Python数据分析与实战（微课版）-教案全套 赵男男 第1-10章 Python数据分析概述 -基于TipDM数据挖掘建模平台实现客户流失预测

打造基于产教融合的就业育人综合服务平台打造基于产教融合的就业育人综合服务平台第1章Python数据分析概述教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：3学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据目前数据分析发展状况，将数据分析具象化。而后介绍数据分析的概念，流程，目的以及应用场景。阐述使用Python进行数据分析的优势。列举说明Python数据分析重要库的功能。紧接着阐述Anaconda简介，实现在Windows系统下Anaconda数据分析环境。最后展现Python数据分析工具JupyterNotebook的优异特性及使用方法。基本要求了解数据分析的概念。了解数据分析的流程。了解数据分析在实际中的应用。了解Python在数据分析的优势。了解Python常用的数据分析库。掌握Windows系统下Anaconda的安装。掌握JupyterNotebook的常用功能。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。数据分析能够做什么？现实生活中存在哪些数据分析技术？该如何进行数据分析？Python语言有哪些优势？Pycahrm这个PythonIDE有那些优点和缺点？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。数据分析的完整流程是怎样的？数据分析的能够应用在那些场景？JupyterNotebook的哪些优缺点？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。数据分析是不是万能的？Python语言用于做数据分析有哪些优势？分析本班人员的基本信息可以从哪些角度入手？主要知识点、重点与难点主要知识点数据分析的概念、流程与应用场景。Python常用的数据分析库。Windows系统下Anaconda安装。JupyterNotebook的常用功能。重点数据分析的概念、流程与应用场景。JupyterNotebook的常用功能。难点数据分析的概念与流程。教学过程设计理论教学过程数据分析的概念。数据分析的流程。数据分析的应用场景。数据分析的常用工具。Python数据分析的优势。Python数据分析的常用类库。Python的Anaconda发行版。在Windows操作系统上安装Anaconda。JupyterNotebook的基础功能。JupyterNotebook的高级功能。实验教学过程在Windows系统上安装Anaconda。JupyterNotebook的常用功能。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024.参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第2章NumPy数值计算基础教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：4学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标主要介绍NumPy重要的基础内容，包括NumPy的“心脏”ndarray及其索引，生成随机数，创建矩阵，使用通用函数计算，以及利用NumPy进行数据分析的常用函数，为后面真正进入数据分析课程内容和学习其他数据分析库（如pandas）打下坚实的基础。基本要求掌握NumPy创建多维数组与生成随机数的方法。掌握数组的索引与转换。了解NumPy中数组矩阵的运算及通用函数的基本使用方法。掌握NumPy统计分析的方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。NumPy从这个库的名字理解，这个库的作用是什么？数组内部存放的数据是否可以为字符串？怎样取出数组内部的某个元素？数组和矩阵是否可以转换探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。数组和矩阵的异同点？数组和矩阵能否互相转换？能否自定义ufunc？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。使用NumPy能否进行本班人员的基本信息？如何将所有的分析方法做成一个ufunc？主要知识点、重点与难点主要知识点NumPy创建多维数组与生成随机数的方法。数组的索引与转换。NumPy中数组矩阵的运算及通用函数的基本使用方法。NumPy统计分析的方法。重点ndarray对象的创建与生成随机数的方法。数组的索引与变换。矩阵的运算及通用函数的基本使用方法。难点ndarray对象的创建与生成随机数的方法。数组的索引与变换。教学过程设计理论教学过程创建数组对象。生成随机数。通过索引访问数组。变换数组的形态。创建NumPy矩阵。ufunc函数。读/写文件。使用数组进行简单的统计分析。实验教学过程创建NumPy数组对象ndarray。查看ndarray的常用属性。花式索引ndarray。变换ndarray的形态。创建NumPy矩阵并使用。使用常见ufunc。使用NumPy读写文件。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第3章pandas统计分析基础教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：4学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标以音乐行业收入饮数据为例，介绍csv数据、Excel数据、数据库数据3种常用的数据读取与写入方式。阐述DataFrame的常用属性，方法与描述性统计相关内容。介绍时间数据的转换，信息提取与算术运算。剖析分组聚合方法groupby的原理、用法和三种聚合方法。通过本章的学习，能够对pandas库有一个整体了解并能够利用pandas库进行基础的统计。基本要求掌握常见的数据读取方式。掌握DataFrame常用属性与方法。掌握基础时间数据处理方法。掌握分组聚合的原理与方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。数据分析中常见的结构话数据读取方式有那些？DataFrame和数组有什么相似之处？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。读取数据库数据为什么需要别的库？时间数据中存在哪些信息？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。能否读取word数据，该如何做？为什么索引的时候有loc和iloc，设计者的意何在？主要知识点、重点与难点主要知识点常见的数据读取方式。DataFrame常用属性与方法。基础时间数据处理方法。分组聚合的原理与方法。重点读写数据。DataFrame数据的常用属性与方法。基础时间数据处理方法。分组聚合的原理与方法。难点读写数据。分组聚合的原理与方法。教学过程设计理论教学过程读写文本文件。读写Excel文件。读写数据库数据。查看DataFrame的常用属性。查改增删DataFrame数据。描述分析DataFrame数据。转换字符串时间为标准时间。提取时间序列数据信息。加减时间数据。使用groupby方法拆分数据。使用agg方法聚合数据。使用apply方法聚合数据。使用transform方法聚合数据。实验教学过程读写文本文件。读写Excel文件。读写数据库数据。查看DataFrame的常用属性。查改增删DataFrame数据。描述分析DataFrame数据。转换字符串时间为标准时间。提取时间序列数据信息。加减时间数据。使用groupby方法拆分数据。使用agg、apply、transform方法聚合数据。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024.参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第4章pandas数据预处理教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：7学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标以实际数据为例子，介绍数据分析的数据预处理过程，即数据合并、数据清洗、数据标准化和数据转换。数据合并介绍将多个数据源中的数据合并存放到一个数据存储的过程。数据清洗主要介绍对重复数据、缺失值和异常值的处理。数据标准化介绍如何将不同量纲的数据转化为可以相互比较的标准化数据。数据转换介绍如何从不同的应用角度对已有特征进行转换。基本要求掌握数据合并的原理与方法。掌握数据清洗的基本方法。掌握数据标准化的概念与方法。掌握常用的数据变换方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。数据质量不高的情况下如何提高数据质量？数据预处理包含哪些内容？数据预处理各个步骤是否有先后？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。重复值是否一定要做清洗？时间数据中存在哪些信息？数据变换的目的是什么？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。除了哑变量处理外，还有那些方法可以处理离散型特征？能否将这些方法写成自定义函数？主要知识点、重点与难点主要知识点数据合并的原理与方法。数据清洗的基本方法。数据标准化的概念与方法。常用的数据变换方法。重点数据合并。数据清洗。数据标准化。数据转换。难点数据清洗。数据转换。教学过程设计理论教学过程堆叠合并数据。主键合并数据。重叠合并数据。检测与处理重复值。检测与处理缺失值。检测与处理异常值。离差标准化数据。标准差标准化数据。小数定标标准化数据。哑变量处理类别型数据。离散化连续型数据。实验教学过程堆叠、主键、重叠合并数据。检测与处理重复值、缺失值、异常值。离差标准化、标准差标准化。小数定标标准化数据。哑变量处理类别型数据。离散化连续型数据。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第5章Matplotlib、seaborn、pyecharts数据可视化基础教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：7学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标介绍pyplot绘图的基本语法和常用参数，并以就业人员数据为例，基于Matplotlib库介绍散点图、折线图、柱形图、饼图和箱线图的绘制方法。介绍seaborn绘图风格和调色板，并以波士顿房价数据和人员离职率数据为例，基于seaborn库介绍热力图的绘制方法。介绍pyecharts初始配置项、系列配置项、全局配置项，并以某运动会各运动员数据、某淘宝店铺的订单转化率统计数据、宋词词频数据为例，基于pyecharts库介绍3D散点图、漏斗图、词云图的绘制方法。基本要求掌握pyplot常用绘图参数调节。掌握散点图和折线图的作用与绘制方法。掌握柱形图和饼图绘制的作用与绘制方法。掌握箱线图的作用与绘制方法。了解seaborn的基本图形和绘制图形的风格。掌握seaborn的调色板设置方法。掌握热力图的作用与绘制方法。了解pyecharts的初始配置项、系列配置项和全局配置项的设置方法。掌握3D散点图、漏斗图和词云图的作用与绘制方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。图形和文字哪一种更容易让大脑记住？常见的统计学图形有哪些？不同的图形所表示的意义是否相同？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。散点图、折线图的主要功能是什么，有什么异同点？3D散点图的主要功能是什么？词云图的主要功能是什么？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。能否绘制一个雷达图，该怎么做？如何将本班同学的数据做可视化？主要知识点、重点与难点主要知识点pyplot常用绘图参数调节。散点图和折线图的作用与绘制方法。柱形图和饼图绘制的作用与绘制方法。箱线图的作用与绘制方法。seaborn的基本图形和绘制图形的风格。seaborn的调色板设置方法。热力图的作用与绘制方法。pyecharts的初始配置项、系列配置项和全局配置项的设置方法。3D散点图、漏斗图和词云图的作用与绘制方法。重点pyplot的基础语法。散点图和折线图的作用与绘制方法。柱形图、饼图和箱线图的作用与绘制方法。热力图的作用与绘制方法。pyecharts的初始配置项、系列配置项和全局配置项的设置方法。3D散点图、漏斗图和词云图的作用与绘制方法。难点散点图和折线图的作用与绘制方法。柱形图、饼图和箱线图的作用与绘制方法。热力图的作用与绘制方法。3D散点图、漏斗图和词云图的作用与绘制方法。教学过程设计理论教学过程pyplot的基础语法。设置pyplot的动态rc参数。绘制散点图。绘制折线图。绘制柱形图。绘制饼图。绘制箱线图。seaborn绘制图形的风格。设置seaborn的调色板。绘制热力图。绘制3D散点图。绘制漏斗图。绘制词云图。实验教学过程设置pyplot的动态rc参数。绘制散点图。绘制折线图。绘制柱形图。绘制饼图。绘制箱线图。设置seaborn的调色板。绘制热力图。设置pyecharts库的初始配置项、系列配置项和全局配置项。绘制3D散点图。绘制漏斗图。绘制词云图。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第6章使用scikit-learn构建模型教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：10学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标重点介绍聚类、分类和回归三类sklearn数据分析技术的基本任务对应的数据分析建模方法及实现过程。同时，每一类又有对应的多种评估方法，能够评价所构建模型的性能优劣。通过这一章的学习，基本能够掌握常用的模型构建与评估方法，可在以后的数据分析过程中采用适当的算法并按所介绍的步骤实现综合应用。基本要求掌握sklearn转换器、评估器的使用。掌握sklearn数据标准化与数据划分。掌握sklearn中聚类、分类、回归模型的构建。掌握sklearn中聚类、分类、回归模型的评价。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。常见的模型算法使用场景有哪些？不同的场景之间有什么区别？scikit-learn名字的由来？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。scikit-learn的标准化和第5章的有何不同？聚类和分类的区别是什么？回归和分类的区别又是什么？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。不同的算法，可解释性不同，能否挑选一种可解释性强的算法对算法结果进行解释？除了PCA降维以外，可以使用RandomForest模型进行特征的筛选，该如何做？主要知识点、重点与难点主要知识点sklearn转换器、评估器的使用。sklearn数据标准化与数据划分。sklearn中聚类、分类、回归模型的构建。sklearn中聚类、分类、回归模型的评价。重点sklearn转换器的使用方法。sklearn估计器的使用方法。聚类模型的构建与评价。分类模型的构建与评价。回归模型的构建与评价。难点sklearn转换器的使用。sklearn估计器的使用。分类模型构建。回归模型构建。教学过程设计理论教学过程加载datasets模块中的数据集。将数据集划分为训练集和测试集。使用sklearn转换器进行数据预处理与降维。使用sklearn估计器构建聚类模型。评价聚类模型。使用sklearn估计器构建分类模型。评价分类模型。使用sklearn估计器构建回归模型。评价回归模型。实验教学过程加载datasets模块自带数据集。划分数据集。使用sklearn转换器进行数据预处理与降维。构建与评价聚类模型。构建与评价分类模型。构建与评价回归模型。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第7章 竞赛网站用户行为分析教案课程名称：《Python数据分析与实战》课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据竞赛网用户访问的原始数据，在数据中构建用户标签以及对网页进行分类。其次结合实际业务情况构建了聚类特征，最后使用K-Means聚类算法建立聚类分群模型。并对聚类得到的结果分析各个群体的特征，从而结合网站的实际营运情况提出相对应的运营建议。基本要求熟悉竞赛网站用户行为分析的步骤和流程。掌握竞赛网站用户数据的预处理方法。掌握使用K-Means聚类算法的方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。为什么要对竞赛网站的用户进行分群呢？数据分析是什么？数据分析的主要流程是哪些？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。什么是聚类算法？为什么要进行数据清洗？如何进行特征的构建？K-Means聚类算法基本原理是怎么样的？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。还有其他的预处理方法吗？除了K-Means聚类算法还能举出其他的聚类算法吗？聚类算法与分类算法的区别是什么？主要知识点、重点与难点主要知识点访问数据的特征值转换。竞赛网站用户的识别。异常访问数据的数据清洗。竞赛网站网页的分类。竞赛网站用户的特征构造。K-Means聚类算法原理。使用K-Means聚类算法对竞赛网站用户进行分群。K-Means聚类模型算法的结果分析。重点竞赛网站用户异常访问的数据清洗。竞赛网站用户的特征构造。K-Means聚类算法原理。使用K-Means聚类算法对竞赛网站用户进行分群。难点访问数据的特征值转换。异常访问数据的数据清洗。使用K-Means聚类算法对竞赛网站用户进行分群。教学过程设计理论教学过程了解竞赛网站背景。认识用户行为分析。熟悉竞赛网站用户行为分析的步骤与流程。了解预处理竞赛网站用户访问数据的操作方法。了解K-Means聚类算法。实验教学过程连接数据库，读取竞赛网站数据。数据预处理的特征值转换。数据预处理的用户识别。数据预处理的数据清洗。数据预处理的网页分类。数据预处理的构造特征。使用K-Means聚类算法进行用户分群。K-Means聚类算法的模型应用。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第8章企业所得税预测分析教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据目前数据分析发展状况，运用数据分析技术对企业所得税进行分析，并对未来两年的企业所得税进行预测。其中包括采用Pearson相关系数对收集的数据进行分析，其次运用Lasso回归模型进一步筛选数据的特征，接着构建灰色预测模型预测2020年与2021年的特征值，最后根据特征值使用SVR算法预测2020年与2021年企业所得税的值。基本要求熟悉企业所得税预测的步骤和流程。掌握相关性分析方法与应用。掌握使用Lasso模型选取特征的方法。掌握使用灰色预测和SVR算法预测企业所得税的方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。什么是企业所得税？影响企业所得税的因素有哪些？企业所得税预测的流程是怎样的？企业所得税预测的方法有哪些？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。怎样选取企业所得税预测的关键特征？什么是Lasso回归？如何选择企业所得税预测模型？什么是灰色预测算法？什么是SVR算法？如何判断模型预测的效果？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。相关性分析还有其他方法吗？关键特征的选取有没有其他方法？是否还有其他的预测模型？主要知识点、重点与难点主要知识点企业所得税预测的步骤和流程。企业所得税数据特征的相关性分析。Pearson相关系数。Lasso回归方法的基本原理。企业所得税预测的关键特征的选取。灰色预测算法的基本原理。SVR算法的基本原理。构建企业所得税预测模型。重点企业所得税数据特征的相关性分析。企业所得税预测的关键特征的选取。构建企业所得税预测模型。难点企业所得税预测的关键特征的选取。构建企业所得税预测模型。教学过程设计理论教学过程了解企业所得税预测背景。了解企业所得税预测的方法。熟悉企业所得税预测的步骤与流程。了解了解相关性分析。了解Lasso回归方法。了解灰色预测算法。了解SVR算法。实验教学过程计算Pearson相关系数。使用Lasso回归方法选取关键特征。构建灰色预测模型。构建SVR算法预测模型。绘制真实值与预测值的对比图。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python数据分析与应用（第2版）（微课版）[M]．北京：人民邮电出版社．2022．第9章餐饮企业客户流失预测教案课程名称：Python数据分析与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时材料清单《Python数据分析与实战（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本案例依据客户基本信息和消费产生的订单信息，探索年龄、性别与客户流失的关系，对数据进行预处理，并构建客户流失特征，最后结合分类算法中的决策树算法和支持向量机算法预测客户流失，并对比分析两种模型在非流失和准流失类别上的分类能力。为餐饮企业针对不同类型的客户调整销售策略提供依据。基本要求了解餐饮企业客户流失预测的步骤和流程。掌握餐饮企业数据的预处理方法。掌握构建决策树和支持向量机算法的方法。对比分析决策树和支持向量机算法的预测结果。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。目前一般餐饮企业会面临哪些问题？餐饮企业产生的数据有哪些，能做什么分析？观察客户信息表与订单详情表，分析可以从哪些角度入手？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。可以通过哪些特征分析客户流失情况？观察订单详情表的数据，可以看出哪些数据异常情况，对应做什么处理？对于客户信息表和订单详情表的缺失值，应该做什么处理？客户价值分析构建的模型是否还能优化？客户流失预测模型是否还能优化？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。预测客户流失的方法，除了决策树算法和支持向量机算法外，还有哪些方法？这份数据预测客户流失问题还可以从哪些角度构建流失特征？这份数据还可以探究餐饮企业的哪些问题？主要知识点、重点与难点主要知识点了解餐饮企业的数据情况。熟悉餐饮企业数据分析的流程。掌握使用统计方法对客户信息表数据提出猜测分析。掌握使用数据处理方法对客户信息表和订单详情表进行数据预处理。掌握使用分组聚合的方法构建客户流失的特征。了解决策树算法。了解支持向量机算法。掌握使用scikit-learn库构建决策树模型并进行训练。掌握使用scikit-learn库构建支持向量机模型并进行训练。掌握使用评价函数中的混淆矩阵、精确率、召回率、F1值评价模型的预测效果，并预测客户流失。重点掌握使用分组聚合的方法构建客户流失的特征。了解决策树算法。了解支持向量机算法。掌握使用scikit-learn库构建决策树模型并进行训练。掌握使用scikit-learn库构建支持向量机模型并进行训练。掌握使用评价函数中的混淆矩阵、精确率、召回率、F1值评价模型的预测效果，并预测客户流失。难点掌握使用scikit-learn库构建决策树模型并进行训练。掌握使用scikit-learn库构建支持向量机模型并进行训练。掌握使用评价函数中的混淆矩阵、精确率、召回率、F1值评价模型的预测效果，并预测客户流失。教学过程设计理论教学过程了解餐饮企业客户流失预测背景。认识餐饮客户流失预测。熟悉餐饮企业客户流失预测的步骤与流程。了解决策树算法。了解支持向量机算法。实验教学过程在客户信息表中探索客户年龄和性别与客户流失状态的关系。查看客户信息表和订单详情表中的重复值。处理订单详情表中的异常值。处理客户信息表和订单详情表中的缺失值。使用分组聚合的方法构建客户流失特征。构建并训练决策树模型。使用评价函数中的混淆矩阵、精确率、召回率、F1值评价决策树模型的预测效果，并预测客户流失。构建并训练支持向量机模型。使用评价函数中的混淆矩阵、精确率、召回率、F1值评价支持向量机模型的预测效果，并预测客户流失。教材与参考资料教材赵男男，张良均．Python数据分析与实战（微课版）[M]．北京：人民邮电出版社．2024．参考资料[1] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[2] 张良均，谭立云．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[3] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．[4] 曾文权，张良均．Python