《Python数据分析与应用》(周元哲)教学大纲

PAGEPAGE10《Python数据分析与应用》课程教学大纲课程名称：Python数据分析与应用适用专业：计算机科学与技术先修课程：计算机导论、概率论总学时：52授课学时：30实验（上机）学时：22一、课程简介本课程可作为计算机科学与技术、智能科学与技术相关专业的必修课，也可作为其它本科专业的选修课，或者其它专业低年级研究生的选修课。数据分析研究如何从数据中获得信息，本课程采用理论与实践应用相结合的教学方式，通过教学使得学生能够理解Python的编程模式，熟练运用Python列表、元祖、字典、集合等基本数据类型，熟练掌握Python分支结构、循环结构、函数设计，熟练运用Python的众多第三方库进行数据分析，熟练掌握数据分析基础工具Numpy,熟练掌握数据可视化工具Matplotlib，熟练掌握数据处理工具Pandas，熟练掌握数据统计工具Scipy，熟练掌握数据可视化工具Seaborn和机器学习工具Sklearn,提高从数据中获取信息等能力。二、课程内容及要求第1章Python编程概述（2学时）主要内容：（含授课2学时）1.Python语言的发展。2.Python解释器。3.Python程序开发工具。基本要求：了解程序设计语言及其发展历史；了解Python语言的特点；了解Python语言的解释器，掌握Python语言环境安装及使用。重点：Python语言环境安装及使用。难点：Python语言的解释器。第2章Python编程基础（4学时）主要内容：（含授课4学时）1.数据类型2.Python的简单类型3.Python对象4．运算符与表达式基本要求：理解数据类型的概念、作用以及Python语言的基本数据类型；掌握常量、变量基本概念；掌握Python语言各类运算符的含义、运算符的优先级和结合性、表达式的构成以及表达式的求解过程。重点：数据类型的作用、变量的定义，各类运算符以及构成的表达式的求解。难点：运算符的优先级和结合性。第3章序列（7学时）主要内容：（含授课4学时，实验2学时，习题课1学时）1.列表2.元组3.字符串4.字典5.集合基本要求：掌握序列基础知识；熟练掌握列表的定义、常用操作和常用函数；熟练掌握元组的定义和常用操作；掌握字符串格式化、字符串截取的方法；熟练掌握字典的定义和常用操作；熟练掌握集合的定义和常用操作。重点：序列、列表、元组、字典、集合的定义和常用操作。难点：列表常用函数的应用，字符串的应用，字典及集合的应用。第4章流程控制（5学时）主要内容：（含授课4学时，实验1学时）1.算法2.程序的基本结构3.顺序结构4.选择结构5.循环结构基本要求：理解算法的概念；掌握程序的三种基本结构；掌握顺序结构程序设计；熟练掌握输入输出格式的规则和用法。熟练掌握分支语句if语句的三种形式。熟练掌握循环结构while、for语句的规则和用法；熟悉continue、break、pass语句的用法；掌握循环结构的嵌套规则。重点：数据的输入输出。if语句的三种形式。循环结构的应用。难点：格式化输出的规则和用法。选择分支结构的应用。循环的嵌套。第5章函数和模块（6学时）主要内容：（含授课4学时，实验2学时）1.函数的定义与调用2.函数的参数及返回值3.递归函数4．模块基本要求：理解函数的作用；熟练掌握函数定义和函数调用的规则和用法；掌握函数参数传递的规则和用法；理解函数的嵌套和递归调用。熟练掌握模块的引入。重点：函数的作用、定义和调用；模块的调用。难点：函数的参数传递、递归调用。第6章Python网络爬虫（2学时）主要内容：1requests库 2正则表达式 3BeautifulSoup库 4selenium_phantomjs 5爬虫框架Scrapy基本要求：了解网络爬虫基本概念；掌握requests库、正则表达式、BeautifulSoup库、selenium_phantomjs和爬虫框架Scrapy。重点：掌握requests库、正则表达式、BeautifulSoup库、selenium_phantomjs和爬虫框架Scrapy。难点：掌握正则表达式、BeautifulSoup库、selenium_phantomjs和爬虫框架Scrapy。第7章Python与数据分析（2学时）主要内容：1.数据分析库2.数据分类3．数据可视化4.数据分析流程基本要求：了解数据分析的基本概念；了解数据可视化，熟悉数据分析流程、数据分析库。重点：数据分析流程、数据可视化、数据分析库。难点：数据分析流程、数据可视化、数据分析库。第8章Numpy（4学时）主要内容：1.ndarray对象2.创建ndarray对象3.数组变换4.索引和切片 5.线性代数6.统计量基本要求：掌握Numpy数值计算方法，主要包括数组和矩阵运算。重点：掌握ndarray对象、创建数组变换、索引和切片、线性代数、统计量难点：掌握ndarray对象、创建数组变换、索引和切片、线性代数、统计量第9章Matplotlib（4学时）主要内容：1.绘图步骤2.子图基本操作3.二维图4.三维图5.动态图6.概率分布基本要求：掌握Matplotlib数据可视化绘图基础，参数设置及常用绘图。重点：掌握绘图步骤、子图基本操作、二维图、三维图和动态图各类图的画法、概率分布难点：掌握绘图步骤、子图基本操作、二维图、三维图和动态图各类图的画法、概率分布第10章Pandas（4学时）主要内容：1.Series2.DataFrame 3.Index 4.可视化5.数据转换基本要求：掌握Pandas中的数据结构、数据查询与编辑、分组汇总及绘图。重点：掌握Series、DataFrame、Index、可视化和数据转换难点：掌握Series、DataFrame、Index、可视化和数据转换第11章Scipy（4学时）主要内容：1.稀疏矩阵2.线性代数3.数据优化 4.数据分布5.统计量6.图像处理基本要求：掌握稀疏矩阵、线性代数、数据优化、数据分布、统计量和图像处理重点：掌握稀疏矩阵、线性代数、数据优化、数据分布和图像处理难点：掌握稀疏矩阵、线性代数、数据优化、统计量和图像处理第12章Seaborn（4学时）主要内容：1.风格设置2.绘图 基本要求：掌握Seaborn绘图特点，风格设置、绘图步骤 重点：掌握风格设置、绘图步骤难点：掌握风格设置、绘图步骤、绘制各类图形第13章Sklearn（4学时）主要内容：Sklearn六大功能模块数据集K近邻算法决策树线性模型朴素贝叶斯支持向量机Kmeans聚类DBSCAN聚类基本要求：了解Sklearn六大功能模块、掌握数据集、了解K近邻算法、决策树、线性模型、朴素贝叶斯、支持向量机、Kmeans聚类和DBSCAN聚类。重点：了解Sklearn六大功能模块、掌握数据集、了解K近邻算法、决策树、线性模型、朴素贝叶斯、支持向量机、Kmeans聚类和DBSCAN聚类。难点：了解Sklearn六大功能模块、掌握数据集、了解K近邻算法、决策树、线性模型、朴素贝叶斯、支持向量机、Kmeans聚类和DBSCAN聚类。四、教学安排及学时分配教学环节及学时主要内容学时分配讲课习题课实验小计Python语言概述22Python编程基础224序列426流程控制426函数和模块224网络爬虫224python与数据分析22Numpy224Matplotlib224Pandas224Scipy224Seaborn224Sklearn224合计302252六、考核方式平时成绩（占最终考核成绩的30%）按作业、作业质量、单元测试、翻转课堂等评定平时成绩，满分为100分。实验成绩（占最终考核成绩的30%）按实践教学、单元测试等评定平时成绩，满分为100分。期末考试成绩（占最终考核成绩的40%）采用上机考试或者笔试形式，满分为100分。七、建议教材及参考资料建议教材：周元哲.Python数据分析应用.西安：西安电子科技大学出版社,