服务区域大数据产业发展的“Python数据分析”通识课程建设探索——以柳州职业技术学院为例

杨 川

（柳州职业技术学院，广西 柳州 545006）

引言

“十三五”时期，我国大数据产业取得了突破性的发展，在“十四五”规划中，提出了“加快数字化发展，建设数字中国”新愿景[1]。柳州是一座历史悠久的工业城市，由于产业环境的制约，大数据产业发展较为缓慢。近年来，柳州正加速发展大数据相关产业。2020年7月，柳州市人民政府印发《柳州市大数据产业发展专项资金管理办法》（柳政规〔2020〕23号），该专项资金用于支持柳州市大数据产业发展方面的项目，重点支持工业、农业、服务业等领域5G、互联网、大数据、人工智能、物联网等新一代信息技术与实体经济深度融合应用示范项目及课题研究项目。在吸引人才方面，柳州市政府先后出台《柳州市关于加快新时代人才集聚的若干措施》《柳州市人才分类认定和奖励补贴实施细则》和《柳州市引进高端人才（团队）项目资金支持实施细则（试行）》等政策，鼓励大数据人才到柳就业。柳州拥有柳钢、上汽通用五菱、东风柳汽、柳工等国内外有名的制造业企业，当前工业互联网的发展也给柳州大数据产业发展带来了机遇。2020年11月，柳州市工业和信息化局印发《柳州市加快推动工业互联网发展若干措施》，文件中指出要加快推进柳州工业转型和高质量发展，推进工业互联网新基建和工业互联网平台建设。近年来，“网红小吃”柳州螺蛳粉也带动了柳州预包装螺蛳粉产业的发展。2021年7月，广西壮族自治区人民政府印发《加快推进柳州螺蛳粉及广西优势特色米粉产业高质量发展实施方案》，文件中指出要加快大数据平台建设，对特色米粉产业进行工业互联网标识化、管理信息化、生产数字化升级改造。大数据技术有望助力柳州螺蛳粉产业高质量发展。

一、课程教学改革的必要性

（一）Python较传统数据分析工具的优势

数据分析是指用计算机技术对数据进行处理、分析、可视化，进而得到能够为人们决策提供参考的数据分析结论的技术。在大数据时代，数据分析是大数据企业的业务人员需要掌握的一项基本技能。传统的数据分析工具主要是Excel和SQL数据库查询语言，分析的流程是先从数据库中提取数据，再到Excel中进行相应的数据处理、分析和可视化。这样的分析工作存在以下缺点：第一，分析流程中使用的工具不一致，分析过程较为繁琐；第二，只能进行简单的数据分析，对一些复杂的、特殊的数据分析需求不容易实现。

Python是一门上手快、功能多的编程语言，特别在数据挖掘、人工智能领域有着成熟的技术框架。在数据分析领域，Python中的Pandas和Numpy库能够解决绝大多数的数据分析问题。使用Python进行数据分析拥有众多优点[2]：第一，Python语法简单、易学、好上手；第二，Python能够通过API对接SQL数据库，同时也有着完善的数据分析框架，能够打通数据分析从数据获取到分析、可视化的完整流程；第三，Python中成熟的数据分析框架结合Python的编程语法能够实现很多复杂的数据分析需求；第四，Python在数据挖掘、人工智能领域的应用广泛，用Python做数据分析项目有广阔的扩展空间。

（二）区域行业发展趋势的需要

柳州职业技术学院（以下简称“柳职院”）一直致力于培养地方区域产业所需的应用型人才，2020—2021年，柳职院与地方企业深度合作，建设智能制造产业学院、柳州螺蛳粉产业学院，助力地方产业的发展。“Python数据分析”是该校大数据技术专业开设的一门专业基础课，旨在培养该专业学生运用Python处理分析数据的能力。柳州区域大数据产业的发展，也对职业教育提出了新的要求。一方面，大数据分析相关的岗位需求在增加，在工业互联网发展的大背景下，柳州不少大型制造业从2020年开始招聘大数据分析人才。另一方面，在柳州市，有数据分析相关岗位需求的行业分布开始呈现扁平化发展趋势，即对数据分析人员有需求的行业范围很广，且对数据分析人员的能力要求不高。因此，在柳州市大数据产业飞速发展的今天，培养区域产业发展所需的数据分析人才应是柳州高职院校大数据专业应用型人才培养的方向。

综上，在高职院校中将“Python数据分析”课程打造成一门通识课程是有必要性的，也是可行的。实际上，很多本科院校已经在非计算机专业开设了Python相关课程。结合柳州市的区域大数据产业发展背景，构思、开设“Python数据分析”通识课程，让机电、汽车、财经等专业的学生也能够接触、学习到Python做数据分析的基本方法，这样更有利于学生在进入岗位后更顺利地开展数据分析工作。

二、课程现状及存在问题

（一）课程内容现状及存在问题

柳职院“Python数据分析”课程面向学校大数据技术及人工智能专业大一下学期的学生进行授课，主要讲述运用Python进行数据处理及分析的方法，涵盖数据读取、数据清洗、数据分析、数据可视化等内容。该课程需要以“Python程序设计”作为前置课程，“Python程序设计”主要讲述Python语言的基本语法和编程方法。当前“Python数据分析”的课程内容章节体系如图1所示。

图1 “Python数据分析”当前课程内容章节体系

如图所示，目前课程的内容和章节设置采用的是“理论+项目”的传统结构。这种结构的优点主要有：第一，能够将知识点梳理得很清晰；第二，在讲述完所有的知识点之后再对综合项目进行讲解，有助于学习、理解大型的综合项目。另一方面，当前的章节内容和结构也存在明显的缺陷。

1.理论知识太多，学生学习难度大

高职学生的学习基础较弱，抽象知识的学习能力较为欠缺，较多乏味的理论知识学习对他们来说是一种巨大的考验。若要将“Python数据分析”做成一门通识课程，面向众多其他专业的学生开设，课程的易学性将是首要考虑的问题[3]。此外，设计“Python数据分析”通识课程，考虑到其他专业学生没有学过Python语言基础知识，还应该考虑在课程中融入Python语言基础的内容，作为课程的第一部分内容。

2.课程缺乏足够的企业实际数据分析项目和案例

目前课程中的项目和案例较少，涉及的场景和领域也较为单一。一方面，缺少项目案例教学使得课程学习较为枯燥，特别是对于其他专业的学生而言。另一方面，缺少案例也使课程的实用性较低，建设服务柳州地方大数据产业的“Python数据分析”课程，应该在课程内容中提供若干具体的、实际的企业数据分析应用案例和项目，提高课程的实用性。

（二）课程传统教学方法及其存在问题

传统的高职“Python数据分析”课程教学主要采用讲授法、案例教学法、任务驱动法等教学方法[4]。教学过程包含讲授教案、演示代码案例、布置实操任务、任务验收及反馈、布置作业等。“Python数据分析”采用传统教学模式开设通识课程存在以下几方面问题。

1.被动地学习非本专业知识导致学习效果不佳

对于大部分非计算机类专业学生来说，学习一门编程语言尚且不易，何况还要用这门编程语言来完成一些具体的应用，这更是对学生提出了更高的要求。传统的教学方法更多强调教师的主观能动性，对于学生来说学习是被动性的。对于全新的知识，被动学习会大大影响学习的效率。

2.学习基础差异性导致部分学生跟不上学习进度

高职学生的一大特点就是学习基础差异性。部分学生在中学时期的学习条件不好，有的甚至没有接触过电脑。此外，通识课程面向不同专业开设，不同专业的学生计算机基础也存在差异性。对于基础存在差异的学生，若一刀切地采用传统的教学方式将可能导致基础较差的同学难以跟上学习的进度。

3.缺乏实际应用项目教学导致课程的实用性不强、吸引力不足

非计算机专业的学生选学“Python数据分析”通常是因其认为相关知识能够对他们未来的发展有帮助，相比计算机专业学生，他们更注重Python数据分析在他们的专业领域的具体应用，而原“Python数据分析”课程中设置的各领域的数据分析项目太少，对其他专业学生的吸引力不足。

三、课程建设策略

（一）课程内容改革设计

在原课程“Python数据分析”教学内容基础上，设计面向全校高职学生开放的“Python数据分析”通识课程。在课程的教学内容和模式上主要有两点调整：第一，将“Python程序设计”的Python语言基础相关内容整合到“Python数据分析”通识课程中；第二，对原“Python数据分析”中的理论知识章节内容进行重构，减少理论知识的堆积，以项目化的形式封装章节的理论知识。基于Python数据分析应用相关知识，围绕数据分析、数据可视化、数据挖掘几个专题，以电商、工业、金融等大数据领域的具体数据分析项目作为载体，将Numpy、Pandas、Matplotlib、Sklearn库中的Python数据分析的知识概念整合起来，提高课程和其他专业课程的契合度，增加课程对其他专业学生的实用性和吸引力。从总体看，课程的章节内容结构仍然采用“理论+项目”的形式，总体结构如图2所示。

图2 课程章节内容总体结构

第一部分内容是Python语言基础。这部分内容主要讲述Python的基本语法及编程方法，是学习所有Python其他知识和应用的基础。章节内容主要包含Python简介、变量、运算符和表达式、数据类型、程序控制结构、函数、模块和包。这个章节虽然侧重知识点理论讲述，但是，在内容设计上，在各个知识点中设置相应的案例教学能有效提高学生的学习效率和兴趣。例如，在讲授for循环和if语句时，可以参考Excel中常见的单元格和if函数公式的常见应用，设计一个案例将某个分数列表（如[95，90，80，……]）转为一个分数等级列表（如['优秀'，'优秀'，'良好'，……]）。第二部分内容是Python数据分析基础。这部分内容主要讲述用Python进行数据分析及其应用的预备知识。具体内容包括数据分析概述、Python数据分析环境配置、数据读取、Pandas数据分析常用对象。这部分重点讲述Pandas数据分析常用对象其中的表格对象和序列对象，理解好表格对象和序列对象中的属性和方法是学好Python数据分析的关键所在。第三到第五部分是项目教学模块。其中，第三部分是数据分析模块，这部分主要讲述Python中数据分析的基本方法和一些平时可以用Excel等软件实现的常见数据分析项目，具体知识点包括数据类型转换、分组分析、交叉分析。第四部分是数据可视化模块，主要讲述Python中的Matplotlib库及其相关画图方法。第五部分是数据挖掘模块，主要讲述一些常用的数据处理方法，如数据清洗、数据标准化，以及一些简单的数据挖掘算法，如聚类算法、回归算法、分类算法。这三个章节的相关知识点都将封装到汽车、电商、金融等不同专题的数据分析项目中，通过项目教学的灵活配置，能够提高课程的更新频率，增强课程的吸引力和生命力。

其中，项目案例内容的建设是课程内容建设的关键。“Python数据分析”通识课程的定位是服务柳州大数据应用型人才的培养，在项目案例建设方面应该争取找到当地企业真实的数据分析案例和项目作为教学内容。可以考虑从以下两种方式加强项目案例内容的建设。

1.加强和本地相关企业的合作

学校和教学团队应该加强和本地企业的合作，如在相关领域和企业开展大数据分析项目方面的合作，积极将项目成果转化为教学资源。另一方面，团队老师可以到企业挂职，协助企业完成项目的同时完成项目教案的开发。

2.尝试拓宽教学项目来源领域

除了本地企业外，也可以尝试寻找外地企业的项目案例作为课程教学资源。许多国内发达地区的优秀企业拥有大量的数据分析项目案例，可以尝试通过多元化方式获取这些资源，封装到课程中去。

（二）课程教学方法设计

针对上述“Python数据分析”通识课程教学方面可能存在的问题，对课程的教学方法作出如下设计。

1.混合式教学法

为了更好激发学生学习“Python数据分析”课程的主观能动性，应该提供线上课程供学生课前学习。特别是在理论部分，让学生在课余时间通过线上课程先对Python的基本概念和知识体系有所了解，带着问题和目的来到线下课堂和老师学习，有利于发挥学生的主观能动性。当然，本课程应该采用混合式教学的方式进行，在线下教学部分，重点通过实际操作演示、任务布置和验收来引导学生继续学习。

2.分层化教学法

针对学生分层化明显的问题，应该制定明确的分层化教学策略。例如，设计和布置有层次性的任务和作业，对于基础较差的学生不要求他们做完所有的作业，但需要他们掌握一些基本的知识和方法。提供足够的线上资源给基础较差的学生学习，通过“线下指导、线上自测”的教学方式带动基础较差的同学掌握基本知识内容，使这部分学生也能够从学习中获得正反馈，找到成就感。

3.分组学习教学法

鼓励学生组成学习小组，围绕小组内同学们感兴趣的专题开展学习和实践。在教学中布置的任务和作业要体现不同专业的数据差异性，提供不同场景的任务和作业供不同专业、小组的学生学习、实践。考核方式上，允许学生以小组的方式提交项目作业，不同小组可以对不同专题的数据分析项目开展合作并完成项目。分组学习教学法一定程度上也能够缓解学生分层化明显的问题，带动学生学习的积极性。

4.项目式教学法

正如教学内容中设计的一样，侧重项目式教学是“Python数据分析”通识课程顺利开展的关键。课程教学过程中应该注重结合不同专业的具体数据分析问题，讲述具体项目的知识点和项目实施过程及方法，让课程真正对学生有实用性，能够真正帮助学生解决一些专业学习中遇到的企业实际问题，培养学生解决大数据分析问题的实践能力。

四、结语

信息时代的发展带来了地方产业的转型升级，这对职业教育提出了新的要求。“Python数据分析”通识课程旨在培养更多顺应地方经济社会发展需求的大数据分析应用型人才，助力地方大数据产业发展。课程建设中提出了“轻理论，重项目”的教学内容结构和混合式教学、分层化教学等多元化教学方式。未来，“Python数据分析”课程将在通识课程改革上进一步探索、实践，聚焦学生的学习情况和反馈，真正地将这门课做成一门对各个专业学生有吸引力、切实服务于地方产业发展的新课程。