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, |