《Python数据分析与可视化》课程教案

                                         第 1 次课  2 学时

授课内容	数据分析与可视化概述
教学目的 与要求	通过本课的学习，学生应该掌握如下知识： 1)  数据分析的含义 2)   数据可视化的用途 3)   数据分析与可视化的常用工具 4)   Python数据分析与可视化的常用库 5)   Jupyter Notebook的环境及基本的用法
重点 难点	1)数据分析与可视化的内容
教学进程 安排	教学导入： 介绍介绍数据分析与可视化的重要性，举例说明数据分析与可视化的案例，逐步引入到课程的介绍内容中来。 授课内容： 一、《Python数据分析与可视化》课程介绍 介绍本门课程的学科地位、考核方式、学习内容安排、可以参考的学习资料。 二、讲授数据分析与可视化的定义、原理与发展 1)讲授数据分析的含义和内容 2)讲授数据分析与可视化的常用工具 3)讲授Python进行数据分析与可视化的优势 4)讲授Python中数据分析与可视化的扩展库 5)演示Jupyter  Notebook的基本用法
课后学习 任务布置	安装Anaconda集成环境，