基于四维模型的“Python数据处理”课程教学实践

李芬芬 张正伟 于永涛 金圣华 淮阴工学院计算机与软件工程学院

笔者所在学校于2020年秋季开设Python数据处理课程，该课程作为一门专业选修课，适用于计算机科学与技术、数据科学与大数据技术、网络工程等相关专业，旨在要求学生掌握数据分析的概念、流程与应用场景，掌握数据处理的基本概念、技术和应用方法，培养学生应用数据挖掘理论和技术解决实际问题的能力，为以后从事数据处理各项技术的学习和研究工作打下基础。另外，通过本门课程的学习能够及时更新知识体系，借助快速迭代的Python第三方库，在数据分析与应用设计开发的过程中应用，有效地解决数据处理应用的各个问题。

2020年秋学期开始，本课程采用线上和线下结合的教学模式，依托国家精品在线开放课程“Python程序设计”“Python数据分析与展示”，以及泛雅课堂学习通校内资源平台、在线自动评阅平台，构建了四维模型教学与实践全过程。

● 四维模型下的Python数据处理课程全体系

如今的大学生基本具备了在线学习能力，大学课程教学从基于教师、学生和教材的三维模型逐渐转换为学生、教师、资源和MOOC的四维模型。基于该四维模型（如图1），笔者构建了从课前准备、线上教与学、线下教与学到课程评价、反馈及持续改进的闭环课程教学的全过程，如图2所示。

图1 四维模型下的Python数据处理课程全体系

图2 Python数据处理课程实践过程

1.学生维度的自主驱动

新冠疫情期间，学生居家学习使用Python语言进行数据处理，学习环境单一，缺少群体共同学习的驱动力，易受到外部环境的干扰，所以建立自主学习的全维度学习空间是很有必要的。在课程学习前，教师可以要求学生在泛雅课堂Python数据处理课程主页及同步学习通APP的资料中获取课程资源，如PPT、微视频、安装软件、学习路径介绍等，满足学生自主在线学习的需求。

另外，Python的数据处理涉及各种文件操作与预处理，需要进行大量的代码实践，学生在编码过程中容易出现Bug，而一旦出现Bug，学生就容易懈怠。因此，笔者在本课程启用了Python123 Online Judgement平台的在线自动评阅代码单元，学生可以无限次提交编程代码刷新得分，直到评阅正确，获得满分。这样的情境设置有利于激起学生的挑战欲望。该平台模块包括练习、作业、考试、自主练习计时和自主计时考试五种模块单元类型。其中的练习单元提供代码解析和编码思路，引导学生从易到难用所学知识进行编程练习，作业单元的解析学生只有正式提交后才能看到，需要学生自行独立思考并自主测试解决。在作业数据提交方面，学生提交基本理论作业与验证作业到学习通课程平台。

2.教师维度的改革与创新

Python数据处理属于技术与知识迭代更新较快的课程，结合教学要求的客观性，在教学过程中，教师需要不断地迭代更新课程资源。笔者针对Numpy、Pandas、Matplotlib、Sklearn等Python数据处理第三方库，基于Python123(https://python123.io)平台构建了系列课程及在线评阅自主测试题。例如，笔者在Python123平台开设了从Python入门到Python数据分析的一系列课程（如图3）。

图3 Python123课程页面及开设课程列表

同时，笔者利用Jupyter Notebook的交互功能实现了教学交互（如图4），即通过直播软件实现教师与学生间的屏幕共享和课堂互动。Jupyter Notebook(Anaconda3)是基于网页交互的计算方式，以浏览器方式打开，在页面的Notebook中直接编写和运行Python代码，编写说明文档、数学公式，加载图片以及其他形式的输入和输出，以.ipynb文件存储，同时可以导出.pdf、.html、.tex等文件。在线上教学中，在教师在线讲解理论及代码后，学生可以在自己的计算机上快速运行Jupyter Notebook编写和测试代码，然后共享自己的屏幕，分享运行结果，交流编码中的“困难”，进而营造全体在线学习环境。课后，学生可以继续在Python123实践平台问答区提问讨论，互相解答，进而形成好的互助学习氛围。

图4 Jupyter notebook界面

3.教学资源维度的全面性、多样性

本课程选用人民邮电出版社出版的《Python数据分析与应用》作为学习参考教程。以应用为导向，从数据处理到分析的基本概念与相关知识，以任务描述、任务分析、任务实现、实训和课后练习等部分构建章节组织，并以航空公司客户价值分析、财政收入预测分析及家用热水器用户行为分析与事件识别等综合应用案例，为学生展示搭建数据分析路线图，进而体现教材资源的全面性。

在整体教学内容的设计上，笔者参考国家精品在线课程“Python数据分析与展示”，构建了基于Numpy、Pandas、Matplotlib、Scikit-learn的数据处理分析基本内容框架，其中包括各类数据读取、统计分析、特征关系分析、数据分布与分散状况分析，使用Pandas进行数据预处理（合并、清洗、标准化和转换数据等），使用Scikit-learn(简称sklearn)快速构建机器学习模型等。目前，在校内课程平台学习通的资料包括授课视频169个和非视频资源345个，涵盖了Python数据处理入门及进阶的各类知识点，动态更新资源，实现了教学资源能紧跟技术前沿。

4.MOOC的时空延展、质量继承

MOOC实现了学生、教师、教材的深度融合。结合本校地方应用型高校学生特点，教师可以为学生推荐国家级精品在线课程“Python语言程序设计”“Python数据分析展示”，这样不仅丰富了Python数据处理课程内容，还扩大了学生视野。

● 结语

基于新阶段大学课程的四维模型，教师与学生积极探索了新的教学相长模式，学生、教师、资源和MOOC相辅相成，将成为新时期大学教学改革的方向。