5.3数据的分析 学案 2023—2024学年粤教版（2019）高中信息技术必修1

数据与计算 学教案 5.3数据的分析 【学习目标】： 1.理解数据分析的作用和常用方法。 2.掌握选用恰当的工具处理数据。 3.体验多种数据分析技术，激发学生的学习热情，培养学生的编程兴趣。 【重点和难点】： 重点： 体验多种数据分析技术，理解数据分析的方法。 难点： 选用恰当的工具处理数据。 【学法提示】： 讲授法、任务驱动法、体验探究法等 【课时安排】：1课时 【课堂探究】： 1、 数据分析 观看“数据分析.mp4”，了解什么是数据分析？数据分析的目的和步骤。 二、数据分析的常用方法 1.特征探索 主要任务是对数据进行预处理，发现和处理缺失值、异常数据，绘制直方图，观察分析数据的分布特征，求最大值、最小值、极差等描述性统计量。 体验探究1: 以小组为单位，通过学习、交流，探究(课本112-113页内容) 打开并运行配套资源包“第五章\课本素材\程序5-3数据预处理”，观察数据预处理结果。 2.关联分析 （1）关联分析就是分析并发现存在于大量数据之间的关联性或相关性，从而描述一个事物中某些属性同时出现的规律和模式。 关联分析是数据挖掘中一项基础又重要的技术，是一种在大型数据库中发现变量之间有趣关系的方法。 （2）关联分析的基本算法如下： ①扫描历史数据，并对每项数据进行频率次数统计。 ②构建候选项集C1，并计算其支持度，即数据出现频率次数与总数的比。 ③对候选项集的支持度进行筛选，筛选的数据项支持度应当不小于最小支持度，从而形成频繁项集L1。 ④对频繁项集L2进行连接生成候选项集C2，重复上述步骤，最终形成频繁K项集或者最大频繁项集。 (3)观察分析 打开并运行配套资源包“第五章\课本素材\程序5-4关联分析”，观察程序的运行结果。 3.聚类分析 K-平均（K-Means）算法是一种经典的自下而上的聚类分析方法。K-平均算法的基本思想就是在空间N个点中，初始选择K个点作为中心聚类点，然后将N个点分别与K个点计算距离，选择自己最近的点作为自己的中心点，再不断更新中心聚集点，以达到“物以类聚，人以群分”的效果。 聚类分析的基本算法如下： （1）从数据点集合中随机选择K个点作为初始的聚集中心，每个中心点代表着每个聚集中心的平均值。 （2）对其余的每个数据点，依次判断其与K个中心点的距离，距离最近的表明它属于这项聚类。 （3）重新计算新的聚簇集合的平均值即中心点。整个过程不断迭代计算，直到达到预先设定的迭代次数或中心点不再频繁波动。 体验探究2： 打开并运行配套资源包“第五章\课本素材\程序5-5聚类分析”，观察程序的运行结果。 了解sklearn： Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，在 Sklearn 里面有六大任务模块：分别是分类、回归、聚类、降维、模型选择和预处理。 4.数据分类 数据分类通常的做法是，基于样本数据先训练构建分类函数或者分类模型（也称为分类器），该分类器具有将待分类数据项映射到某一特点类别的功能。数据分类和回归分析都可用于预测，预测是指从基于样本数据记录，根据分类准则自动给出对未知数据的推广描述，从而实现对未知数据进行预测。 体验探究3： 打开并运行配套资源包“第五章\课本素材\程序5-6”，观察程序的运行结果。 【拓展提高】： 贝叶斯，英国数学家，发明了概率统计学原理，将归纳推理法用于概率论基础理论，创立了贝叶斯统计理论，对统计决策函数、统计推断、统计的估算等做出了贡献。 参考教材118页实例，讨论贝叶斯决策理论方法的 核心思想。 【课堂练习】： 5.3 数据的分析 1. 数据分析的基本方法包括（） A. 特征探索、关联分析、聚类分析、数据分类 B. 特征探索、聚类分析、数据分类 C. 特征探索、数据分类 D. 关联分析、聚类分析、数据分类 2. 数据特征探索主要任务是（） A. 对数据进行预处理，发现和处理缺失值，异常数据、绘制直方图，观察数据分布的特征，求最大值、最小值、极差等描述性统计量。 B. 分析发现存在于大量数据之间的关联性和相关性，从而描述一个事物的共同规律和模式。 C. 是一种探索性的分析。不必事先给出一个分类标准，而是让其自动分类。 D. 是数据分析中最基本的方法。先基于样本数据构建分类器，然后进行预测。 3. 数据聚类分析的主要任务是（） A. 对数据进行预处理，发现和处理缺失值，异常数据、绘制直方图，观察数据分布的特征，求最大值、最小值、极差等描述性统计量。 B. 分析发现存在于大量数据之间的关联性和相关性，从而描述一个事物的共同规律和模式。 C. 是一种探索性分析。不必事先给出一个分类标准，而是让其自动分类。 D. 是数据分析中最基本的方法。先基于样本数据构建分类器，然后进行预测。