第18课 《数据分析与处理》教学课件-2025-2026学年人教版初中信息科技八年级全一册

《数据分析与处理》教学课件 人教版初中信息技术八年级全一册 1.7.2013 同学们好！今天我们将一起踏上一段数据的智慧之旅，学习《数据分析与处理》。在物联网时代，我们每天都会产生大量的数据，如何让这些数据“开口说话”，为我们所用呢？这就是我们这节课要解决的问题。 ‹#› 情境回顾：还记得我们的“智能伙伴”吗？ 课程回顾 · Project Review 上节课，我们通力合作，成功搭建了一个简易的“物联花盆系统”，迈出了打造智能植物伙伴的第一步。 关键成果 · Data Collection 通过各类传感器，我们成功采集了四类关键环境数据：温度、空气湿度、光照强度、土壤水分含量。 核心思考 · Why Collect? 采集这些数据不是为了“收集而收集”，而是为了：1. 科学了解植物环境 2. 判断植物需求(如浇水) 3. 最终实现自动的智能控制。 1.7.2013 首先，让我们回顾一下上节课的内容。我们搭建了一个智能花盆系统，并通过传感器采集了温度、湿度、光照和土壤水分等数据。大家还记得我们采集这些数据的目的是什么吗？对，是为了更好地了解植物生长环境，判断植物的生长状态，最终实现自动浇水等智能控制。 ‹#› 问题呈现：原始数据能直接用吗？ 日期 时间 温度 (°C) 湿度 光照 (Lux) 土壤水分 (%) 2026/3/1 08:00 22.5 45% 120 45 2026/3/1 09:00 - (缺失) 48% 150 - (缺失) 2026/3/1 14:30 55 (异常高) 35% 600 25 2026/3/1 16:15 28.2 38% 450 95 (异常高) 思考：面对这样一组混杂着缺失、异常、无规律的数据，你有什么感觉？ 1.7.2013 这是我们上周采集的原始数据。大家看，这组数据看起来是不是有点杂乱？ 我们可以清晰地看到几个问题：第一，有些字段是缺失的，比如上午9点的温度和土壤水分。第二，有明显的异常数据，比如下午2点半的温度高达55度，或者下午4点的土壤水分95%，这些显然都不符合常理，可能是传感器故障或环境干扰导致的。第三，数据是离散且无规律的，很难直接从中发现趋势。 那么，这样的原始数据能直接用来分析和决策吗？显然不能。 这就引出了我们今天的核心任务：如何将这些“脏乱差”的原始数据，通过清洗、整理，转化为可用的信息资产。 ‹#› 问题探究：火眼金睛找问题 观察这组数据，你发现了哪些问题？ 问题1：数据太多，看不出规律 数据量大且分散，缺乏直观性，难以快速发现内在联系。 问题2：有些数据是空的 记录过程中存在信息遗漏，有明显的缺失值影响完整性。 问题3：有些数据明显不正常 存在明显的逻辑错误或超出常识的异常值（如55℃的室温）。 问题4：数据没有整理，看起来很混乱 数据格式不统一，单位混用，整体呈现杂乱无章的状态。 💡 结论：原始数据就像未经加工的矿石，杂乱无章，无法直接使用。 1.7.2013 现在，请大家扮演“火眼金睛”，来找找这组数据里的问题。我们可以发现，数据量很大，看不出规律；有些数据是空的；有些数据明显不正常，比如55度的温度；而且整体看起来很混乱。这说明，原始数据需要经过处理才能使用。 ‹#› 引出课题：让数据“开口说话” 核心思想 原始数据往往是杂乱无章、孤立存在的，没有直接价值。只有通过科学的分析与处理，才能去伪存真、化繁为简，将其转化为能被我们理解并使用的有用信息。 本课目标 1. 掌握物联网数据的基础处理方法。 2. 学习如何挖掘数据背后的逻辑与规律。 3. 最终实现让沉默的物联数据“开口说话”，支撑我们做出正确的判断和科学的决策。 板书课题 18 数据分析与处理 Data Analysis & Processing 1.7.2013 为了解决这些问题，我们就需要学习数据分析与处理。这节课的目标，就是掌握数据处理的方法，让我们采集到的物联数据能够“开口说话”，帮助我们做出正确的判断。 ‹#› 认知一：数据分析与处理的价值 01 发现规律 找出数据变化趋势，了解事物发展状态。 示例：分析一周土壤水分变化，找到水分最低的时间段，为作物灌溉提供参考。 02 识别异常 找出错误或异常数据，保证数据准确性。 示例：快速发现因传感器线路故障或被遮挡而产生的错误数据，及时修正或报警。 03 支撑决策 为系统智能控制提供科学依据。 示例：基于长期数据分析的结果，设定土壤湿度的自动浇水阈值，实现无人化智能灌溉。 1.7.2013 那么，为什么要进行数据分析与处理呢？它主要有三个核心价值：首先是发现规律，了解事物的发展状态；其次是识别异常，保证数据的准确性；最后是支撑决策，为智能控制提供科学依据。 ‹#› 认知二：数据处理的“五步曲” 数据处理就像做饭，有固定的流程，遵循科学的步骤能让结果更精准高效 01 数据整理 收集零散数据 规范格式与分类 02 数据清洗 去除无效、重复 或错误的数据 03 数据统计 计算总和、均值 占比等关键指标 04 数据筛选 根据特定条件 查找并提取目标数据 05 分析应用 挖掘数据深层价值 辅助决策与解决问题 📖 课堂任务 请同学们打开教材阅读相关章节，理解每一步骤的核心含义，并思考这些步骤在生活中还有哪些应用场景？ 1.7.2013 数据处理有一个固定的流程，我们可以称之为“五步曲”：数据整理、数据清洗、数据统计、数据筛选和分析应用。接下来，我们将一步步学习如何操作。 ‹#› 实践一：数据整理 — 让数据变规范 📌 定义：将杂乱无章、来源各异的数据，通过清洗和格式化，变得结构清晰、统一标准、易于阅读和处理。 统一数据格式 确保同类数据的书写规范一致，消除数据输入中的随意性。例如日期统一为“YYYY-MM-DD”格式。 调整列宽与行高 根据内容长短合理调整表格行列，避免文字折行过多或留白过大，使表格整体美观、整洁、易读。 添加标题与说明 为数据表添加清晰的标题，并对关键列添加备注说明，让阅读者一目了然地理解每列数据的含义。 规范数据单位 统一数值型数据的度量单位。例如：温度统一为“℃”、湿度统一为“%RH”、长度统一为“cm”或“m”。 💡 思考：为什么要统一数据格式？👉 为了避免后续数据处理和计算中出现逻辑错误或计算偏差，确保分析结果的准确性。 1.7.2013 第一步是数据整理。这一步的目的是让数据变得规范、统一。主要工作包括统一数据格式、调整列宽行高、添加标题和规范单位。这一步非常重要，因为它直接关系到后续计算和分析的准确性。 ‹#› 演示：数据整理操作 01打开原始数据 找到并打开记录有实验数据的原始表格文件，准备开始处理。 02添加表头信息 在首行插入清晰的列标题：日期、时间、温度、湿度、光照、土壤水分。 03统一数值单位 检查所有数据的单位，统一规范为℃、%、lux等标准格式，消除歧义。 04调整表格格式 选中整个数据区域，根据内容长度调整列宽和行高，确保所有信息完整、美观地显示。 05表格美化修饰 添加外边框和内部分隔线；给表头设置醒目的填充色，突出层级关系，提升可读性。 整理成效 通过标准化的整理，原本杂乱的数据将变得结构清晰、逻辑严密，极大地提升了阅读体验与后续分析的效率。 1.7.2013 现在，我来演示一下如何进行数据整理。首先打开原始数据，然后添加表头，统一单位，调整格式，最后进行美化。大家看，整理之后的数据是不是清晰多了？ ‹#› 实践二：数据清洗 —— 给数据“洗个澡” 🔍 什么是数据清洗？ 识别并处理数据集中存在的“问题数据”，旨在修复错误、剔除噪声，最终确保分析数据的准确性、一致性与可用性。 ⚠️ 两大核心问题 1. 缺失值：数据记录为空、未采集或已丢失的情况。 2. 异常值：明显偏离常规、不符合逻辑或分布规律的“离群”数据。 🛡️ 为什么至关重要？ “垃圾进，垃圾出”。它是整个数据分析流程的基石，直接决定了后续建模与分析结果的可靠性、有效性与商业价值。 1.7.2013 第二步是数据清洗，就像给数据“洗个澡”。这一步的目的是识别并处理数据中的问题数据，主要包括缺失值和异常值。数据清洗是数据分析的基础，直接影响分析结果的可靠性。 ‹#› 数据清洗之缺失值处理 什么是缺失值？ 数据采集或录入过程中，表格中出现的空白、未定义或不可用的单元格。 缺失原因分析 • 客观：传感器短暂故障、网络中断、设备未响应 • 主观：人工录入时的遗漏或系统限制导致的无法填写 01. 补充合理数据 适用于数据样本较少或该字段对分析结果影响重大的场景。 方法：根据数据前后趋势推算、使用同类数据平均值/中位数估算。 02. 删除对应记录 适用于缺失数据占比极小、或该字段价值低、无法补充的场景。 方法：直接删除包含缺失值的整行数据，操作简单高效。 处理原则：保留尽可能多的数据样本，最大化数据价值 “优先尝试补充，无法补充再删除” —— 确保分析结果的准确性和完整性 1.7.2013 首先处理缺失值，也就是表格中空白的单元格。处理方法主要有两种：补充合理数据和删除对应记录。我们的原则是优先尝试补充，无法补充再删除。 ‹#› 演示：处理缺失值 ▍ 操作演示 (教师屏幕演示) 1. 查找缺失值 快速扫描数据表，定位明显的空白单元格或显示错误提示的位置。 2. 分析原因 结合数据采集场景判断，例如：是否因传感器短暂故障导致数据未上传？ 3. 选择方法 选择最适合的插值策略，本案例采用“相邻时间点数据平均值”进行补充。 4. 计算与填充 输入计算逻辑公式，计算出结果并填充至空白单元格，完成数据修复。 示例场景：土壤水分监测 某实验田在9:00的土壤水分数据缺失，尝试利用8:59和9:01两个时间点的有效数据进行修复。 计算公式：=(上一个单元格 + 下一个单元格) / 2 1.7.2013 我来演示一下如何处理缺失值。我们可以使用相邻时间数据的平均值来进行补充。比如这里，我们可以用公式计算出9点的土壤水分数据。这样，数据就完整了。 ‹#› 数据清洗之异常值处理 什么是异常值？ 指数据集中那些明显偏离正常范围、不符合常理的数据点。它们可能由设备故障、人为记录错误或极端自然事件引起。 典型异常示例 • 环境温度显示：55℃ • 土壤水分含量：95% • 光照强度数值：-100 lux 两种处理方法 1. 修正 (Correct)：若能通过核查日志或重新采集确定正确数值，则直接修改。 2. 删除 (Delete)：若无法确定正确值且影响分析，直接删除该条记录。 课堂互动时刻 请同学们打开刚才下载的实验数据表，快速浏览一遍，找出里面存在的异常值，并说说你会怎么处理它们？ 1.7.2013 接下来处理异常值，也就是那些明显不符合常理的数据。比如55度的温度，95%的土壤水分。处理方法主要是修正或删除。现在，请同学们找出我们数据中的异常值。 ‹#› 演示：处理异常值 01 识别异常值 从数据列表中快速定位到明显异常的数值：55℃(温度) 和95%(湿度)。 02 分析产生原因 推测异常来源：高温可能因传感器被阳光直射导致，高湿度则可能是传感器被意外溅水导致的误读。 03 确定处理策略 鉴于此类异常属于环境干扰且无法通过逻辑推算还原真实数值，决定采取“直接删除”的策略以保证数据质量。 04 执行数据清洗 选中包含上述异常数据的表格行，通过右键菜单选择“删除”或在工具栏中执行删除操作，完成清理。 最终效果：剔除无效干扰项，数据分布恢复正常，变得更加真实、准确且可信。 1.7.2013 现在我来演示如何处理异常值。我们找到这些异常数据，分析原因后发现无法准确修正，所以决定删除这些记录。处理之后，我们的数据就更加真实可信了。 ‹#› 实践三：数据统计 — 计算数据特征 什么是数据统计？ 通过对原始观测数据进行数学计算，去除数据的随机干扰，从而提炼并得到数据的整体特征，为分析提供量化基础。 平均值 (AVG) 反映数据的集中趋势，体现数据的“一般水平”。 最大值 (MAX) 找出数据样本中的“天花板”，识别异常的高点。 最小值 (MIN) 找出数据样本中的“地板”，识别异常的低点。 求和 (SUM) 计算数据的总数量或总量，反映整体规模。 统计的核心价值 让我们能快速从海量原始数据中抽身出来，一眼看清数据全貌，并据此判断当前环境是否适宜，从而做出科学决策。 1.7.2013 第三步是数据统计。通过计算，我们可以得到数据的整体特征，比如平均值、最大值、最小值等。这能帮助我们快速了解数据的整体情况，判断环境是否适宜。 ‹#› 演示：使用统计函数 操作演示 (教师屏幕演示) 01 定位单元格：在数据列表下方的空白单元格区域，选定合适位置准备放置计算结果。 02 输入统计公式： • 计算平均值:=AVERAGE(C2:C100) • 计算最大值:=MAX(C2:C100) • 计算最小值:=MIN(C2:C100) 03 确认计算：按下键盘上的Enter (回车)键，查看单元格自动生成的计算结果。 💡 课堂提问 思考： 公式=AVERAGE(C2:C100)中的核心函数是什么？它在数据分析中主要起到什么作用？ “请大家结合生活中的例子回答” 1.7.2013 我来演示如何使用统计函数。我们可以在数据下方输入公式，比如=AVERAGE来计算平均值，=MAX来计算最大值，=MIN来计算最小值。这样就能快速得到数据的整体特征。 ‹#› 实践四：数据筛选 — 按条件提取数据 01 / 核心定义 在海量数据的处理与分析中，数据筛选是一个基础且核心的操作。 它是指根据预先设定的特定逻辑条件，快速扫描并精准提取出符合我们分析目标的数据子集的过程。 02 / 主要作用 ● 聚焦关键信息： 快速过滤掉干扰信息，精准定位并提取满足特定条件的关键记录。 ● 赋能深度分析： 对筛选出的数据进行针对性的统计与趋势分析，从而挖掘出更有价值的业务洞察。 03 / 应用示例 在智慧农业监测系统的场景中： 1. 设置筛选条件： “土壤水分含量 < 30%” 2. 得出分析结果： 快速定位到植物生长过程中缺水的关键时间段，辅助管理人员及时采取灌溉措施。 1.7.2013 第四步是数据筛选。这一步可以帮助我们根据特定条件，从大量数据中提取出我们需要关注的信息。比如，我们可以筛选出土壤水分低于30%的记录，从而找出植物缺水的时间段。 ‹#› 演示：数据筛选操作 操作演示 (教师屏幕演示) 01. 启用筛选：选中数据表的表头行，在上方菜单栏点击“数据”选项卡，再点击“筛选”按钮。 02. 设置单条件筛选：点击“土壤水分”列标题旁的下拉箭头，选择“数字筛选 → 小于”，输入“30”后确定。 03. 设置多条件筛选：同理，点击“温度”列标题下拉，选择“数字筛选 → 大于”，输入“30”后确定。 课堂思考 Challenge 如果我们想找“温度 > 25℃ 且 光照 > 500lux”的记录， 应该怎么操作？ 💡 提示：尝试组合使用“与”条件， 在不同的列中依次设置筛选规则。 1.7.2013 我来演示数据筛选操作。首先启用筛选功能，然后在列标题的下拉菜单中设置筛选条件。我们可以设置单条件筛选，也可以设置多条件筛选。大家思考一下，如果我们想找温度大于25度且光照大于500lux的记录，应该怎么操作？ ‹#› 项目实践：让我们的数据“变废为宝” 任务要求：以小组为单位，对本组采集的“物联花盆”原始数据进行全流程处理，将杂乱无章的原始数据转化为可分析、有价值的信息。 01. 数据整理 规范数据表格的整体格式，检查并统一温度、湿度、土壤水分等所有数据指标的单位，为后续分析打好基础。 02. 数据清洗 仔细检查数据集，找出其中的空值、缺失值以及明显不符合常识的异常值，并按照规则对其进行修正或删除。 03. 数据统计 运用统计函数，计算关键指标的描述性统计量：包括温度、湿度、土壤水分在观测周期内的平均值、最大值和最小值。 04. 数据筛选 设置筛选条件，快速定位并高亮显示：“土壤水分 < 30%”的缺水记录，以及“温度 > 30℃”的高温预警记录。 1.7.2013 学习了理论知识后，我们进入项目实践环节。请各小组以团队为单位，对你们采集的物联花盆原始数据进行完整处理。请大家严格按照我们刚才学习的步骤来完成任务。 ‹#› 提升任务：从数据中发现智慧 提升任务 (选做) 01. 分析数据 深入挖掘一周内的监测记录，找出植物最容易缺水的主要时间段，以及环境高温出现的具体频率和规律。 02. 提出优化建议 基于你的数据分析结果，为“智能花盆系统”提出切实可行的改进方案： 💡示例：建议在每天12:00-14:00增加一次自动浇水；或给传感器加装遮阳罩避免误报。 教师角色：技术与思维指导 在大家探索数据的过程中，我会在教室里进行全程巡视，重点协助解决以下技术与思维障碍： •数据清洗：处理异常值与缺失数据，确保分析基础的准确性。 •函数应用：计算平均值、最大值等统计函数的正确使用。 •逻辑筛选：多条件组合筛选的设置与理解。 1.7.2013 完成基础任务后，有余力的小组可以挑战提升任务。尝试从数据中发现智慧，找出规律，并给我们的智能花盆系统提出优化建议。我会在教室里巡视，帮助大家解决遇到的问题。 ‹#› 开始行动！ 打开数据文件 请各小组打开自己采集的 物联数据文件，做好准备。 遵循标准流程 严格按照以下步骤操作： 整理 → 清洗 → 统计 → 筛选 互助与求助 遇到困难时优先进行小组讨论 若仍无法解决，请举手示意老师 1.7.2013 现在，项目实践正式开始！请大家打开数据文件，严格按照流程进行操作。遇到问题可以先小组讨论，或者举手向我求助。期待大家的精彩表现！ ‹#› 任务评价标准 评价维度 优秀 (5分) 良好 (3分) 待改进 (1分) 最终得分 数据整理 格式规范，单位统一，清晰美观 基本规范，有少量不统一 格式混乱，难以阅读 /5 数据清洗 准确识别并正确处理所有缺失值和异常值 能处理大部分问题数据 未处理或处理错误 /5 数据统计 正确使用函数，统计结果准确 函数使用基本正确，结果误差小 函数使用错误，结果偏差大 /5 数据筛选 能根据复杂条件准确筛选出所需数据 能完成基础筛选，有少量遗漏 无法完成筛选操作或筛选错误 /5 分析建议 基于数据洞察，提出具体、有价值的优化建议 能基于结果提出简单的改进建议 未提出建议，或建议缺乏逻辑支撑 /5 小组协作 角色分工明确，配合默契，效率高 有协作行为，但沟通不够顺畅 各自为战，缺乏沟通与配合 /5 1.7.2013 为了更好地评价大家的成果，我们制定了一个评价标准。大家可以看到，评价维度包括数据整理、数据清洗、数据统计、数据筛选、分析建议和小组协作六个方面。希望大家对照标准，努力做到最好。 ‹#› 分享成果，交流经验 01 代表展示 请各小组选派一名代表上台，自信地汇报小组的整体数据分析与处理成果。 02 内容呈现 重点展示：清洗处理后的数据表格、详细的统计分析结果，以及关键信息的筛选记录。 03 洞察与建议 分享小组在数据中发现的规律或异常，并结合分析，提出对“智能花盆”的具体优化建议。 展示要求：语言表达清晰准确，汇报逻辑连贯、层次分明。请注意控制时间，每组展示不超过3分钟。 1.7.2013 时间到！现在是分享成果的环节。请各小组派一名代表上台展示你们的成果，包括处理后的数据、统计结果和你们的分析建议。希望大家能清晰、连贯地分享你们的经验。 ‹#› 小组展示示例一：我们的发现与建议 数据处理 对收集的多维度植物生长环境监测数据进行清洗、整理与结构化处理，形成可分析的标准化数据表格。 关键统计 平均土壤水分：35% 最低土壤水分：22% （数据采集周期：7天） 核心发现 我们筛选出“土壤水分 < 30%”的缺水记录，发现它们高度集中在每天的12:00 - 14:00时段。 优化建议 建议智能花盆系统在每日中午高温蒸发时段，额外增加一次自动浇水逻辑，以维持植物水分平衡。 1.7.2013 我们来看一个小组的展示示例。他们通过筛选发现，植物缺水的时间段集中在每天中午，因此建议在中午时段增加一次自动浇水。这个建议非常有价值，是真正从数据中发现了智慧。 ‹#› 小组展示示例二：我们的发现与建议 数据概览 标准化处理后的数据集 基于实验采集的原始数据，我们完成了去重、格式统一及缺失值填补工作。右侧展示的是清洗后用于最终分析的温度与湿度对照表格，保证了后续结论的准确性。 清洗与归因 发现明显异常数据 数据探查中发现，周三下午某时段记录温度异常飙升至45℃，远超环境常态。 经现场回溯与逻辑推理，确认为传感器被午后阳光直射所致。为避免干扰整体分析，我们已将该错误数据从数据集中剔除。 优化建议 01. 硬件防护升级 建议给户外传感器加装定制化遮阳罩，减少极端天气或光照对数据采集的物理干扰。 02. 软件逻辑增强 建议在数据采集系统中增加“异常值自动报警”功能，当数值超出设定的合理阈值时，能即时推送通知提醒管理人员。 1.7.2013 再来看一个小组的展示。他们不仅清洗了数据，还分析了异常数据产生的原因，并提出了给传感器加装遮阳罩和增加异常报警功能的建议。这说明他们真正理解了数据处理的意义。 ‹#› 点评与总结：数据处理口诀 整理规范第一步 原始数据杂乱多， 梳理分类是基础。 标准统一好处理， 条理清晰不出错。 清洗数据保准确 缺失异常要清洗， 查漏补缺不可少。 去伪存真辨真假， 数据质量最重要。 分析挖掘找特征 统计函数算特征， 筛选条件找需求。 多维视角看本质， 价值规律从中求。 辅助决策创价值 分析数据找规律， 洞察趋势明方向。 有理有据做判断， 支撑决策用处大。 1.7.2013 非常感谢各小组的精彩展示。大家都做得非常棒！为了方便大家记忆，我把今天学习的内容总结成了一个口诀，大家可以一起念一遍。这个口诀概括了数据处理的核心步骤和意义：从整理规范开始，经过严谨的清洗确保准确，通过分析挖掘发现价值，最后为业务决策提供有力支撑。希望大家牢记这四步，在以后的学习和工作中，都能把数据用好。 ‹#› 拓展延伸：数据分析无处不在 智能家居 分析室内温湿度数据，自动调节空调、加湿器，为你打造最舒适的居住环境，提升生活质量与便捷度。 智慧农业 综合分析土壤成分、气象变化等多维数据，实现精准化灌溉与施肥，大幅提升农业生产效率与产量。 环境监测 实时采集并分析城市空气质量数据，及时预警雾霾、沙尘暴等污染天气，为公众健康保驾护航。 交通管理 通过大数据分析路口实时车流量，动态优化红绿灯时长分配，有效疏导车流，缓解城市交通拥堵。 1.7.2013 数据分析的应用远不止于此。在智能家居、智慧农业、环境监测、交通管理等领域，数据分析都发挥着至关重要的作用。它已经渗透到我们生活的方方面面，用理性的数据为我们构建了一个更智能、更高效、更美好的世界。 ‹#› 思考与迁移：学以致用，分析我们的教室环境 01 分析数据：我们可以怎么做？ 利用课堂所学，对采集的PM2.5和CO₂数据计算平均值、最大值，并通过筛选找出空气质量超标的具体时段。 02 洞察问题：可能会发现什么？ 数据分析可能揭示：下课后人员密集时空气质量最差；或是每天上午第四节课时，二氧化碳浓度达到全天峰值。 03 行动建议：如何优化环境？ 基于数据结果，建议学校或班级落实：课间安排专人开窗通风换气；或向学校申请在教室安装新风系统以改善空气质量。 1.7.2013 现在，让我们学以致用。假设我们在教室安装了传感器，采集了PM2.5和二氧化碳浓度数据。我们可以用今天学的方法来分析这些数据，发现问题，并提出改进建议。比如，我们可能会发现课间空气质量最差，从而建议多开窗通风。 ‹#› 课堂小结：本节课收获了什么？ 01 / 知识回顾 一个核心价值 将杂乱、无规律的原始数据，转化为对生活、学习、决策有用的信息。 一个完整流程 & 两项关键技能 流程：整理 → 清洗 → 统计 → 筛选 → 应用。 技能：掌握了数据清洗与统计筛选的核心操作。 一个实践应用 完成了“物联花盆”真实场景的数据处理任务，并基于数据结果提出了科学的养护优化建议。 02 / 素养提升 信息意识 · 数据说话 培养了“用数据说话”的理性思维，学会了在复杂的信息中挖掘有价值的内容，用客观数据佐证观点。 计算思维 · 分解问题 学会了将复杂的数据处理问题拆解为一个个小步骤，并合理运用数字化工具，按逻辑解决问题。 实践能力 · 解决问题 将学到的知识应用到了具体的“物联花盆”场景中，提升了解决真实生活问题的能力与创造力。 1.7.2013 课程接近尾声，我们来总结一下今天的收获。我们掌握了数据处理的核心价值、完整流程和关键技能，并通过实践应用提升了我们的信息意识、计算思维和实践能力。希望大家在以后的学习和生活中，也能多用数据说话，用逻辑思考。 ‹#› 核心知识清单 数据整理 核心内容 建立规范的数据格式，统一全量数据的单位标准，为后续处理打好基础。 关键操作 • 合理设置数据表头 • 调整列宽优化视图 • 统一数值单位符号 数据清洗 核心内容 处理数据集中的缺失值与异常值，保证数据源的准确性与完整性。 关键操作 • 查找并定位空白单元格 • 识别并标记不合理数值 • 删除无效行或填充空值 数据统计 核心内容 对处理好的数据集进行描述性分析，计算平均值、最大值、最小值等关键指标。 关键操作 • 计算平均值：AVERAGE() • 计算最大值：MAX() • 计算最小值：MIN() 数据筛选 核心内容 从海量数据中，按照特定的业务逻辑快速提取符合条件的目标数据子集。 关键操作 • 启用表格列标题筛选功能 • 灵活设置单一筛选条件 • 组合使用多条件筛选 1.7.2013 这里是本节课的核心知识清单，大家可以截图保存。这个表格清晰地总结了数据处理四个环节的核心内容和关键操作，希望能帮助大家巩固记忆。 ‹#› 下节课预告：数据呈现可视化 📉 现状痛点 处理好的数据虽然逻辑准确，但纯数字列表过于枯燥，缺乏直观性，难以一眼发现数据背后的趋势与规律。 💡 解决方案：数据可视化 把枯燥的数字转化为生动的图表！利用图形化手段清晰有效地传达与沟通信息，让受众快速理解并产生共鸣。 1. 图表基础创建 从零开始，手把手教你快速制作最常用的柱状图、折线图与饼图，掌握基础操作技能。 2. 图表类型选择 不同数据对应不同图表。我们将学习根据“比较、构成、趋势”等不同场景，选择最适合的图表类型。 3. 美观与说服力优化 学习专业配色、排版技巧和细节处理，让你的图表不仅好看，更专业、更有说服力。 ✨ 让我们一起期待，把枯燥的数据变成精彩的故事！ ✨ 1.7.2013 处理好的数据虽然准确，但还是不够直观。下节课，我们将学习如何将数据变成生动的图表，也就是数据可视化。让我们一起期待，把枯燥的数据变成精彩的故事！ ‹#› 感谢观看！ 下课！ 期待在数据的世界里再次相遇 1.7.2013 今天的课程到此结束，感谢大家的积极参与和认真学习。希望大家能将今天所学的知识运用到实际生活中，学会用数据思考问题。下课！ ‹#› $