2.4-实战统计学生成绩（教案）-《程序设计基础》同步教学（高教版）

教案 编号：PTGZ-229 流水号：05 （首页）共 3页 课程 《中职程序设计基础Python》 一体化 理论 章节（课题）及内容 《Python统计学生成绩》 班级日期 中职 2024.04 授课方式 讲授与任务驱动相结合 课时 1 作业题数 1 拟用时间 40分钟 教学目标 使学生理解以下理论知识： 1. 理解如何使用Python进行统计学中的成绩分析。 2. 掌握Python中常用的统计学库和函数。 3. 能够编写程序实现成绩数据的统计分析和可视化。 教学资源准备 多媒体设备 课本教材 学生练习素材 教学重点 1. 数据导入与处理。 2. 均值、中位数、标准差等统计指标的计算。 3. 绘制直方图、箱线图等统计图表。 教学难点 1. 理解统计学中各种指标的含义和计算方法。 2. 使用Python库进行数据处理和可视化的技巧。 教学方法 讲授法、任务驱动法、演示法、体验探究法等。 1. 结合理论讲解和实际案例演示。 2. 编写代码示例进行实时演示。 3. 学生实际操作和练习。 授课教师： 审阅签名： 教学过程 教学活动内容 时间分配教学方法 课前导入 课前导入： 通过一个简单的成绩数据案例引入统计学成绩分析的概念，激发学生的学习兴趣。 2分钟 讲授新课 练习指导 讲授新课： 1. 数据导入与处理：使用Python库导入和处理成绩数据。 2. 统计指标计算：计算均值、中位数、标准差等统计指标。 3. 统计图表绘制：绘制直方图、箱线图等统计图表。 代码例子： python import numpy as npimport pandas as pdimport matplotlib.pyplot as plt # 导入成绩数据 data = pd.read_csv('grades.csv') # 计算均值、中位数、标准差 mean_grade = np.mean(data['grade']) median_grade = np.median(data['grade']) std_grade = np.std(data['grade']) print("均值：", mean_grade)print("中位数：", median_grade)print("标准差：", std_grade) # 绘制直方图 plt.hist(data['grade'], bins=10, color='skyblue', edgecolor='black') plt.xlabel('成绩') plt.ylabel('人数') plt.title('成绩分布直方图') plt.show() # 绘制箱线图 plt.boxplot(data['grade']) plt.ylabel('成绩') plt.title('成绩分布箱线图') plt.show() Python中常用的统计学库和函数包括： 1. NumPy：用于数值计算和数组操作，提供了丰富的数学函数和统计函数。 2. · 常用函数：mean()、median()、std()、var() 等。 3. Pandas：用于数据处理和分析，提供了数据结构和函数，方便进行数据导入、清洗和统计分析。 4. 4. 常用函数：read_csv()、describe()、groupby() 等。 5. SciPy：科学计算库，包含了许多数学、科学和工程计算的函数。 6. 6. 常用函数：stats.ttest_ind()、stats.norm()、stats.pearsonr() 等。 7. Matplotlib：用于数据可视化，提供了绘制各种图表的函数。 8. 8. 常用函数：plot()、hist()、boxplot() 等。 9. Seaborn：基于Matplotlib的数据可视化库，提供了更美观和简单的绘图接口。 10. 10. 常用函数：sns.distplot()、sns.boxplot()、sns.heatmap() 等。 11. Statsmodels：用于统计建模和推断，提供了各种统计模型和检验方法。 12. 12. 常用函数：OLS()、Logit()、ttest_ind() 等。 通过结合这些库和函数，可以方便地进行统计学分析、数据处理和可视化，帮助实现各种统计学任务和项目 10分钟 7分钟 自主学习 8分钟 练习训练 习题练习： 1. 计算成绩数据的中位数。 2. 绘制成绩数据的直方图。 3. 计算成绩数据的标准差。 12分钟 布置作业 作业： 1. 编写一个程序，计算成绩数据的