《数据分析基础与应用》课程标准
一、课程名称
数据分析基础与应用
二、适用专业
本课程适用于职业院校的计算机类、财经类、统计类等各专业，如大数据技术、金融管理、市场营销、统计学等专业。
三、课程性质
“数据分析基础与应用”是高职多个专业的重要课程，在专业课程体系中具有重要地位，是培养学生数据处理与分析能力的职业通用能力必修课程。
本课程的主要教学任务是让学生通过学习该课程，掌握数据分析的基本知识、常用工具和方法，具备运用数据分析解决实际问题的能力，为今后在大数据、金融、营销等领域的工作和学习打下坚实基础。课程着眼于学生的长远发展，重点培养其数据分析、问题解决、沟通协作和创新能力。
前导课程：《计算机应用基础》《高等数学》《统计学基础》。
后续课程：《大数据分析技术》《机器学习与数据挖掘》《商业智能与决策分析》等。
四、课程设计
课程对应职业能力分析表中的数据收集、数据清洗、数据分析、数据可视化等工作任务。
课程以项目教学为主线，将数据分析理论基础知识融入不同的工作任务中。以实际案例项目为载体，通过教师的演示和讲授，进行知识点的介绍；通过学生实训与教师指导相结合的方式，让学生在实践中加深对数据分析理论知识的理解。
在项目教学的过程中，大量采用实际案例进行教学，提高学生数据分析实战能力。结合一些企业的应用场景，提供了大量完整教学案例，并完整提供这些案例的实现代码，比如：电商用户消费行为分析、金融风险评估、市场营销效果分析、医疗数据挖掘等。通过这些企业场景案例，让学生能在学习完基础知识后，在数据分析的综合应用能力方面有进一步的提升。
五、课程教学目标
本课程的主要目标是培养学生的数据分析基本技能，比如数据收集、数据清洗、数据探索、数据分析方法应用、数据可视化等基础知识，一些常用的数据分析工具和库的应用，如 Excel、Python 的 Pandas、NumPy、Matplotlib 等。
通过本课程的学习，使得学生能够理解数据分析的基本流程和方法，熟练运用数据分析工具和库进行数据处理和分析，掌握常见的数据分析方法和技术，如描述性统计分析、相关性分析、回归分析等，能够使用数据可视化工具将分析结果直观地展示出来，同时还应培养学生的数据思维和问题解决能力。
（一）知识目标
- 了解数据分析的基本概念、流程和应用领域。
- 掌握数据收集的方法和途径，包括数据库查询、网络爬虫等。
- 掌握数据清洗的方法和技巧，如缺失值处理、异常值处理、重复值处理等。
- 了解数据探索的基本方法，如描述性统计分析、数据可视化等。
- 掌握常见的数据分析方法和技术，如相关性分析、回归分析、聚类分析等。
- 了解数据可视化的基本原则和方法，掌握常用的数据可视化工具和库。
- 了解数据分析报告的撰写规范和方法。
（二）专业能力目标
- 学会使用 Excel 进行数据处理和分析，如数据排序、筛选、透视表、图表制作等。
- 掌握 Python 的基本语法和常用数据结构，能够使用 Pandas 和 NumPy 进行数据处理和分析。
- 学会使用 Matplotlib 进行数据可视化，能够制作常见的图表，如折线图、柱状图、散点图等。
- 掌握数据收集的方法和技术，能够使用数据库查询和网络爬虫获取数据。
- 能够运用数据清洗和探索的方法，对数据进行预处理和初步分析。
- 学会使用常见的数据分析方法和技术，对数据进行深入分析，解决实际问题。
- 能够使用数据可视化工具将分析结果直观地展示出来，撰写数据分析报告。
（三）职业素养目标
- 具备诚信、负责、守法、敬业的思想品德。
- 具备良好的信息资料收集、分析问题、解决问题的能力。
- 具有较好的信息检索能力和数据敏感度。
- 具备良好的团队合作能力和沟通能力。
- 具备自主学习与再学习的能力。
- 培养学生的创新意识和数据安全意识。
六、参考学时与学分
参考学时：72 学时。教学周 18 周，每周 4 课时。
参考学分：4 学分。
七、课程结构
（一）知识点和目标设置
| 序号 | 模块 | 知识点和目标 | 学时 |
|---|---|---|---|
| 1 | 数据分析概述 | 1) 了解数据分析的基本概念、流程和应用领域。 2) 了解数据分析的重要性和发展趋势。 3) 树立正确的数据分析职业观。 |
3 |
| 2 | 数据收集 | 1) 掌握数据收集的方法和途径，包括数据库查询、网络爬虫等。 2) 学会使用 Python 的 Requests 库进行网络数据爬取。 3) 掌握数据库查询语言（SQL）的基本操作，能够从数据库中获取数据。 |
7 |
| 3 | 数据清洗与预处理 | 1) 掌握数据清洗的方法和技巧，如缺失值处理、异常值处理、重复值处理等。 2) 学会使用 Pandas 进行数据清洗和预处理。 3) 了解数据标准化和归一化的方法。 |
8 |
| 4 | 数据探索与可视化 | 1) 了解数据探索的基本方法，如描述性统计分析、数据可视化等。 2) 掌握 Python 的 Matplotlib 和 Seaborn 库进行数据可视化。 3) 能够使用数据可视化工具发现数据中的规律和问题。 |
10 |
| 5 | 数据分析方法 | 1) 掌握常见的数据分析方法和技术，如相关性分析、回归分析、聚类分析等。 2) 学会使用 Python 的 Scikit-learn 库进行数据分析。 3) 能够运用数据分析方法解决实际问题。 |
16 |
| 6 | 数据可视化高级应用 | 1) 了解数据可视化的基本原则和方法，掌握常用的数据可视化工具和库。 2) 学会使用 Tableau 等专业数据可视化工具进行数据展示。 3) 能够制作复杂的数据可视化图表和仪表盘。 |
8 |
| 7 | 数据分析报告撰写 | 1) 了解数据分析报告的撰写规范和方法。 2) 学会撰写数据分析报告，包括报告的结构、内容和格式。 3) 能够将数据分析结果以清晰、准确的方式呈现给用户。 |
6 |
| 8 | 综合项目实践 | 1) 结合实际案例，综合运用所学的数据分析知识和技能，完成一个完整的数据分析项目。 2) 培养学生的团队合作能力和问题解决能力。 |
14 |
（二）第 1 至第 8 模块知识点和教学建议
第 1 模块：数据分析概述
| 模块名称 | 数据分析概述 | 建议学时 | 3 | |
|---|---|---|---|---|
| 学习目标 | 1) 了解数据分析的基本概念、流程和应用领域。 2) 了解数据分析的重要性和发展趋势。 3) 树立正确的数据分析职业观。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据分析的基本概念 | √ | |||
| 数据分析的流程 | √ | |||
| 数据分析的应用领域 | √ | |||
| 数据分析的重要性和发展趋势 | √ | |||
| 数据分析职业观 | √ | |||
| 案例——电商用户消费行为分析概述 | √ | √ |
第 2 模块：数据收集
| 模块名称 | 数据收集 | 建议学时 | 7 | |
|---|---|---|---|---|
| 学习目标 | 1) 掌握数据收集的方法和途径，包括数据库查询、网络爬虫等。 2) 学会使用 Python 的 Requests 库进行网络数据爬取。 3) 掌握数据库查询语言（SQL）的基本操作，能够从数据库中获取数据。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据收集的方法和途径 | √ | |||
| Python 的 Requests 库 | √ | √ | √ | |
| 网络爬虫的基本原理和实现方法 | √ | √ | ||
| 数据库查询语言（SQL）的基本操作 | √ | √ | √ | |
| 案例——从电商网站爬取商品数据 | √ | √ | √ | |
| 案例——从数据库中查询销售数据 | √ | √ | √ |
第 3 模块：数据清洗与预处理
| 模块名称 | 数据清洗与预处理 | 建议学时 | 8 | |
|---|---|---|---|---|
| 学习目标 | 1) 掌握数据清洗的方法和技巧，如缺失值处理、异常值处理、重复值处理等。 2) 学会使用 Pandas 进行数据清洗和预处理。 3) 了解数据标准化和归一化的方法。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据清洗的概念和重要性 | √ | |||
| 缺失值处理方法 | √ | √ | √ | |
| 异常值处理方法 | √ | √ | √ | |
| 重复值处理方法 | √ | √ | √ | |
| Pandas 库的基本使用 | √ | √ | √ | |
| 数据标准化和归一化的方法 | √ | √ | ||
| 案例——电商用户数据清洗与预处理 | √ | √ | √ |
第 4 模块：数据探索与可视化
| 模块名称 | 数据探索与可视化 | 建议学时 | 10 | |
|---|---|---|---|---|
| 学习目标 | 1) 了解数据探索的基本方法，如描述性统计分析、数据可视化等。 2) 掌握 Python 的 Matplotlib 和 Seaborn 库进行数据可视化。 3) 能够使用数据可视化工具发现数据中的规律和问题。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据探索的基本方法 | √ | |||
| 描述性统计分析 | √ | √ | ||
| Python 的 Matplotlib 库 | √ | √ | √ | |
| Python 的 Seaborn 库 | √ | √ | √ | |
| 常见的数据可视化图表类型 | √ | √ | ||
| 数据可视化的基本原则和方法 | √ | √ | ||
| 案例——电商用户消费行为数据探索与可视化 | √ | √ | √ |
第 5 模块：数据分析方法
| 模块名称 | 数据分析方法 | 建议学时 | 16 | |
|---|---|---|---|---|
| 学习目标 | 1) 掌握常见的数据分析方法和技术，如相关性分析、回归分析、聚类分析等。 2) 学会使用 Python 的 Scikit-learn 库进行数据分析。 3) 能够运用数据分析方法解决实际问题。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 相关性分析 | √ | √ | √ | |
| 回归分析 | √ | √ | √ | |
| 聚类分析 | √ | √ | √ | |
| Python 的 Scikit-learn 库 | √ | √ | √ | |
| 数据分析方法的应用场景和选择原则 | √ | √ | ||
| 案例——电商用户消费行为数据分析 | √ | √ | √ |
第 6 模块：数据可视化高级应用
| 模块名称 | 数据可视化高级应用 | 建议学时 | 8 | |
|---|---|---|---|---|
| 学习目标 | 1) 了解数据可视化的基本原则和方法，掌握常用的数据可视化工具和库。 2) 学会使用 Tableau 等专业数据可视化工具进行数据展示。 3) 能够制作复杂的数据可视化图表和仪表盘。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据可视化的基本原则和方法 | √ | |||
| Tableau 等专业数据可视化工具的使用 | √ | √ | √ | |
| 复杂数据可视化图表和仪表盘的制作 | √ | √ | √ | |
| 数据可视化的交互设计 | √ | √ | ||
| 案例——电商用户消费行为数据可视化高级应用 | √ | √ | √ |
第 7 模块：数据分析报告撰写
| 模块名称 | 数据分析报告撰写 | 建议学时 | 6 | |
|---|---|---|---|---|
| 学习目标 | 1) 了解数据分析报告的撰写规范和方法。 2) 学会撰写数据分析报告，包括报告的结构、内容和格式。 3) 能够将数据分析结果以清晰、准确的方式呈现给用户。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 数据分析报告的撰写规范和方法 | √ | |||
| 数据分析报告的结构和内容 | √ | √ | ||
| 数据分析报告的格式和排版 | √ | √ | ||
| 数据分析结果的呈现方式和技巧 | √ | √ | √ | |
| 案例——电商用户消费行为数据分析报告撰写 | √ | √ | √ |
第 8 模块：综合项目实践
| 模块名称 | 综合项目实践 | 建议学时 | 14 | |
|---|---|---|---|---|
| 学习目标 | 1) 结合实际案例，综合运用所学的数据分析知识和技能，完成一个完整的数据分析项目。 2) 培养学生的团队合作能力和问题解决能力。 |
|||
| 知识点名称 | 了解 | 掌握 | 重点 | 难点 |
| 综合项目实践的流程和方法 | √ | |||
| 团队合作和沟通技巧 | √ | |||
| 问题解决的方法和策略 | √ | |||
| 综合项目实践案例分析 | √ | √ | √ |
八、资源开发与利用
（一）教材编写与使用
需依据本课程标准编写教材，教材应充分体现基于工作过程项目课程的设计思想，突出职业能力培养的思路。教材应图文并茂，针对数据分析技能的操作程序，以图解和实训的方式直观地展现给学生，提高学生的学习兴趣，加深学生对数据分析的认识和理解。
教材中的活动设计的内容要具体，并具有可操作性。教材内容应体现先进性、通用性、实用性，将最新数据分析技术及时纳入教材，使教材紧跟行业发展。
教材建议由学校教师与企业数据分析专家共同编写。
（二）数字化资源开发与利用
- 以网络课程为平台积极开发和利用数字化教学资源，包括课程标准、实训指导书、授课计划等教学文件；PPT 课件、电子教案、微课视频、习题库、案例库、数据分析项目设计代码库、技术动态等课程资源。
- 可使用国家精品课程资源共享数字化教学资源或者其它网上精品课程。
|序号|名称|网址|级别|
|---|---|---|---|
|1|Python 数据分析实战|https://www.icourse163.org/course/BIT-1001872001|国家级精品课程，北京理工大学|
|2|数据分析与挖掘|https://www.icourse163.org/course/NKU-1002514004|南开大学|
|3|数据可视化基础|https://www.icourse163.org/course/HBRJ-1003206801|河北软件职业技术学院|
|4|Excel 数据分析实战教程|https://www.imooc.com/learn/1261|慕课网—免费课|
|5|Python 数据分析进阶教程|https://www.imooc.com/learn/1264|慕课网—免费课|
九、教学建议
（一）教学方法
本课程建议以项目式教学为核心开展教学活动。
第一阶段：课堂理论讲授与演示为主。建议以简单的范例代码或者其它简单易懂的案例为载体，通过教师的理论授课和项目设计，完成数据分析基础知识的课堂讲授。
第二阶段：项目实施实践教学，以综合项目实践为依托，以实际的数据分析需求为导向，在教学过程中鼓励学生主动参与完成任务、参与新知识探索，真正体现“教师为主导、学生为主体”的教学思想，使学生在掌握数据分析关键技术的同时，培养分析问题、解决问题和再学习的能力，培养良好的团队合作和良好的社会沟通能力。
（二）教学条件
本课程教学环节需要一体化教学环境，教学实训室必须安装有多媒体教学环境、每人配置一台计算机，计算机需要安装 Excel、Python 开发环境（如 Anaconda）、Tableau 等常用软件，满足同时开展讲授、练习和项目教学的需要。
建议使用 Python 3.8 版及以上版本进行教学。教学实践中，建议系统环境的采用 win7(或者 win10)以上，PyCharm Community Edition 编辑器。
十、教学评价
注重评价的多元化，将终结性评价与过程性评价相结合起来。过程性评价内容包括日常出勤、课堂提问、章节作业、平时测验、技能训练过程等，以考核职业能力为主。终结性评价体现为期中和期末考试，以考核理论知识主。倡导评价的多主体性，提倡学生参与学习过程的的评价，可以进行学生的自我评价、学生互评以及师生之问的相互评价。
（一）总评成绩建议
总评成绩 = 过程性评价成绩 30% + 期中考试成绩 30% + 期末考试成绩 40%
总体评价方式如下表
| 序号 | 评价内容 | 评价类别 | 评价形式 | 分值 |
|---|---|---|---|---|
| 1 | 职业素养目标 | 过程性评价 | 日常出勤、课堂表现、章节作业、平时测验、技能实训报告 | 30% |
| 2 | 知识目标和专业能力目标 | 终结性评价 | 期中考查 | 30% |
| 3 | 知识目标和专业能力目标 | 终结性评价 | 期末考查 |
