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[email protected]，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，熟悉Jupyter Notebook的基本用法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 2 次课 2 学时
授课内容 |
Python编程基本语法、内建数据结构 |
教学目的 与要求 |
介绍大Python基础语法及内建数据结构。 通过本课的学习，学生应该掌握如下知识： 1)Python基础语法； 2)内建的数据结构列表、元组、字典和集合的用法 |
重点 难点 |
Python内建数据结构 |
教学进程 安排 |
授课内容： 一、Python语法 1)数据类型 2)操作符和表达式 3)字符串 4)流程控制语句 二、Python内建数据结构 1)列表 2)元组 3)字典 4)集合 |
课后学习 任务布置 |
掌握Python基本语法，内建数据结构 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 3 次课 2 学时
授课内容 |
Python函数及文件操作 |
教学目的 与要求 |
介绍Python函数的用法和文件操作。 通过本课的学习，学生应该掌握如下知识： 1) 函数的定义和调用 2)Lambda函数的用法 3)Python文件操作基础 |
重点 难点 |
1)函数的定义和调用、lambda函数的用法 |
教学进程 安排 |
授课内容： 一、函数 1)函数定义 2)函数的调用 3)lambda函数的用法 二、文件操作 1)文件处理的过程 2)数据的读取方法 3)读取CSV文件 4)文件的写入与关闭 |
课后学习 任务布置 |
掌握函数与文件操作，进行例题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 4 次课 2 学时
授课内容 |
上机实验(一) |
教学目的 与要求 |
Python编程基础实践 通过本课的学习，学生应该掌握如下知识： 1)熟悉Jupyter Notebook环境 2)Python编程基础 |
重点 难点 |
1)掌握Python编程基础语法 2)函数的用法 |
教学进程 安排 |
实验内容 1)熟悉Python基本语法 2)内建数据结构的用法 3)函数的用法 4)课本习题练习 |
课后学习 任务布置 |
熟悉Python编程基础 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第5次课 2 学时
授课内容 |
Numpy数值计算基础(一) |
教学目的 与要求 |
介绍Numpy中的数组对象、数组的切片访问： 1)掌握Numpy数组的创建 2)掌握随机数生成方法 3)掌握数组变换 4)掌握数组的切片和索引方法 |
重点 难点 |
1)数组的索引 2)数组的切片访问 |
教学进程 安排 |
授课内容： 一、创建数组对象 二、多维数组的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 |
课后学习 任务布置 |
NumPy数组操作练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 6 次课 2 学时
授课内容 |
NumPy数值计算基础(二) |
教学目的 与要求 |
掌握Numpy数组的运算、读写及简单的数据统计分析。 通过本课的学习，学生应该掌握如下知识： 1) 掌握Numpy数组的运算 2) 掌握Numpy数组的读写 3) 了解Numpy中数据的统计和分析 |
重点 难点 |
1) 熟练掌握数组的运算 |
教学进程 安排 |
授课内容： 一、数组的运算 1) 数组和标量间的运算 2) Ufunc函数 3) 条件逻辑运算 二、数组读写 1) 读写二进制文件 2) 读写文本文件 3) 读取CSV文件 三、Numpy中的数据统计与分析 1) 排序、数据去重 2) 常用统计函数 |
课后学习 任务布置 |
习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 7次课 2学时
授课内容 |
上机实验(二) |
教学目的 与要求 |
NumPy数值计算综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握NumPy数值计算 2)熟悉NumPy的数据处理方法 |
重点 难点 |
1)掌握NumPy的基本用法 2)利用NumPy进行数值运算 |
教学进程 安排 |
实验内容 1)掌握NumPy的数值计算用法 2)熟悉应用NumPy进行数值计算 3)综合实训 读取iris数据集中的花萼长度数据(已保存为CSV格式)，并对其进行排序、去重，并求出和、累积和、均值、标准差、方差、最小值、最大值。 |
课后学习 任务布置 |
熟悉Numpy数值运算 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第8次课 2 学时
授课内容 |
Pandas统计分析基础(一) |
教学目的 与要求 |
介绍Pandas数据分析中的数据结构及其基本操作。 要求学生应该熟练掌握如下知识的运用： 1)掌握Pandas中的数据结构 2)掌握Pandas索引操作 3)掌握DataFrame的数据查询与编辑 |
重点 难点 |
1)各种Pandas中的各种数据类型 2)DataFrame的用法 |
教学进程 安排 |
授课内容： 一、Pandas中的数据结构 1) Series 2) DataFrame 3) 索引对象 二、Pandas索引操作 1) 重建索引 2) 更换索引 三、DataFrame的数据查询与编辑 1) DataFrame的数据查询 2) DataFrame的数据编辑 |
课后学习 任务布置 |
Pandas数据结构及其操作、熟悉教材习题 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第9次课 2 学时
授课内容 |
Pandas统计分析基础(二) |
教学目的 与要求 |
介绍Pandas数据分析中的数据运算、分组与聚合、数据透视表等用法。 要求学生应该熟练掌握如下知识的运用： 1)掌握Pandas中的数据运算 2)掌握Pandas中的数据汇总与聚合 3)掌握Pandas中的透视表与交叉表 4)Pandas中的数据可视化 |
重点 难点 |
1)Pandas中的数据汇总与聚合 2)Pandas中的数据可视化 |
教学进程 安排 |
授课内容： 一、Pandas中的数据运算 1) 算术运算 2) 函数应用和映射 3) 排序、汇总和统计 二、 数据分组与聚合 1) 数据分组 2) 数据聚合 3) 分组运算 三、数据透视表 1)透视表 四、Pandas数据可视化 1) 线形图、柱状图 2) 直方图、密度图、散点图 |
课后学习 任务布置 |
Pandas数据结构及其操作、熟悉教材习题 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 10次课 2 学时
授课内容 |
上机实验(三) |
教学目的 与要求 |
Pandas统计分析综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握Pandas的数据结构及其操作 2)熟悉掌握Pandas的数据分组、数据可视化 |
重点 难点 |
1)掌握DataFrame的用法 2)数据分组与聚合 |
教学进程 安排 |
实验内容 1)掌握Pandas统计基本用法 2)熟悉应用Pandas统计分析数据 3)综合实训 对小费数据集进行数据的分析与可视化。用到的小费数据集来源于Python库Seaborn中自带的数据，已被事先转存为excel类型的数据。 |
课后学习 任务布置 |
熟悉Pandas统计分析方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第11次课 2 学时
授课内容 |
Pandas数据载入与预处理(一) |
教学目的 与要求 |
介绍Pandas数据载入与预处理。 要求学生应该熟练掌握如下知识的运用： 1)掌握Pandas中数据的读取 2)掌握Pandas数据合并 |
重点 难点 |
1)Pandas中数据读取 2)数据合并 |
教学进程 安排 |
授课内容： 一、Pandas中的数据载入 1)读写文本文件 2)读写excel文件 二、数据合并 1)merge重建索引 2)concat数据连接 3)combine_first合并连接 |
课后学习 任务布置 |
Pandas数据载入与数据合并、熟悉教材习题 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第12次课 2 学时
授课内容 |
Pandas数据载入与预处理(二) |
教学目的 与要求 |
介绍Pandas数据清洗、标准化与转换。 要求学生应该熟练掌握如下知识的运用： 1)掌握Pandas中数据清洗 2)掌握Pandas数据标准化与转换 |
重点 难点 |
1)Pandas中数据清洗 2)数据转换 |
教学进程 安排 |
授课内容： 一、Pandas中的数据清洗 1)检测与处理缺失数据 2)检测与处理重复数据 3)检测与处理异常值 二、数据标准化 1)离差标准化 2)标准差标准化 三、数据转换 1)类别型数据的哑变量处理 2)连续型变量的离散化 |
课后学习 任务布置 |
Pandas数据清洗与变换、熟悉教材习题 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 13次课 2 学时
授课内容 |
上机实验(四) |
教学目的 与要求 |
Pandas数据预处理综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握Pandas的数据读取方法 2)熟悉掌握Pandas的数据清洗方法 |
重点 难点 |
1)掌握DataFrame的用法 2)数据分组与聚合 |
教学进程 安排 |
实验内容 1)掌握Pandas统计基本用法 2)熟悉应用Pandas统计分析数据 3)综合实训 对小费数据集进行数据的分析与可视化。用到的小费数据集来源于Python库Seaborn中自带的数据，已被事先转存为excel类型的数据。 |
课后学习 任务布置 |
熟悉Pandas统计分析方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第14次课 2 学时
授课内容 |
Matplotlib数据可视化基础(一) |
教学目的 与要求 |
介绍Matplotlib绘图的基本方法。 要求学生应该熟练掌握如下知识的运用： 1)掌握Matplotlib绘图的基本方法 2)掌握设置pyplot的动态rc参数方法 |
重点 难点 |
1)Matplotlib绘图基础 2)Matplotlib绘图参数设置 |
教学进程 安排 |
授课内容： 一、Matplotlib绘图基础 1)创建画布与子图 2)添加画布内容 3)绘图的保存于显示 二、设置pyplot的动态rc参数 1)全局参数设定 2)rc参数设置 3)绘图的填充 4)文本注释 |
课后学习 任务布置 |
熟悉Matplotlib绘图方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第15次课 2 学时
授课内容 |
Matplotlib数据可视化基础(二) |
教学目的 与要求 |
介绍Matplotlib绘图的基本方法。 要求学生应该熟练掌握如下知识的运用： 1)掌握Matplotlib中常用绘图的方法 2)了解Matplotlib中词云的绘制 |
重点 难点 |
1)Matplotlib中常用绘图的方法 |
教学进程 安排 |
授课内容： 一、pyplot中的常用绘图 1)折线图 2)散点图 3)直方图 4)饼图 5)箱线图 6)概率图 二、词云 1)词云生成的过程 2)词云生成示例 |
课后学习 任务布置 |
熟悉Matplotlib常用绘图方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 16次课 2 学时
授课内容 |
上机实验(五) |
教学目的 与要求 |
Matplotlib数据可视化综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握Matplotlib绘图的基本方法 2)熟悉掌握Matplotlib中的各种常用绘图 |
重点 难点 |
1)Matplotlib绘图的基本方法 2)绘图参数设置 |
教学进程 安排 |
实验内容 1)掌握Matplotlib绘图过程 2)熟悉应用Matplotlib进行常用图的绘制 3)综合实训 针对一组关于全球星巴克店铺的统计数据，分析了在不同国家以及中国不同城市的数量。 |
课后学习 任务布置 |
熟悉Matplotlib数据可视化方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第17次课 2 学时
授课内容 |
Seaborn数据可视化 |
教学目的 与要求 |
介绍Seaborn绘图的基本方法。 要求学生应该熟练掌握如下知识的运用： 1)掌握Seaborn绘图中的风格设置 2)掌握Seaborn中的常用绘图方法 |
重点 难点 |
1)Seaborn绘图中的风格设置 |
教学进程 安排 |
授课内容： 一、Seaborn简介 1)Seaborn的安装与导入 二、Seaborn绘图风格设置 1)Seaborn绘图设置 2)Seaborn主题设置 3)设置绘图元素比例 三、Seaborn中的常用绘图 1)直方图和密度曲线图 2)散点图 3)箱线图 4)pairplot图 5)琴图 6)多变量图 7)回归图 |
课后学习 任务布置 |
熟悉Matplotlib常用绘图方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 18次课 2 学时
授课内容 |
上机实验(六) |
教学目的 与要求 |
Seaborn数据可视化综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握Seaborn绘图的属性设置 2)熟悉掌握Seaborn中的各种常用绘图 |
重点 难点 |
1)Seaborn绘图的基本方法 2)绘图参数设置 |
教学进程 安排 |
实验内容 1)掌握Seaborn绘图过程 2)熟悉应用Seaborn进行常用图的绘制 3)综合实训 利用Seaborn库中自带的泰坦尼克号幸存者数据“titanic”进行数据分析与可视化。 |
课后学习 任务布置 |
熟悉Seaborn数据可视化方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第19次课 2 学时
授课内容 |
pyecharts数据可视化 |
教学目的 与要求 |
介绍pyecharts绘图的基本方法。 要求学生应该熟练掌握如下知识的运用： 1)认识pyecharts基础 2)使用 pyecharts绘制图形 |
重点 难点 |
1)pyecharts常用绘图方法 |
教学进程 安排 |
授课内容： 一、pyecharts简介 1)pyecharts的安装与导入 2)pyecharts使用方法 二、pyecharts常用图表 1)柱状图 2)饼图 3)漏斗图 4)散点图 5)k线图 6)仪表盘 7)词云 8)组合图表 |
课后学习 任务布置 |
熟悉pyecharts常用绘图方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 20次课 2 学时
授课内容 |
上机实验(七) |
教学目的 与要求 |
pyecharts数据可视化综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握pyecharts绘图的属性设置 2)熟悉掌握pyecharts中的各种常用绘图 |
重点 难点 |
1)pyecharts绘图的基本方法 2)绘图参数设置 |
教学进程 安排 |
实验内容 1)掌握pyecharts绘图过程 2)熟悉应用pyecharts进行常用图的绘制 3)综合实训 利用Seaborn库中自带的泰坦尼克号幸存者数据“titanic”进行数据分析与可视化。 |
课后学习 任务布置 |
熟悉pyecharts数据可视化方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第21次课 2 学时
授课内容 |
时间序列数据分析 |
教学目的 与要求 |
介绍时间序列数据的分析方法。 要求学生应该熟练掌握如下知识的运用： 1)掌握时间序列类型数据的类型 2)掌握时间序列数据分析方法 |
重点 难点 |
1)时间序列数据分析方法 |
教学进程 安排 |
授课内容： 一、日期和时间类型数据 二、时间序列基础 1)时间序列构造 2)索引和切片 三、日期范围、频率和移动 四、时期 1)频率转换 2)时期数据转换 五、频率转换和重采样 1)重采样 2)降采样 3)升采样 |
课后学习 任务布置 |
熟悉时间序列数据分析方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 22次课 2 学时
授课内容 |
上机实验(八) |
教学目的 与要求 |
时间序列数据可视化综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握时间序列数据类型 2)熟悉掌握时间序列数据分析方法 |
重点 难点 |
1)熟悉掌握时间序列数据类型 2)熟悉掌握时间序列数据分析方法 |
教学进程 安排 |
实验内容 1)掌握时间序列数据类型 2)掌握时间序列数据分析方法 3)综合实训 以自行车租赁统计数据为例，利用Pandas中的时间序列分析方法，探究自行车租赁数据随时间及天气变化的分布情况。 |
课后学习 任务布置 |
熟悉时间序列数据分析方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第23次课 2 学时
授课内容 |
SciPy科学计算基础 |
教学目的 与要求 |
介绍SciPy科学计算基础。 要求学生应该熟练掌握如下知识的运用： 1)掌握线性代数运算 2)掌握方程求解 3)掌握稀疏矩阵求解 4)SciPy图像处理 |
重点 难点 |
1)掌握线性代数运算 |
教学进程 安排 |
授课内容： 一、SciPy中的常数与特殊函数 二、SciPy中的线性代数运算 1)基本的矩阵运算 2)线性方程组求解 3)特征值分解 三、SciPy中的优化 1)方程求解及极值求解 2)数据拟合 四、SciPy中的稀疏矩阵求解 1)稀疏矩阵存储 2)稀疏矩阵运算 五、SciPy中的图像处理 1)图像平滑 2)图像旋转和锐化 |
课后学习 任务布置 |
熟悉时间序列数据分析方法、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 24次课 2 学时
授课内容 |
上机实验(九) |
教学目的 与要求 |
SciPy科学计算综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉掌握线性代数运算 2)熟悉掌握SciPy中的优化方法 3)熟悉掌握SciPy中的稀疏矩阵处理 3)了解SciPy中的图像处理 |
重点 难点 |
1)熟悉掌握线性代数运算 2)熟悉掌握SciPy中的优化方法 3)熟悉掌握SciPy中的稀疏矩阵处理 |
教学进程 安排 |
实验内容 1)掌握SciPy中的主要功能模块 2)掌握SciPy中的科学计算方法 3)综合实训 将图像数据进行SVD分解后，分别选取部分特征值进行图像重构并显示图像。 |
课后学习 任务布置 |
熟悉SciPy中的科学计算方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第25次课 2 学时
授课内容 |
统计与机器学习(一) |
教学目的 与要求 |
介绍Scikit-learn中的主要分类方法。 要求学生应该熟练掌握如下知识的运用： 1)熟悉Scikit-learn中的主要功能 2)掌握常用的分类方法 |
重点 难点 |
1)常用分类算法思想 2)掌握常用分类算法应用 |
教学进程 安排 |
授课内容： 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 |
课后学习 任务布置 |
熟悉分类算法思想、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第26次课 2 学时
授课内容 |
统计与机器学习(二) |
教学目的 与要求 |
介绍Scikit-learn中的主要聚类方法。 要求学生应该熟练掌握如下知识的运用： 1)熟悉Scikit-learn中的主要聚类方法 2)掌握主成分分析方法 |
重点 难点 |
1)常用聚类算法思想 2)掌握常用聚类算法应用 |
教学进程 安排 |
授课内容： 一、主要聚类方法 1)K-Means聚类 2)层次聚类 3)基于密度的聚类 二、主成分分析 |
课后学习 任务布置 |
熟悉聚类算法思想、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 27次课 2 学时
授课内容 |
上机实验(十) |
教学目的 与要求 |
Scikit-learn典型算法及其综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉Scikit-learn的分类算法思想 2)熟悉Scikit-learn的聚类算法思想 3)熟悉Scikit-learn的典型算法及应用 |
重点 难点 |
1)熟悉掌握Scikit-learn中的分类应用 3)熟悉掌握Scikit-learn中的聚类应用 |
教学进程 安排 |
实验内容 1)Scikit-learn中的分类应用 2)掌握Scikit-learn中的聚类应用 3)综合实训 本实训对一幅打开的彩色图像，利用K-means分析方法对像素进行聚类实现图像分割。 |
课后学习 任务布置 |
熟悉Scikit-learn中的典型算法及其应用 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第28次课 2 学时
授课内容 |
图像数据分析 |
教学目的 与要求 |
介绍Python-OpenCV的主要功能及其用法。 要求学生应该熟练掌握如下知识的运用： 1)熟悉Python-OpenCV中的主要功能 2)掌握Python-OpenCV图像处理基础 3)了解图像SIFT和SURF特征点提取 |
重点 难点 |
1)Python-OpenCV图像处理基础 2)图像SIFT和SURF特征点提取 |
教学进程 安排 |
授课内容： 一、OpenCV简介与导入 1)OpenCV简介 2)OpenCV导入 二、cv2图像处理基础 1)cv2的基本方法与属性 2)cv2图像处理示例 三、图像的特征点提取 1)SIFT特征点提取 2)SURF特征点提取 3)图像去噪 |
课后学习 任务布置 |
熟悉聚类算法思想、教材习题练习 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 29次课 2 学时
授课内容 |
上机实验(十一) |
教学目的 与要求 |
Python-OpenCV图像处理综合应用 通过本课的学习，学生应该掌握如下知识： 1)熟悉Python-OpenCV的安装与导入 2)熟悉Python-OpenCV图像处理基本方法 3)Python-OpenCV图像特征点提取方法 |
重点 难点 |
1)Python-OpenCV图像处理基本方法 3)Python-OpenCV图像特征点提取方法 |
教学进程 安排 |
实验内容 1)熟悉Python-OpenCV图像处理基本方法 2)熟悉Python-OpenCV图像特征点提取方法 3)综合实训 实现了图像的大津法分割OTSU、Canny边缘检测和Harris Corner角点检测。 |
课后学习 任务布置 |
熟悉Python-OpenCV图像处理基本方法及其应用 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
《Python数据分析与可视化》课程教案
第 30次课 2 学时
授课内容 |
上机实验(十二) |
教学目的 与要求 |
数据分析与可视化综合实训 通过本课的学习，学生应该掌握如下知识： 1)熟悉数据分析与可视化基本过程 2)熟悉数据分析与可视化的典型应用 |
重点 难点 |
1)数据分析与可视化基本过程 3)数据分析与可视化的典型应用 |
教学进程 安排 |
实验内容 实训一、职业人群体检数据分析 实训二、股票数据分析 |
课后学习 任务布置 |
熟练数据分析与可视化过程与方法 |
主要 参考资料 |
《Python数据分析与可视化》魏伟一 等主编，清华大学出版社 |
