《数据采集与处理：基于python》教学大纲- 含思政.docx

附件

课程思政案例设计

申报专业名称：数据采集与处理

课程性质：□公共课R专业课

课程类别：□理论课□实践课R理论实践一体课

授课对象：数据科学与大数据技术专业，信息管理与信息系统专业，数理统计专业

一、课程简介

数据采集与处理是大数据处理与分析的重要环节，对应课程也是数据科学与大数据技术专业培养的重要环节。本课程主要讲解数据科学与大数据应用中数据采集的各类数据来源、数据格式、数据表示和加工处理及数据存储的原理和技术，并以Python为主要开发语言，通过实战项目例子，带领学生完成从数据采集、数据表示、转换加工及到数据存储的完整开发过程，使学生掌握相关开发方法、工具和技巧。

二、思政元素

本课程属于理工科类课程，教学中把马克思主义立场观点方法的教育与科学精神的培养结合起来，提高学生正确认识问题、分析问题和解决问题的能力。深化职业理想和职业道德教育，注重强化学生工程伦理教育，培养学生精益求精的大国工匠精神，激发学生科技报国的家国情怀和使命担当。

本课程设计主要包含的思政元素：

元素1：职业理想和职业道德教育

数据是否能够在合理、合规及合法的情况下进行采集、存储和使用，直接关系到大数据和人工智能技术是否能在各行各业有效发挥积极的作用。因此，课程设计不但要注意培养学生远大的职业理想，还要加强学生的职业道德教育。

元素2：精益求精的大国工匠精神

数据质量直接影响数据分析的准确性和有效性，从而影响基于数据决策的效果。因此，课程设计需要在数据处理环节中强调一丝不苟、严谨认真的态度，以加强培养学生精益求精的大国工匠精神。

元素3：科学思维方法

数据采集和存储有不同的技术和方案，需要根据数据需求、数据来源类型等进行科学分析、综合权衡确定。因此，课程设计中需要加强培养学生归纳总结、逻辑推理、逆向思维、突破创新等方面的科学思维方法。

元素4：科技报国的家国情怀和使命担当

通过国内外大数据技术进展的比较，既说明我国在相关产业和学术领域取得的成就，又明确自身不足和差距，以增强学生的民族自豪感和文化自信，同时激发学生科技报国的家国情怀和使命担当。

本课程将分别从线下教学、上机和线上课程管理等方面加以设计，将上述思政元素融入到相应环节，努力实现全过程、全方位的育人新方案。

1、教学环节的课程思政设计

将思政元素穿插在各章节的知识点讲解中，有机融入课程教学，达到“春风化雨、润物无声”的育人效果。本课程的教学内容共分为8章，表１为对教学大纲进行改进后的具体方案。

表1各章节中知识目标与思政教育的融合点

教学章节

知识目标与思政元素的案例设计

第一章

概述

知识目标

1.了解数据科学相关概念及数据分析完整过程；

2.理解数据采集与处理与其他学科和课程关系；

3.理解数据类型、数据存储和大数据相关技术；

4.了解Python相关数据科学及数据采集与处理工具等。

思政元素设计

1.结合我国相关技术发展现状、成就和不足，激发学生爱国主义精神和学习动力。

2.引申数据科学中的数据隐私、科学伦理等问题，培养学生树立职业道德和职业伦理意识。

第二章

Python基础

知识目标

1.了解Python语言的特点和相关开发环境；

2.掌握Python基本语法、控制结构、异常与处理及函数的封装和使用等；

3.理解Python常用数据类型和数据结构如列表、元组、字典和集合等的特点，熟练掌握其常用操作方式。

思政元素设计

通过函数和类的抽象与封装及编程错误常见解决方法，融入马克思辩证唯物主义和科学思考方法；并结合业界编程规范提醒学生要养成良好的编码习惯，逐步树立良好的职业素养。

第三章

第三章Numpy与Pandas基础

知识目标

1.了解Numpy和Pandas的常用数据结构、数据类型及其用途；

2.掌握Numpy多维数组的创建、存取、运算及数组间的合并拆分等常见操作；

3.理解Pandas中Series和Dataframe的特点及与Numpy多维数组的区别，掌握它们的创建、存取、运算等常用操作方法。

思政元素设计

Numpy和Pandas是数据科学中数据处理环节最常用的模块，通过这些模块与Python自身数据类型如列表和元组的比较，突出Numpy和Pandas在数据存取和处理方面的专业专注、精益求精的独特优点，强调“术业有专攻”的工匠精神。

第四章

数据可视化

知识目标

1.了解数据可视化概念、相关分类和应用；

2.理解数据可视化在数据预处理和数据分析中的作用及模块功能差异；

3.掌握数据可视化模块Matplotlib、Seaborn等的编程接口和使用方法；

4.熟练使用Python编程进行不同类型的数据可视化展示和分析。

思政元素设计

通过古诗“横看成岭侧成峰，远近高低各不同”，启发学生理解不同的数据可视化类型和方法对应的效果存在差异，其视角