理論部分
第一章 數據可視化簡介
教學要點：數據可視化的意義、數據可視化的目標和作用、數據可視化釋義。第二章 Python編程基礎
教學要點：
Python語言基本語法、內置數據類型、函數、文件操作。
教學時數：
4學時。
教學內容：
第一節 程式語言基礎（1學時）
第二節 內置數據類型（1學時）
第三節 函數定義與使用（1學時）
第四節 文件操作（1學時）
考核要求：
掌握Python基礎語法，熟悉使用內置數據類型、函數的定義及使用。
第三章 Numpy數值計算
教學要點：Numpy數值計算方法。
教學時數：4學時。
教學內容：
第一節 Numpy多維數組（2學時）
數組的創建、索引和切片、數組運算
第二節 數組的運算（2學時）
數組讀寫、統計與分析
考核要求：
理解：多維數組的索引、切片以及讀寫與統計分析
第四章 Pandas統計分析
教學要點：Pandas中的數據結構、索引、查詢與編輯、運算、聚合、交叉表透視表、可視化。
教學時數：4學時
教學內容：
第一節 Pandas數據結構與索引 （1學時）
Series、DataFrame、索引對象
第二節 數據查詢與編輯（2學時）
數據查詢、編輯，分組運算
第三節 數據透視表、交叉表及可視化（1學時）
數據透視表，Pandas可視化
考核要求：
1. 理解：數據結構
2. 掌握：數據查詢、編輯、分組、可視化方法
第五章 Pandas數據載入與預處理
教學要點：數據載入、數據集成、數據清洗、數據標準化、數據轉換。
教學時數：4學時
教學內容：
第一節 數據載入與集成（1學時）
數據導入、數據合併
第二節 數據清洗（2學時）
缺失值、重複值、異常值處理
第三節 數據標準化、數據轉換（1學時）
數據標準化、特殊類型數據的轉換
考核要求：
1. 理解：數據載入與數據變換
2. 掌握：數據清洗，數據轉換
第六章 Matplotlib數據可視化基礎
教學要點：Matplotlib可視化簡介、繪圖基礎，rc參數設置、常用繪圖。
教學時數：6學時
教學內容：
第一節數據可視化簡介與繪圖基礎（2學時）
Matplotlib可視化簡介，創建畫布內容與子圖、繪圖的保存與顯示
第二節 Matplotlib繪圖rc參數設置（2學時）
Matplotlib繪圖的常用rc參數設置
第三節 Pyplot中的常用繪圖（2學時）
常用繪圖實現，詞雲生成
考核要求：
掌握：Matplotlib參數設置、常用繪圖方法
第七章 Seaborn可視化
教學要點：Seaborn簡介、風格設置、常用繪圖實現。
教學時數：2學時
教學內容：
第一節 Seaborn簡介、風格設置（1學時）
Seaborn簡介、風格設置
第二節 Seaborn顏色設置，常用繪圖實現（1學時）
Seaborn顏色設置，常用繪圖實現
考核要求：
掌握：Seaborn風格設置、顏色設置、常用繪圖實現
第八章 pyecharts數據可視化
教學要點：Pyecharts數據可視化簡介、使用方法、常用繪圖實現。
教學時數：2學時
教學內容：
第一節 高維數據變換（2學時）
Pyecharts數據可視化簡介、使用方法、常用繪圖實現
考核要求：
掌握：Pyecharts使用方法、常用繪圖實現
第九章 時間序列數據分析
教學要點：時間序列數據分析介紹、日期和時間數據類型、日期範圍、頻率和移位、重採樣、降採樣和升採樣。
教學時數：4學時
教學內容：
第一節 時間序列分析基礎、數據類型（1學時）
日期和時間類型數據、時間序列構造、索引與切片
第二節 日期範圍、頻率和移位（2學時）
頻率和移位、時期、重採樣、降採樣和升採樣
第三節 時間序列平穩性檢驗（1學時）
時間序列平穩性檢驗方法
考核要求：
掌握：時間序列數據分析方法
第十章 Scipy科學計算
教學要點：Scipy科學計算基礎、線性代數運算、優化、稀疏矩陣處理及圖像處理。
教學時數：4學時
教學內容：
第一節 Scipy基礎及線性代數基本運算（2學時）
Scipy中的常數和特殊函數、線性代數運算
第二節 Scipy中的優化、稀疏矩陣表示、簡單圖像自處理（2學時）
優化問題，稀疏矩陣處理，圖像處理
考核要求：
掌握：Scipy科學計算基礎
第十一章 統計與機器學習基礎
教學要點：統計與機器學習基礎與scikit-learn的用法。
教學時數：6學時
教學內容：
第一節 scikit-learn主要功能、分類算法（3學時）
主要分類算法及其實現。
第二節 聚類算法簡介及實現（2學時）
K-means算法、層次聚類、基於密度的聚類。
第三節 主成分分析及實現（1學時）
主成分分析算法
考核要求：
1.理解：分類與聚類算法
2.掌握：分類與聚類算法簡單實現
第十二章 圖像數據分析
教學要點：Python，OpenCV圖像數據分析基礎
教學時數：2學時
教學內容：
第一節 OpenCV簡介、圖像處理基礎（1學時）
Python-OpenCV圖像處理基礎。
第二節 Python-OpenCV典型圖像處理方法（1學時）
圖像特徵提取與分析。
考核要求：
1.掌握：Python-OpenCV圖像處理基礎與特徵分析。
實驗部分（18學時）
序號
實驗內容
1
Python編程基礎
2
Numpy數據分析案例分析與實現
3
Pandas數據預處理與可視化綜合實驗
4
Matplotlib可視化基礎案例分析與實現
5
Seaborn可視化實戰
6
pyecharts可視化分析實戰
7
時間序列數據分析與可視化實戰
8
統計與機器學習基礎案例分析
9
數據分析與可視化綜合案例分析與實現
j.youzan.com/BIw8Z2購書
本書從Python數據分析的基礎知識入手，結合大量的數據分析示例，系統地介紹了數據分析與可視化方法，帶領讀者逐步掌握Python數據分析的相關知識，提高解決實際問題的能力。本書共13章，主要內容包括數據分析與可視化概述、Python編程基礎、NumPy數值計算基礎、Pandas統計分析基礎、Pandas數據載入與預處理、Matplotlib數據可視化基礎、Seaborn可視化、pyecharts可視化、時間序列數據分析、SciPy科學計算、統計與機器學習、圖像數據分析和綜合案例實戰等。
周次
課次
授課內容摘要
時數
目的要求
1
1
一、數據分析與可視化概述
數據分析與可視化的概念、用途；常用工具
二、Python數據分析與可視化常用庫、Jupyter NoteBook的基本用法
2
了解數據分析與可視化的主要工具；掌握數據分析與可視化常用庫、Jupyter NoteBook的基本用法。
2
一、Python語法
數據類型；操作符和表達式；字符串；流程控制語句；
二、Python內建數據結構
列表；元組；字典；集合；
2
掌握Python編程基礎，重點掌握Python基礎語法和內建的數據結構，熟悉列表、元組、字典和集合的用法。
2
3
一、Python函數
函數定義；函數的調用；3.lambda函數的用法；
二、文件操作
文件處理的過程；數據的讀取方法；讀取CSV文件；
4.文件的寫入與關閉
2
掌握函數的定義和調用、Lambda函數的用法及Python文件操作基礎。
4
實驗一、Python編程基礎
2
掌握Python編程基礎語法和函數的用法。
3
5
Numpy數值計算基礎一
一、創建數組對象
二、多維數組對象屬性和數據轉換
三、隨機數生成
四、數組變換
五、數組的索引和切片
2
掌握Numpy中的數組對象、數組的索引及切片訪問
6
Numpy數值計算基礎二
一、數組的運算
數組和標量間的運算；Ufunc函數、條件邏輯運算
二、數組讀寫
讀寫二進位文件、讀寫文本文件、讀取CSV文件
三、Numpy中的數據統計與分析
排序、數據去重，常用統計函數
2
掌握NumPy數組的運算、NumPy數組的讀寫；
了解NumPy中數據的統計和分析
4
7
實驗二：Numpy數值計算實訓
2
熟悉掌握Numpy數值計算；熟悉Numpy的數據處理方法。
8
Pandas統計基礎一
一、Pandas中的數據結構
Series；DataFrame；索引對象；
一、二、Pandas索引操作
1） 重建索引；更換索引
二、三、DataFrame的數據查詢與編輯
1） DataFrame的數據查詢；DataFrame的數據編輯
2
掌握Pandas中的數據結構；掌握Pandas索引操作；掌握DataFrame的數據查詢與編輯。
5
9
Pandas統計分析基礎二
一、Pandas中的數據運算
1） 算術運算；函數應用和映射；排序；匯總和統計；
二、數據分組與聚合
2） 數據分組；數據聚合；分組運算；
三、數據透視表
透視表；交叉表
三、三、Pandas數據可視化
1） 線形圖；柱狀圖；直方圖；密度圖；散點圖；
2
掌握Pandas中的數據運算；
掌握Pandas中的數據匯總與聚合；掌握Pandas中的透視表與交叉表；Pandas中的數據可視化。
10
實驗三、Pandas數據分析實訓
2
熟悉掌握Pandas的數據結構及其操作；熟悉掌握Pandas的數據分組、數據可視化。
6
11
Pandas數據載入與預處理（一）
一、Pandas中的數據載入
讀寫文本文件；讀寫excel文件；從資料庫中讀寫文件；
二、數據合併
merge重建索引；concat數據連接；combine_first合併連接；
2
掌握Pandas中數據的讀取；掌握Pandas數據合併集成。
12
Pandas數據載入與預處理二
一、Pandas中的數據清洗
檢測與處理缺失數據；2）檢測與處理重複數據；檢測與處理異常值；
二、數據標準化
離差標準化；標準差標準化；
三、數據轉換
類別型數據的啞變量處理；連續型變量的離散化；
2
掌握Pandas中數據清洗；掌握Pandas數據標準化與轉換。
7
13
實驗四 Pandas數據預處理
2
熟悉掌握Pandas的數據讀取方法；熟悉掌握Pandas的數據清洗方法。
14
Matplotlib數據可視化基礎（一）
一、數據可視化的類型
二、Matplotlib繪圖基礎
創建畫布與子圖；添加畫布內容；繪圖的保存於顯示；
三、設置pyplot的動態rc參數
全局參數設定；rc參數設置；繪圖的填充；文本注釋
2
理解數據可視化的類型；掌握Matplotlib繪圖的基本方法；掌握設置pyplot的動態rc參數方法。
9
15
Matplotlib數據可視化基礎（二）
一、pyplot中的常用繪圖
折線圖，散點圖，直方圖，餅圖，
箱線圖，概率圖，雷達圖，流向圖，帶表格的繪圖；
二、詞雲
詞雲生成的過程；詞雲生成示例；
2
掌握Matplotlib中常用繪圖的方法；了解Matplotlib中詞雲的繪製。
16
實驗五、Matplotlib數據可視化綜合應用
2
熟悉掌握Matplotlib繪圖的基本方法；熟悉掌握Matplotlib中的各種常用繪圖。
10
17
Seaborn數據可視化
一、Seaborn簡介
Seaborn的安裝與導入；Seaborn的繪圖及其分類
二、Seaborn繪圖風格設置
Seaborn繪圖設置；Seaborn主題設置；設置繪圖元素比例；
三、Seaborn中的常用繪圖
直方圖和密度曲線圖，散點圖，箱線圖，pairplot圖，琴圖，多變量圖，回歸圖，關係類圖，熱力圖等；
2
掌握Seaborn繪圖中的風格設置；掌握Seaborn中的常用繪圖方法。
18
實驗六、Seaborn數據可視化綜合應用
2
熟悉掌握Seaborn繪圖的屬性設置；熟悉掌握Seaborn中的各種常用繪圖。
11
19
pyecharts數據可視化
一、pyecharts簡介
pyecharts的安裝與導入；使用方法
二、pyecharts常用圖表
柱狀圖，餅圖，漏鬥圖，散點圖，k線圖，儀錶盤，詞雲，組合圖表，桑基圖，地圖等；
2
使用 pyecharts繪製圖形
20
實驗七、pyecharts數據可視化綜合應用
2
熟悉掌握pyecharts繪圖的屬性設置；熟悉掌握pyecharts中的各種常用繪圖。
12
21
時間序列數據分析
一、日期和時間類型數據
二、時間序列基礎
時間序列構造；索引和切片；
三、日期範圍、頻率和移動；
四、時期
頻率轉換；時期數據轉換；
五、頻率轉換和重採樣
重採樣；降採樣；升採樣
六、信號的平穩性分析
2
掌握時間序列類型數據的類型；掌握時間序列數據分析方法；
掌握時間序列數據的平穩性檢驗方法。
22
實驗八、時間序列數據可視化綜合應用
2
熟悉掌握時間序列數據類型；熟悉掌握時間序列數據分析方法。
13
23
SciPy科學計算基礎
一、SciPy中的常數與特殊函數
二、SciPy中的線性代數運算
基本的矩陣運算；線性方程組求解；特徵值分解；
三、SciPy中的優化
方程求解及極值求解；數據擬合；
四、SciPy中的稀疏矩陣求解
稀疏矩陣存儲；稀疏矩陣運算；
五、SciPy中的圖像處理
圖像平滑；圖像旋轉和銳化；
六、信號分析
信號卷積、信號的時頻變換
2
掌握線性代數運算；掌握方程求解；掌握稀疏矩陣求解；SciPy圖像處理
24
實驗九：SciPy科學計算綜合應用
2
熟悉掌握線性代數運算；熟悉掌握SciPy中的優化方法；熟悉掌握SciPy中的稀疏矩陣處理；了解SciPy中的圖像處理，信號時頻變換
14
25
統計與機器學習（一）
一、Scikit-learn中的主要功能
二、主要分類方法
1）決策樹規約
2）KNN算法
3）支持向量機
4）樸素貝葉斯分類
2
1）熟悉Scikit-learn中的主要功能
2）掌握常用的分類方法
26
統計與機器學習（二）
一、主要聚類方法
K-Means聚類；層次聚類；基於密度的聚類
二、主成分分析
2
熟悉Scikit-learn中的主要聚類方法；掌握主成分分析方法。
15
27
實驗十：Scikit-learn典型算法及其綜合應用
2
熟悉Scikit-learn的分類算法思想；熟悉Scikit-learn的聚類算法思想；熟悉Scikit-learn的典型算法及應用。
28
圖像數據分析
一、OpenCV簡介與導入
OpenCV簡介；OpenCV導入；
二、cv2圖像處理基礎
cv2的基本方法與屬性；cv2圖像處理示例；
三、圖像的特徵點提取
SIFT特徵點提取；SURF特徵點提取；圖像去噪；
2
熟悉Python-OpenCV中的主要功能；掌握Python-OpenCV圖像處理基礎；了解圖像SIFT和SURF特徵點提取。
16
29
實驗十一：Python-OpenCV圖像處理綜合應用
2
熟悉Python-OpenCV的安裝與導入；熟悉Python-OpenCV圖像處理基本方法；Python-OpenCV圖像特徵點提取方法
30
實驗十二：數據分析與可視化綜合實訓
2
熟悉數據分析與可視化基本過程；熟悉數據分析與可視化的典型應用。
第1章數據分析與可視化概述
1．1數據分析
1．2數據可視化
1．3數據分析與可視化常用工具
1．4為何選用Python進行數據分析與可視化
1．5Python數據分析與可視化常用類庫
1．6Jupyter Notebook的安裝和使用
1.6.1Jupyter Notebook的安裝
1.6.2Jupyter Notebook的使用
1．7本章小結
1.8本章習題
第2章Python編程基礎
2．1Python語言基本語法
2．1．1基礎數據類型
2．1．2變量和賦值
2．1．3運算符和表達式
2．1．4字符串
2．1．5流程控制
2．2內置數據類型
2．2．1列表
2．2．2元組
2．2．3字典
2．2．4集合
2．3函數
2．3．1函數的定義
2．3．2lambda函數
2．4文件操作
2．4．1文件處理過程
2．4．2數據的讀取方法
2．4．3讀取CSV文件
2．4．4文件寫入與關閉
2．5本章小結
2.6本章習題
2.7本章實訓
第3章NumPy數值計算基礎
3．1NumPy多維數組
3．1．1創建數組對象
3．1．2ndarray對象屬性和數據轉換
3．1．3生成隨機數
3．1．4數組變換
3．2數組的索引和切片
3．2．1一維數組的索引
3．2．2多維數組的索引
3．3數組的運算
3．3．1數組和標量間的運算
3．3．2ufunc函數
3．3．3條件邏輯運算
3．4數組讀/寫
3．4．1讀/寫二進位文件
3．4．2讀/寫文本文件
3．4．3讀取CSV文件
3．5NumPy中的數據統計與分析
3．5．1排序
3．5．2重複數據與去重
3．5．3常用統計函數
3．6本章小結
3.7本章習題
3.8本章實訓
第4章Pandas統計分析基礎
4.1Pandas中的數據結構
4.1.1Series
4.1.2DataFrame
4.1.3索引對象
4.1.4查看DataFrame的常用屬性
4.2Pandas索引操作
4.2.1重建索引
4.2.2更換索引
4.3DataFrame數據的查詢與編輯
4.3.1DataFrame數據的查詢
4.3.2DataFrame數據的編輯
4.4Pandas數據運算
4.4.1算術運算
4.4.2函數應用和映射
4.4.3排序
4.4.4匯總與統計
4.5數據分組與聚合
4.5.1數據分組
4.5.2數據聚合
4.5.3分組運算
4.6數據透視表
4.6.1透視表
4.6.2交叉表
4.7Pandas可視化
4.7.1線形圖
4.7.2柱狀圖
4.7.3直方圖和密度圖
4.7.4散點圖
4.8本章小結
4.9本章習題
4.10本章實訓
第5章Pandas數據載入與預處理
5.1數據載入
5.1.1讀/寫文本文件
5.1.2讀/寫Excel文件
5.1.3JSON數據的讀取與存儲
5.1.4讀取資料庫文件
5.2合併數據
5.2.1merge數據合併
5.2.2concat數據連接
5.2.3combine_first合併數據
5.3數據清洗
5.3.1檢測與處理缺失值
5.3.2檢測與處理重複值
5.3.3檢測與處理異常值
5.3.4數據轉換
5.4數據標準化
5.4.1離差標準化數據
5.4.2標準差標準化數據
5.5數據變換與數據離散化
5.5.1類別型數據的啞變量處理
5.5.2連續型變量的離散化
5.6本章小結
5.7本章習題
5.8本章實訓
第6章Matplotlib數據可視化基礎
6.1Matplotlib簡介
6.2Matplotlib繪圖基礎
6.2.1創建畫布與子圖
6.2.2添加畫布內容
6.2.3繪圖的保存與顯示
6.3設置Pyplot的動態rc參數
6.3.1全局參數定製
6.3.2rc參數設置
6.3.3繪圖的填充
6.3.4在繪圖中顯示公式
6.3.5文本註解
6.4Pyplot中的常用繪圖
6.4.1折線圖
6.4.2散點圖
6.4.3直方圖
6.4.4餅圖
6.4.5箱線圖
6.4.6概率圖
6.4.7雷達圖
6.4.8流向圖
6.4.9繪圖中的表格設置
6.4.10極坐標圖
6.5詞雲
6.5.1安裝相關的包
6.5.2詞雲生成過程
6.5.3詞雲生成示例
6.6本章小結
6.7本章習題
6.8本章實訓
第7章Seaborn可視化
7.1Seaborn簡介
7.2風格設置
7.2.1Seaborn繪圖設置
7.2.2Seaborn 主題設置
7.2.3設置繪圖元素比例
7.3Seaborn中的常用繪圖
7.3.1直方圖和密度曲線圖
7.3.2散點圖
7.3.3箱線圖
7.3.4散點圖矩陣
7.3.5小提琴圖
7.3.6柱狀圖
7.3.7多變量圖
7.3.8回歸圖
7.3.9關係類圖
7.3.10熱力圖
7.4本章小結
7.5本章習題
7.6本章實訓
第8章pyecharts可視化
8.1pyecharts簡介
8.2pyecharts的使用方法
8.3pyecharts常用圖表
8.3.1柱狀圖
8.3.2餅圖
8.3.3漏鬥圖
8.3.4散點圖
8.3.5K線圖
8.3.6儀錶盤
8.3.7詞雲
8.3.8組合圖表
8.3.9桑基圖
8.3.10平行坐標圖
8.3.11圖
8.3.12地圖
8.4本章小結
8.5本章習題
8.6本章實訓
第9章時間序列數據分析
9.1日期和時間數據類型
9.1.1datetime構造
9.1.2數據轉換
9.2時間序列基礎
9.2.1時間序列構造
9.2.2索引與切片
9.3日期範圍、頻率和移位
9.3.1日期範圍
9.3.2頻率和移位
9.4時期
9.4.1時期基礎
9.4.2頻率轉換
9.4.3時期數據轉換
9.5重採樣、降採樣和升採樣
9.5.1重採樣
9.5.2降採樣
9.5.3升採樣
9.6時間序列的平穩性檢驗
9.6.1時序圖檢驗
9.6.2自相關圖檢驗
9.6.3構造統計量檢驗
9.7本章小結
9.8本章習題
9.9本章實訓
第10章SciPy科學計算
10.1SciPy中的常數與特殊函數
10.1.1SciPy的constants模塊
10.1.2SciPy的special模塊
10.2SciPy中的線性代數基本運算
10.2.1基本的矩陣運算
10.2.2線性方程組求解
10.2.3行列式的計算
10.2.4範數
10.2.5特徵值分解
10.2.6奇異值分解
10.3SciPy中的優化
10.3.1方程求解及求極值
10.3.2數據擬合
10.4SciPy中的稀疏矩陣處理
10.4.1稀疏矩陣的存儲
10.4.2稀疏矩陣的運算
10.5SciPy中的圖像處理
10.5.1圖像平滑
10.5.2圖像旋轉和銳化
10.6信號處理
10.6.1數據重採樣
10.6.2信號的卷積
10.6.3信號的時頻分析
10.7本章小結
10.8本章習題
10.9本章實訓
第11章統計與機器學習
11.1Scikitlearn的主要功能
11.2回歸分析
11.2.1一元線性回歸方法
11.2.2邏輯回歸
11.3分類
11.3.1決策樹規約
11.3.2KNN算法
11.3.3支持向量機
11.3.4樸素貝葉斯分類
11.4聚類
11.4.1KMeans聚類
11.4.2層次聚類
11.4.3基於密度的聚類
11.5主成分分析
11.6本章小結
11.7本章習題
11.8本章實訓
第12章圖像數據分析
12.1OpenCV簡介與導入
12.1.1OpenCV簡介
12.1.2Python中OpenCV的安裝與導入
12.2cv2圖像處理基礎
12.2.1cv2的基本方法與屬性
12.2.2cv2圖像處理示例
12.3應用尺度不變特徵變換
12.4使用加速魯棒特徵檢測
12.5圖像降噪
12.6本章小結
12.7本章習題
12.8本章實訓
第13章綜合案例
13.1職業人群體檢數據分析
13.2股票數據分析
13.3紅酒數據分析
課程/項目名稱
數據分析與可視化
課程
總學時：60學時
理論：36學時
實驗：24學時
學分
3
課程
課程類別：專業必修 ■專業必修 □ 公共必修 □公共選修
授課教師
***
授課專業
大數據技術與應用
授課班級
教學
目的和要求
通過本課程的學習，讓學生接觸並了解數據分析與可視化的基本使用方法，使學生具有Python數據分析、設計和可視化開發的能力，並具有較強的分析問題和解決問題的能力，為將來從事數據科學相關領域的工作打下堅實的基礎。
教學
重點、難點
教學重點：
掌握數據分析與可視化的基本原理與方法；
熟悉Python語言，能夠熟練使用Python擴展庫；
掌握Numpy庫的使用；
掌握Pandas的數據分析方法、數據預處理方法；
掌握Matplotlib的繪圖方法；
掌握Seaborn的繪圖方法；
掌握 pyecharts中繪圖的基本用法；
掌握Scipy科學計算的基本用法；
掌握Scikit-learn中典型的分類與聚類算法的基本用法；
掌握利用Open-cv進行圖像數據處理的基本用法；
教學難點：
掌握數據分析與可視化的基本過程和處理步驟；
掌握Matplotlib的繪圖方法；
熟練掌握Pandas數據分析的方法；
掌握Scikit-learn中數據分類聚類的基本方法。
教學
資源
多媒體課件
習題答案
其他教學資源：
《Python數據分析與可視化》魏偉一等主編，清華大學出版社
教學
環境
多媒體教學，課堂教學與學生上機實踐相結合
案例實現
授課內容
數據分析與可視化概述
教學目的
與要求
通過本課的學習，學生應該掌握如下知識：
1） 數據分析的含義
2） 數據可視化的用途
3） 數據分析與可視化的常用工具
4） Python數據分析與可視化的常用庫
5） Jupyter Notebook的環境及基本的用法
重點
難點
1）數據分析與可視化的內容
教學進程
安排
教學導入：
介紹介紹數據分析與可視化的重要性，舉例說明數據分析與可視化的案例，逐步引入到課程的介紹內容中來。
授課內容：
一、《Python數據分析與可視化》課程介紹
介紹本門課程的學科地位、考核方式、學習內容安排、可以參考的學習資料。
二、講授數據分析與可視化的定義、原理與發展
1）講授數據分析的含義和內容
2）講授數據分析與可視化的常用工具
3）講授Python進行數據分析與可視化的優勢
4）講授Python中數據分析與可視化的擴展庫
5）演示Jupyter Notebook的基本用法
課後學習
任務布置
安裝Anaconda集成環境，熟悉Jupyter Notebook的基本用法
主要
參考資料
《Python數據分析與可視化》魏偉一 等主編，清華大學出版社
授課內容
Python編程基本語法、內建數據結構
教學目的
與要求
介紹大Python基礎語法及內建數據結構。
通過本課的學習，學生應該掌握如下知識：
1）Python基礎語法；
2）內建的數據結構
列表、元組、字典和集合的用法
重點
難點
Python內建數據結構
教學進程
安排
授課內容：
一、Python語法
1）數據類型
2）操作符和表達式
3）字符串
4）流程控制語句
二、Python內建數據結構
1）列表
2）元組
3）字典
4）集合
課後學習
任務布置
掌握Python基本語法，內建數據結構
主要
參考資料
《Python數據分析與可視化》魏偉一 等主編，清華大學出版社
點擊圖片，查看本書教學大綱
在公眾號書圈後臺回復【9787302577584】，下載本書配套的教學資源