《数据分析基础》课程建设与教学实践探索
张程伟
摘要：《数据分析基础》课程是数据科学与大数据专业的一门专业基础课程。本文主要介绍了浙大城市学院《数据分析基础》课程的建设思路，并总结了2020年教学实践情况。
关键词：数据分析;课程建设;教学实践
一、引言
《数据分析基础》是我校大数据专业的必修课程。张彩伢等[1]提到在大数据专业人才培养模式中要构建多层次的实践教学体系：基础实验层、综合设计层和应用创新层。《数据分析基础》就是基础实验层的实践类课程。周黎鸣等[2]分析了工科背景下数据分析的课程设计，侧重于可视化的实现，而我校数据分析课程是在理科背景下，侧重于采用统计方法进行数据分析，主要教授R语言和Python语言的数据分析编程方法。朝乐门等[3]指出数据科学课程的一大难点就是理论基础的跨学科性，数据分析实践就是统计学、机器学习及可视化的一个重要接合点，无论对学生的学习还是对老师的教学都充满着挑战。
我校该课程主要介绍R语言以及Python语言的编程基础以及数据分析相关理论方法。该课程的教学可以让学生熟悉数据分析相关的工具R以及Python的编程环境和编程技术，同时培养学生能够使用R以及Python进行数据分析处理的能力，最终使学生掌握数据可视化以及基本数据分析的相关理论方法和具备使用R以及Python编程工具进行编程实现的能力。学生通过该课程的学习，提高动过手能力和独立思考能力，能够更好更轻松地将后续学习中关于数据处理的理论模型知识应用到实处。
二、浙大城市学院统计软件课程教学探索历程
《数据分析基础》是数据分析工具语言类的课程，随着计算机相关软件的发展，浙大城市学院的相关教学也经历了以下几个阶段：
2008年开始面向统计专业开设了《实用统计软件》，培养学生实用计算机软件进行统计建模分析的能力。课程教学内容从使用SPSS进行统计分析到使用SAS进行统计分析的编程实现，从菜单式数据分析的计算机应用到统计建模的编程实现。
2016年开始面向统计专业开设《统计软件基础（双语）》，为了跟上学科发展的潮流，更好地开拓学生的统计建模实现能力，课程内容转为使用R语言进行统计建模分析。
2019年开始，我校新开设数据科学与大数据技术专业，为了使学生在未来的学习和研究中拥有足够的数据处理和计算编程能力，开设《数据分析基础》，重点介绍统计建模的R语言以及成熟的用于数据分析的Python语言的编程基础以及数据分析相关理论方法和计算机编程实现。
三、课程建设
本课程建设的重点主要放在案例的设计和课堂教学形式的优化。
本课程作为一门新开课程，建立在历史开设的几门相关课程的基础之上，拥有一些教学案例的积累。教学内容包括：
R编程环境的熟悉、R语言数据结构、基本统计分析及绘图的R实现以及Python语言的基本语法、numpy科学计算库、pandas数据分析处理库和利用Matplotlib库进行数据可视化。
数据分析基础这门课程的特色在于培养学生熟悉使用相关计算机编程语言的同时还要熟悉数据分析的相关理论基础的同时，将二者结合起来，达到能够使用R或者Python进行具体的数据处理和分析。
改革的创新点也在于和通过大量具体的数据分析案例入手，进行案例教学，在课堂上培养学生能够针对不同数据案例给出相应的分析建模方法，然后利用计算机进行編程实现，而不是单纯割裂地进行R语言或者Python语言的编程教学或者是数据分析理论的教学。
教学形式上增加学生的动手参与的机会，改革课程考核的方式，注重考查教学过程中学生的参与程度与效果。课程成绩的评定将包括：平时成绩（考勤+作业）以及期末考查，期末考查的形式以上机完成一次综合的数据分析实训为主，不唯考，重过程，看成效。
作为首开课程，在未来的教学过程中，将会首先将课程体系建设完善，完善教学的内容和教学的案例以及考核内容。然后调研大数据专业后续专业课程任课老师的教学需要，调整优化本课程的教学内容，使本课程融入专业课程建设的需要，提升学生的专业能力，更好地为其在后续的专业学习和研究服务。
（一） 课程教学内容及课时安排：
1. Python语言基础（8学时）
2. Numpy基础（8学时）
3. Pandas入门（8学时）
4. Python绘图与可视化（8学时）
5. Python数据分析初步（4学时）
6. R语言基础知识（8学时）
7. R数据结构（8学时）
8. R数据转换（4学时）
9. R数据可视化（4学时）
10. R描述性统计分析及随机模拟（4学时）
（二）考核重点：熟悉Python的使用环境和编程方法，能够使用Python进行基本的数据处理与分析任务。熟悉R语言的语法结构与数据处理方法，能够使用R进行基本的数据处理与分析任务。
（三）必须掌握的基本知识点：Python的运行编译环境;Python语言基础，序列函数的使用，循环语句以及分支控制语句的应用;内建的数据结构以及函数的定义与使用;numpy多维数组及逐元素通用函数;pandas数据结构及其基本操作;数据的转换;数据可视化方法;数据的分组、聚合。熟悉R中的内容显示;变量、向量的生成、管理与运算;函数的定义;程序包的装载与使用;数据的输入、输出与管理;矩阵、数据框的定义与管理;数据的转换;字符串与日期类数据;统计相关基础运用（数据汇总，描述性统计分析，样本均值t检验，正态性检验等）;R绘图及图形控制;其他一些关于R编程的有用方法。
考核内容为平时十二次实验作业每次提交，期中进行一次Python数据分析技能的上机考核，期末进行一次R数据分析技能的上机考核。
（四）考核的评定（评分）标准：（1）课程要求学生全程参与并签到，不得无故缺勤。考勤总分为10分，无故缺勤一次减2分，无故缺勤次数达到3次，取消该课程的考核资格。（2）平时作业每次满分10分，按照解答的准确性以及态度进行评分，最后总合按30分折算加入期末总评。（3）期中及期末考核按照完成任务的质量和数量进行评分，各满分100分。（4）期末总评=平时作业成绩（30分）+考勤（10分）+期中考核（30%）+期末考核（30%）
四、教学实践
以上课程体系，经过一轮针对2019级学生的教学，学生成绩如下表所示：参与考核的总人数为63人，及格率为97%，优秀率为62%。
从考核结果来看，学生基本能够掌握并运用所学Python或者R语言进行简单的数据分析工作，整体表现较好，学生们的学习主动性较强，在一个学期之内基本掌握了两门数据分析语言，成绩理想。存在的问题主要有部分同学对于数据分析应用的上机考核形式不是很熟悉，平时缺乏练习。
参考文献：
[1] 张彩伢，王贵. 理科大数据专业数据分析人才培养模式的探究[J]. 教育现代化，2021，8（01）：37-41.
[2] 周黎鸣，林英豪，李征，陈小潘.新工科背景下大数据专业课程建设[J].计算机时代，2021（01）：102-105.
[3] 朝乐门，杨灿军，王盛杰，赵俊鹏，许梦甜.全球数据科学课程建设现状的实证分析[J].数据分析与知识发现，2017，1（06）：12-21.
猜你喜欢 数据分析课程建设教学实践 信息技术构建小学数学多彩课堂的研究小学时代·中旬刊(2020年7期)2020-10-14初中数学教学中数形结合思想的实践分析求学·教育研究(2020年6期)2020-06-04让数学基本活动经验在高中数学教学中落地生根新课程·中学(2018年5期)2018-10-23《内燃机设计》的教学创新与实践教育教学论坛(2018年42期)2018-10-13基于“J课堂”数据分析的有效合作学习策略探索中小学信息技术教育(2017年1期)2017-02-08大专院校“C语言程序设计”课程建设改革科教导刊(2016年26期)2016-11-15混合学习视角下《建筑水电工程计价》课程建设研究与实践考试周刊(2016年68期)2016-09-21基于购物网站的数据挖掘科教导刊·电子版(2016年18期)2016-07-18