项目7 揭示网上书店图书销售情况-分析、呈现并解释数据2 教案 2022-2023学年沪科版（2019）高中信息技术选择性必修3

2019沪教版高中信息技术——选择性必修3《数据管理与分析》 项目七 揭示网上书店图书销售情况 ——分析、呈现并解释数据（2） 学习目标： · 了解数据分析及可视化的常用工具，并了解各种工具的适用场景。 · 掌握常用图表的绘制方法，并能根据需要选择合适的图表。 · 理解相关性分析的概念，并能通过图表绘制或相关系数的计算发现变量的相关关系。 教学重点难点： 重点：Python的图表绘制方法。 难点：绘制图表前数据的整理，Python中用来绘制各种图表的函数的使用。 教学准备： 软硬件环境：计算机教室、anaconda、电子表格软件 教学素材：某市交通轨迹点数据、网上书店数据集 教学过程： 教学环节 导案 学案 设计意图 新课导入 回顾上节课所学知识： 1、数据分析的基本流程是什么？ 2、数据可视化的基本概念是什么？ 数据可视化是指将数据分析的结构通过表格、图形或图像等形式显示出来，再进行交互处理的理论、方法和技术。 3、数据可视化的基本工具哪些？具有什么样的优势？ 学生回答 回顾上节课所学知识，引入本节课主题，明确本节课学习任务。 使用图表发现相关性 引导学生绘制折线图，发现图书购买数、收藏数、好评数和差评数之间的相关性。 参考代码： 了解使用图表发现相关性，提高学生Python编程能力。 计算相关系数 引导学生使用Python的pandas库，计算图书购买数、收藏数、好评数和差评数这四个变量的pearson相关系数、spearman相关系数、Kendall Tau相关系数。 1. Pearson （皮尔森）相关系数 Pearson 相关系数又称积差相关系数或简单相关系数，用于衡量连续变量的相关指怀。它一般适用于两个变量呈线性相关的情况，通常用字母 r 表示。当两个变量的标准差都不为零时， Pearson 相关系效才有定义，其适用范围包括： (1）两个变量之间是线性关系，且都是连续数据； (2）两个变量的总体是正态分布，或接近正态的单峰分布； (3）两个变量的观测值是成对的，每对观测值之间相互独立。 2. Spearman （斯皮尔曼等级）相关系数 Spearman 相关系数又称秩相关系数，是利用两个变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围较广。 3. Kendall Tau （肯德尔等级）相关系数 Kendall Tau 相关系数是用于反映分类变量相关性的指标，适用于两个变量均为有序分类的情况。 Kendall Tau 相关系数经常用希腊字母 （tau）表示。 Kendall Tau 相关系数与 Spearman 相关系数对数据条件的要求相同。 尝试编写程序，找出网上书店用户数据的相关性。 参考代码： import matplotlib.pyplot as plt import pandas as pd # 数据 sale = [18609, 22633, 19257, 23859, 17858, 16019, 16384, 16301, 19993, 23178, 15935, 18823] collect = [19125, 22512, 18052, 20847, 18167, 16046, 16401, 19077, 21649, 20873, 17497, 16516] goodview = [3107, 4602, 3995, 7355, 2587, 2726, 5255, 5908, 7786, 6724, 3551, 4174] badview = [2740, 2930, 3857, 2590, 4620, 5582, 2756, 2581, 2648, 4327, 4777, 3067] bookrack = pd.DataFrame({u'购买': sale, u'收藏': collect, u'好评': goodview, u'差评': badview}) bookrack.plot() print(bookrack.corr()) print(bookrack.corr('kendall')) print(bookrack.corr('spearman')) plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] plt.title(u"图书销售情况折线图") plt.xlabel(u"月份") plt.ylabel(u"数量") plt.show() 掌握三种相关系数，以及程序的编写。 思考与讨论 组织学生分析、讨论散点图和相关系数分别适用于什么情况。 思考与讨论散点图和相关系数的使用情况。 散点图是一中常用的直观分析法，通常将数据绘制在二维平面或者三维空间