1、低阶教学（基础掌握）

（1）主要教学方法：

• 启发式教学：通过提出引导性问题，激发学生对Numpy和Pandas基础知识的好奇心和探索欲。

• 案例教学：结合实际商务数据分析案例，展示如何使用Numpy和Pandas进行数据处理和分析。

• 情境教学：创建与学生日常生活或未来职业相关的数据情境，增强学习的实用性。

（2）技术与环境支持：教室配备投影仪和白板，用于展示教学内容和实时演示。搭建Python编程环境（如Anaconda），包含Numpy、Pandas等库。使用Jupyter Notebook，便于编写和展示代码。

2、中阶教学（能力提升）

（1）主要教学方法：

• 问题导向：通过解决实际问题，引导学生学习Matplotlib和Seaborn的应用。

• 项目驱动：设计小型项目，如数据可视化报告，让学生在实践中学习。

• 头脑风暴：在探索不同可视化图表的关联和区别时，鼓励学生自由讨论和提出创意。

（2）技术与环境支持：教室配备高性能计算机，支持数据可视化软件的运行。使用Matplotlib、Seaborn库，以及数据可视化相关的插件和工具。

3、高阶教学（挑战性内容）

（1）教学方法：

• 以赛促学：组织数据可视化竞赛，鼓励学生将所学知识应用于创新项目。

• 线上线下混合式教学：线上提供资源和自主学习材料，线下进行深入讨论和项目指导。结合“超星MOOC”平台以及“头歌实践教学”平台综合教学。

• AI辅助教学：利用AI工具，如自动代码补全、错误检测，提高编程效率。

（2）技术与环境支持：教室配备互动白板和远程协作工具。使用Matplotlib、Seaborn、Pyecharts可视化库，使用AI编程辅助工具。

教材：Python数据分析与可视化(第2版) 魏伟一,清华大学出版社,2020

延伸阅读：

1. python数据分析、挖掘与可视化. 董付国,人民邮电出版,2020.

2. Python数据可视化. 黑马程序员,人民邮电出版,2021. 

3. Python数据可视化之Matplotlib实践. 刘大成,电子工业出版社,2018.

4. Python数据可视化之Matplotlib与Pyecharts实战. 王国平,清华大学出版社,2023. 

5. Python数据分析从入门到精通. 明日科技, 清华大学出版社, 2021. 

课外拓展：

中国大学MOOC  https://www.icourse163.org/

Matplotlib https://matplotlib.org/

Seaborn http://seaborn.pydata.org/

Pyecharts https://pyecharts.org/

Echarts: https://echarts.apache.org/ 

w3school https://www.w3school.com.cn/python/index.asp 

在坚持标准科学和“三个结合”的考评原则的基础上，制定本课程的考试方式如下：

1、过程性评价（平时成绩）：

考勤及表现（20%）+作业（上机实验）（20%）+测验（课堂测验及课下测验）（30%）+翻转课堂及课程论文(30%)

（1）考勤及表现：20%

考勤50%：百分制，扣分制。缺勤-5分/次，事假-2分/次，病假-1分/次，迟到-1分/次。（请假需提前获得辅导员批假的假条，除临时性突发特殊事件（如突发疾病等）外，不得事后补假）。

课堂表现50%：百分制，加分制。课堂笔记检查得分；课堂作业得分；提问或者代表小组发言每次2分/5分，主动回答+2分，被动回答答对+2分。期末折算成百分制。

（2）作业（上机实验）20%

包括课内外作业完成情况评价；书面作业和操作练习主要评价学生完成作业或任务时的态度、知识或技能的掌握程度以及完成情况，态度良好、掌握情况好和全部完成评价为优，给满分评分。实验作业/锦城在线实验作业不少于6次。

（3）测验（课堂测验及课下测验）30%

其中课堂测试3次，课下测验3次。

（4）翻转课堂及课程论文30%

包括翻转自学、课堂讨论及课程论文（一课一文）完成情况。根据完成的态度，掌握知识的程度以及完成情况进行评分。

2、期末考核：

（1）考核形式：考试（开卷，上机考试）。

（2）考核内容：参照各章节的教学要求中理解、掌握的部分，来重点考核各章节的重点内容。

3、总结性评价：

学科成绩总分100分，其中，期末考核占50％，平时成绩占50%。