Python数据分析与可视化-教学大纲[6页].pdfVIP

《Python数据分析与可视化》课程教学大纲

课程代码：

课程名称：Python数据分析与可视化

开课学期：

学分/学时：3/48

课程类型：必修

适用专业/开课对象：

先修课程：

开课单位：

团队负责人：责任教授：

执笔人：核准院长：

一、课程的性质、目的与任务

《Python数据分析与可视化》是软件工程专业中的一门数据分析入门课程，

该课程介绍了Python语言在数据分析方面的应用，按照数据分析的步骤，从数据

预处理、分析、可视化等方面介绍了数据分析的方式，并通过六个完整的数据分

析实例进行相关知识的学习。主要内容包括Python基础知识介绍、数据预处理、

数据分析基础工具NumPy、处理结构化数据工具Pandas、数据分析与知识发现、

scikit-learn实现数据分析、Matplotlib交互式图表绘制以及六个完整实例。

本课程的目的与任务是使学生通过本课程的学习，从数据分析的基础理论知

识入手，按照数据分析的基本流程循序渐进的学习数据分析知识，并使用Python

编程进行实战操作。实验部分通过完整数据分析实例的学习，帮助学生更好的掌

握数据分析技能，做到理论与实践相结合，方法与应用相结合。本课程除要求学

生掌握数据分析的基础知识和相关Python库使用，更重要的是要求学生掌握理论

与实践结合的学习方式，为更深入地学习打下良好的基础。

二、教学内容及教学基本要求

1.数据分析概述与基本概念（4学时）

了解数据分析的定义和历史背景；了解数据分析的目的和任务；了解数据分

析与数据挖掘的关系；了解机器学习与数据分析的关系；了解数据分析的基本步

骤，即数据收集、数据预处理、数据分析与知识发现和数据后处理，以及每个基

本步骤的概念与内容；了解Python在数据分析领域所具有的优点。

2.Python基础知识（4学时）

了解Python的发展史；了解Python及Pandas、scikit-learn、Matplotlib的安装；

掌握Python的基础知识及Python的一些特性，包括缩进在Python的重要性、Python

包的使用方法、注释的使用方法、Python语法知识；了解Pandas、scikit-learn、

Matplotlib等重要Python库；了解Jupyter交互式数据科学与科学计算开发环境。

3.数据预处理（4学时）

了解数据的集中趋势、离散程度、相关性测量、数据缺失、噪声、离群点等

概念；了解数据质量标准评估的完整性、一致性、准确性和及时性4个要素。了

解数据清洗的概念及方式，包括缺失值的处理、噪声数据的处理、不一致数据的

处理和异常数据的处理；了解数据的特征选择、特征构建和特征提取。

4.NumPy——数据分析基础工具（4学时）

了解NumPy库的作用；掌握多维数组对象ndarray的使用，包括ndarray的创

建、ndarray的索引、切片和迭代、ndarray的shape的操作、ndarray的基础操作等。

5.Pandas——处理结构化数据（4学时）

了解Pandas库的作用和特色功能；了解Pandas中Series和DataFrame两种主要

数据结构；掌握Series对象的创建、访问和操作；掌握DataFrame对象的创建、访

问和操作；掌握基于Pandas的Index对象的访问操作；了解Pandas的相关数学统计

和计算工具；了解Pandas的数学聚合和分组运算。

6.数据分析与知识发现（4学时）

了解分类分析的基本概念；了解逻辑回归、线性判别分析、支持向量机、决

策树、K近邻和朴素贝叶斯的相关知识；了解关联分析的基本概念，包括关联规

则定义、指标定义和关联规则挖掘定义；了解关联分析的Apriori算法、FP-Tree

算法、PrefixSpan算法；了解聚类分析的概念；了解K均值算法和DBSCAN；了

解回归分析的基本概念和常用方法。

7.scikit-learn——实现数据的分析（4学时）

了解SciPy和scikit-learn的作用；掌握scikit-learn的分类方法、回归方法和聚

类方法，分类方法包括Logistic回归、SVM、最近邻分类器、决策树、随机梯度

下降、高