用python-pptx生成人工智能与大数据分析讲义

简介：一份面向数据分析入门者与人工智能初学者的演示文稿，主题为人工智能与大数据分析。开篇从大数据分析的基本概念切入，解释数据、信息与知识之间的关系，并介绍数据分析师常用的Python、R、SQL、Excel、SPSS等工具；随后通过沃尔玛购物篮分析、世界杯点球预测、UPS路线优化、阿里信用贷款等真实案例，阐明数据驱动决策在商业、体育和物流中的实际价值。后半部分重点讲解Python数据分析基础，以及NumPy、Pandas两大库的核心用法，并以泰坦尼克号乘客生存预测案例完整演示从数据清洗、特征梳理到建模判断的分析流程，适合教学、自学和项目汇报参考。文件为单个PPTX演示文稿，共69页，压缩包大小约16.75MB，结构紧凑便于整体浏览；目前已有358人学习下载，是一份快速了解大数据分析应用场景的入门资料。

1. 一份《人工智能与大数据分析.pptx》到底要装什么内容

收到《人工智能与大数据分析.pptx》这个标题文件的人通常有三类：要给学生或员工授课的讲师、要在内部做技术汇报的工程师、想顺着这门课补一遍知识框架的从业者。很多人拿到标题第一反应是「人工智能讲二十页，大数据分析再讲二十页」，结果成品成了两张皮：前半部分堆神经网络结构图，后半部分放 SQL 截图，观众看完说不清两者有什么关系。真正值得讲的是数据如何从原始状态一步步变成模型决策的依据，这条主线本身就是大数据分析管线与模型训练闭环的连接点。这门课适合对 pandas、SQL 有基础、但没系统串过完整数据链路的人。读完你不仅能回答「为什么数据清洗直接影响模型精度」，还能拿到一条用 python-pptx 脚本直接生成整套讲义 .pptx 文件的可行路径，以及上台前必须检查的细节清单。

2. 先立住大纲：人工智能模型流程与大数据分析管线怎么排

2.1 为什么人工智能章节必须让位给大数据分析管线

我在设计这类课时，会把课程主线定义成一条数据流水线：数据采集 → 数据清洗 → 探索性分析 → 特征工程 → 模型训练与评估 → 结果解释。人工智能模型是这条管线的终点，而不是起点。这个顺序看起来反直觉，但有一个很现实的失败案例支撑：很多教程先讲决策树、随机森林、神经网络，等到实训环节让学生拿真实数据集做预测，学生的第一个动作往往是把原始数据直接塞进fit()，然后被缺失值、重复行、时间字段警告卡住半小时。问题不在模型没学懂，而是缺少「先看看数据长什么样」的训练。

把大数据分析放在人工智能前面，本质上是让学生先建立数据敏感度。在数据清洗这一节，他们学会的是「多少缺失能容忍、什么情况要删除、什么情况要填充」；到了特征工程，才能把清洗干净的字段转换成模型能吃的数值特征。这个顺序同时对应了现在企业里「人工智能训练师」岗位的日常工作流程：不是调参调包，而是先把数据伺候明白。这两年行业里常讲 harness 人工智能（驾驭人工智能），我的立场很朴素：驭模型先驭数据。这条学习路径对新手友好，对熟手也能起到补全盲区的作用——很多写了好几年 SQL 的工程师，第一次发现自己对数据质量的判断方法是缺失的。

2.2 每页幻灯片必须兑现一个可检验的承诺

大纲阶段我给每一页写一句验收标准：这页讲完后，听众能回答哪个问题、能复现哪个动作。针对这个标题，可以按下面的表分配页码，总篇幅控制在 24 到 30 页，既把管线拉完整，又不会拖到听众注意力耗尽。

这张表的重点是「是否含代码演示」。光给结论没有说服力，我在数据分析章节通常给学员准备一份 500 到 2000 行的 mini-dataset，讲一个功能就现场跑一段，幻灯片上的代码和终端真实输出保持逐字符一致。后面第 3 章讲怎么用脚本生成讲义时，会把这类代码做成等宽字体文本框，避免从幻灯片复制到终端时半角引号被换成中文全角。每一项验收标准都应该能在五分钟内被证伪：讲师可以随手把train_test_split的shuffle=False改成True，问学员「结果变了没、为什么」，答不上来就说明上一页没讲透。

2.3 三条必须守住的技术边界

大纲阶段还要提前定好哪些话不能讲，否则现场必被追问。第一条是「大数据」的量级界定。在课程语境里，几十万行结构化的 demo 数据足以支撑全部演示；如果反复提 HDFS、Spark、分布式计算，却没有相应规模的演示数据，很容易被问「你这个 demo 是不是小数据集也能跑」。常见做法是开宗明义：本课只覆盖单机内存可处理的数据，分布式的动机与代价作为扩展阅读放在讲义末尾，绝不混进主线。第二条是不能把相关性说成因果，尤其是旅游网站、电商这类场景，分析结果里出现强相关变量时，必须补一句「这只是相关，不是因果」。第三条是模型评估必须放在数据清洗之后讲，否则学员会养成「先跑通、后质疑」的坏习惯，拿到任何数据都先fit再说。

这三条写进大纲的备注页，比在台上临场解释要稳得多。你会发现在写大纲的这个阶段，内容密度已经接近 20 页的量，剩下的问题只是怎么把它变成一份排得干净、换台电脑不打乱版式的 .pptx 文件。

3. 用 python-pptx 把人工智能与大数据分析大纲落成 .pptx

3.1 最小可运行的生成脚本：从空白文档到第一页正文

既然交付物是一个 .pptx 文件，最常见的做法是用 python-pptx 直接操作演示文稿的 XML 结构，生成过程完全可脚本化，不需要本机安装 Office。这样「改大纲 → 重新生成讲义」可以变成一条命令。先看一段最小可运行的脚本，它创建一份 16:9 的空白讲义，写入标题页和一页数据清洗的代码演示页。

from pptx import Presentation from pptx.util import Inches, Pt prs = Presentation() prs.slide_width = Inches(13.333) # 16:9 宽屏，单位是英寸 prs.slide_height = Inches(7.5) blank = prs.slide_layouts[6] # 空白版式，避免占位符干扰排版 # 第 1 页：标题页 slide = prs.slides.add_slide(blank) tb = slide.shapes.add_textbox(Inches(1), Inches(2.5), Inches(11), Inches(1.5)) tf = tb.text_frame p = tf.paragraphs[0] run = p.add_run() run.text = "人工智能与大数据分析" run.font.size = Pt(40) run.font.bold = True # 第 2 页：数据清洗代码演示页 slide2 = prs.slides.add_slide(blank) tb2 = slide2.shapes.add_textbox(Inches(0.8), Inches(0.6), Inches(11.5), Inches(1)) tb2.text_frame.text = "1. 数据清洗：先处理缺失值" code_box = slide2.shapes.add_textbox(Inches(0.8), Inches(1.8), Inches(11.5), Inches(4)) code_frame = code_box.text_frame code_frame.word_wrap = False code_text = ( "df.isna().sum() # 统计每列缺失值数量\n" "df.dropna(axis=0, how='any') # 删除含缺失值的行\n" ) code_para = code_frame.paragraphs[0] run_code = code_para.add_run() run_code.text = code_text run_code.font.name = "Consolas" run_code.font.size = Pt(16) prs.save("人工智能与-大数据分析.pptx")

代码里的关键参数先解释一遍。slide_layouts[6]取的是模板自带的空白布局，多数新建文档第 6 号索引就是空白页，但不同来源的 .pptx 模板布局顺序可能不一致，稳妥做法是先print(len(prs.slide_layouts))确认索引范围，再统一用一个空白布局常量。word_wrap = False表示代码行不自动换行，防止长语句被断在.或_中间，导致学员抄代码时拼错方法名。字号 16pt 的 Consolas 在投影仪上勉强可读，再小后排就看不清了。prs.save()保存中文文件名没有任何问题，但换台电脑打开时字体可能被替换，所以生成完必须做一次渲染检查，这一步在最后一章展开。

提示：run.font.name只能设置拉丁字体，中文字体要写到 run 的 eastAsia 字体属性里，否则生成的文件换机器打开会出现字体回退，课文换回宋体，代码框和正文的风格立刻脱节。

3.2 用常量与字体函数控制整份讲义的观感

如果每页都手动add_textbox，30 页讲义的代码会膨胀到没法维护。常见做法是定义一套排版函数，把「页头标题 + 左对齐正文 + 底部页码」抽成公共调用，把字号、边距、主题色收敛成文件顶部的一组常量。修改版式时只动常量，不用在几十段代码里找数字。下面是中文字体处理的核心函数，它是中文讲义能否「看起来像正经出版物」的分水岭。

from pptx.oxml.ns import qn def set_zh_font(run, name="微软雅黑", size=18, bold=False): run.font.name = name # 只对拉丁字符生效 run.font.size = Pt(size) run.font.bold = bold rPr = run._r.get_or_add_rPr() ea = rPr.find(qn("a:ea")) # eastAsia 字体节点 if ea is None: ea = rPr.makeelement(qn("a:ea"), {}) rPr.append(ea) ea.set("typeface", name) # 显式指定中文字体

这个函数的关键在于qn("a:ea")。python-pptx的font.name属性只写拉丁字体节点，中文字符真正调用的是 eastAsia 节点；不单独设置，PowerPoint 就会用主题默认的中文字体渲染，不同机器上看到的效果可能完全不同。get_or_add_rPr()是 python-pptx 内部方法，保证 run 属性节点存在后再挂a:ea子节点，顺序不能反。实际排版时配合一组常量，例如TITLE_SIZE = 28、BODY_SIZE = 18、MARGIN = Inches(0.8)，整套讲义的观感就锁死在同一套规范里，不会出现某页字体忽大忽小的低级问题。

3.3 批量生成讲义：一份大纲 JSON 对应整套 .pptx

进阶做法是先定义大纲数据结构，再用同一套渲染函数批量产出讲师版、学员版和讲稿备注页。我一般把每一页描述成一个字典，例如{"title": "数据清洗", "code": "…", "notes": "…"}，页面渲染函数负责读字段并写入固定坐标。课程内容更新时只改数据文件，不用人肉调整文本框。生成时给不同版本加后缀，例如人工智能与大数据分析_学员版.pptx，学员版可以隐藏代码行或者把答案替换成空行，方便课堂练习。用这种结构驱动，第 2 章的那张页码表可以直接转成 JSON 文件，大纲与成品之间不再出现「文档改了、幻灯片没改」的错位。这一节每次跑脚本都应该顺带打印生成的文件名和页数，作为最基础的版本核对手段。

4. 大数据分析实操：数据清洗、concat 纵向/横向合并与分组聚合

4.1 数据清洗四步套路：缺失值、重复值、类型错误、异常值

很多分析脚本翻车都翻在清洗顺序上。我的固定顺序是：先做类型检查，再做去重，然后处理缺失，最后看异常值分布。原因是类型错误会影响后续所有操作，而缺失值填充策略依赖列的真实类型来决定是填中位数还是填众数。下面这段代码可以直接放进学员的课堂练习里。

import pandas as pd df = pd.read_csv("mini_dataset.csv", encoding="utf-8") # 1) 类型检查：object 列里混入数字，先用 coerce 统一转换 df["amount"] = pd.to_numeric(df["amount"], errors="coerce") # 2) 去重：按业务主键判断，而不是整行 df = df.drop_duplicates(subset=["user_id", "order_id"]) # 3) 缺失值：先计数，再决定删除或填充 print(df.isna().sum()) df = df.dropna(subset=["order_id"]) # 主键缺失直接删 df["amount"] = df["amount"].fillna(df["amount"].median()) # 数值列填中位数 # 4) 异常值：用 IQR 找出离群区间，先观察再决定处理 q1, q3 = df["amount"].quantile([0.25, 0.75]) iqr = q3 - q1 outliers = df[(df["amount"] < q1 - 1.5 * iqr) | (df["amount"] > q3 + 1.5 * iqr)]

两个容易搞错的参数要讲清楚。to_numeric的errors="coerce"遇到无法解析的字符串会写成NaN，而不是抛异常中断整个 pipeline，这对数据质量参差不齐的真实文件来说是更安全的默认选择；如果写成errors="raise"，一行脏数据就能让整条链路停摆。drop_duplicates(subset=...)如果不传 subset，会按整行判断重复，现实中同一订单的个人信息列有细微差异时，整行去重基本失效，必须用业务主键。填充策略上我刻意用中位数而不是均值：异常值会把均值拉偏，中位数对离群点更稳健。异常值最后只标记不过度清理，直接把离群行删掉，可能把大客户也删没了，演示阶段的结论是「先观察，再判断」。

4.2 concat() 实现纵向与横向合并：方向参数 axis 是唯一分水岭

pandas 里concat()是最直观的数据合并入口，但axis的反直觉设计让很多人踩坑：axis=0是纵向合并，把行叠起来；axis=1是横向合并，把列并排。这个方向定义和线性代数里对矩阵 axis 的习惯理解容易混，所以课堂讲义上值得单独占一页。用一个简短示例说明：

import pandas as pd t1 = pd.DataFrame({"user_id": [1, 2], "amount": [30, 50]}) t2 = pd.DataFrame({"user_id": [3, 4], "amount": [60, 90]}) # axis=0：把 t2 的行追加到 t1 下面，结果是 4 行 stacked = pd.concat([t1, t2], axis=0, ignore_index=True) # axis=1：列并排，索引必须对齐，否则产生大量缺失 merged = pd.concat([t1, t1[["amount"]] * 2], axis=1)

两个参数值得单独交代。ignore_index=True在纵向合并时让结果索引从 0 重新编号，否则新表里会保留原两表的索引号 0,1,0,1 交错出现，后续loc定位极易出错；横向合并时不建议开ignore_index，因为它靠索引对齐两边的行，打乱索引会导致数据行错位。还要反复强调的是，concat是「叠」不是「连」，它不做基于键的匹配去重，类似 SQL JOIN 的按字段关联必须改用merge()或join()。下面这张表可以直接放进讲义，作为两方向参数的速查页。

4.3 聚合与探索性分析：groupby + agg 一页讲完

探索性分析部分我习惯把重点放在「把维度拆开看指标」，这是大数据分析区别于单纯取数的关键。groupby 负责拆分，agg 负责汇总，一行代码就能得到多指标对比表：

daily = ( df.groupby("order_date")["amount"] .agg(["sum", "mean", "count"]) .reset_index() ) daily.columns = ["order_date", "total_amount", "avg_amount", "order_cnt"]

agg(["sum", "mean", "count"])返回的结果列名分别是 sum、mean、count，所以紧接着要重命名 columns，让输出对学员可读；reset_index()把 order_date 从索引降回普通列，方便后续排序画图。可视化部分不堆复杂参数，展示df.plot(kind="bar")和df.plot(kind="hist", bins=30)两个入口就够，让学员先看到分布形状，再去决定特征工程方向。比如发现 amount 右偏，就做一次np.log1p变换，这比直接背特征工程方法论更好理解。这一组代码在一页内讲完，每个人都能在本地直接复现，不需要额外搭环境。

5. 上台前必查的 .pptx 细节与演示数据坑位

5.1 三分钟渲染检查清单

生成 .pptx 后最快的检查方式是转成 PDF 再看静态渲染图。LibreOffice 的soffice --headless --convert-to pdf 人工智能与-大数据分析.pptx是常见做法，它会按真实字体替换结果渲染出每一页。检查顺序固定为三条：代码框有没有被截断，中文字体有没有回退成宋体，表格列宽有没有把数字吞掉。代码框截断的原因通常是文本框高度写死且word_wrap=False导致溢出；字体回退说明 eastAsia 属性没写对，回到第 3 章 3.2 节的set_zh_font函数检查有没有被跳过。

5.2 演示数据的三类现场炸弹

第一类是数据泄漏，这是人工智能课程里最容易翻车的地方：如果先用整份数据做特征缩放，再去划分训练集和测试集，测试集的信息已经被模型间接看到，现场得出的准确率会虚高。正确做法是先train_test_split，再只对训练集fit缩放器，测试集用同一个缩放器transform。第二类是随机种子没固定，同一段代码每次跑出来的准确率都不一样，学员会当场质疑结果不可复现。在train_test_split、模型初始化、抽样三处都设置random_state=42能解决绝大多数问题。第三类是代码框里的引号被排成全角，检查时直接搜索英文引号附近有没有异常空白，比逐字符读要快得多。这三类问题都不难修，但都属于「上台前不查、上台后必炸」的典型。

5.3 现场跑数据的时间与数量级控制

最后给一个具体技巧：把演示用数据集和完整版数据集分开存两个文件。演示版控制在 5000 行以内，保证read_csv和groupby在投影仪上两秒内出结果；完整版留作课后作业，文件名用mini_dataset.csv和full_dataset.csv明确区分，并在讲稿备注里写清两者的用途。这样既避免现场等待，又不牺牲课程内容的真实感。每次开课前重跑一遍第 3 章的生成脚本，确认讲义的页数、文件名和数据文件三者的版本能对上，再把它拷进课堂用的那台电脑。把这份 .pptx 当成一个可持续迭代的工程来维护，而不是一次性汇报材料，它的内容才会跟着数据和分析方法的更新一起往前走。

本文还有配套的精品资源，点击获取