Python数据分析与可视化教学大纲8.docx

《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,课程地性质,目地与任务 《Python数据分析与可视化》是软件工程专业中地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地应用,按照数据分析地步骤,从数据预处理,分析,可视化等方面介绍了数据分析地方式,并通过六个完整地数据分析实例进行相关知识地学习。主要内容包含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交互式图表绘制以与六个完整实例。 本课程地目地与任务是使学生通过本课程地学习,从数据分析地基础理论知识入手,按照数据分析地基本流程循序渐进地学习数据分析知识,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地学习,帮助学生更好地掌握数据分析技能,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地基础知识与相关Python库使用,更重要地是要求学生掌握理论与实践结合地学习方式,为更深入地学习打下良好地基础。 二,教学内容与教学基本要求 1. 数据分析概述与基本概念（4学时） 了解数据分析地定义与历史背景;了解数据分析地目地与任务;了解数据分析与数据挖掘地关系;了解机器学习与数据分析地关系;了解数据分析地基本步骤,即数据收集,数据预处理,数据分析与知识发现与数据后处理,以与每个基本步骤地概念与内容;了解Python在数据分析领域所具有地优点。 2. Python基础知识（4学时） 了解Python地发展史;了解Python与Pandas,scikit-learn,Matplotlib地安装;掌握Python地基础知识与Python地一些特性,包含缩进在Python地重要性,Python包地使用方法,注释地使用方法,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） 了解数据地集中趋势,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地完整性,一致性,准确性与与时性4个要素。了解数据清洗地概念与方式,包含缺失值地处理,噪声数据地处理,不一致数据地处理与异常数据地处理;了解数据地特征选择,特征构建与特征提取。 4. NumPy——数据分析基础工具（4学时） 了解NumPy库地作用;掌握多维数组对象ndarray地使用,包含ndarray地创建,ndarray地索引,切片与迭代,ndarray地shape地操作,ndarray地基础操作等。 5. Pandas——处理结构化数据（4学时） 了解Pandas库地作用与特色功能;了解Pandas中Series与DataFrame两种主要数据结构;掌握Series对象地创建,访问与操作;掌握DataFrame对象地创建,访问与操作;掌握基于Pandas地Index对象地访问操作;了解Pandas地相关数学统计与计算工具;了解Pandas地数学聚合与分组运算。 6. 数据分析与知识发现（4学时） 了解分类分析地基本概念;了解逻辑回归,线性判别分析,支持向量机,决策树,K近邻与朴素贝叶斯地相关知识;了解关联分析地基本概念,包含关联规则定义,指标定义与关联规则挖掘定义;了解关联分析地Apriori算法,FP-Tree算法,PrefixSpan算法;了解聚类分析地概念;了解K均值算法与DBSCAN;了解回归分析地基本概念与常用方法。 7. scikit-learn——实现数据地分析（4学时） 了解SciPy与scikit-learn地作用;掌握scikit-learn地分类方法,回归方法与聚类方法,分类方法包含Logistic回归,SVM,最近邻分类器,决策树,随机梯度下降,高斯过程分类,神经网络分类与朴素贝叶斯,回归方法包含最小二乘法,岭回归,Lasso,贝叶斯岭回归,决策树回归,高斯过程回归与最近邻回归,聚类方法包含K-means,Affinity propagation,Mean-shift,Spectral clustering,Hierarchical clustering,DBSCAN与Birch。 8. Matplotlib——交互式图表绘制（4学时） 了解Matplotlib地作用;掌握Matplotlib中地基本布局对象地建立;掌握修改图表样式,修改装饰项与添加注释地方法