Kursserie
Python för naturvetenskap
Kompakt kurs i datahantering, simulering och analys med Python-verktyg som NumPy, Pandas och Matplotlib.
Didaktiskt koncept
Serierna introducerar systematiskt datahantering, simulering och analys av naturvetenskapliga frågor med hjälp av Python. Strukturen börjar med visuella och intuitiva simuleringar, leder vidare till mätvärden, NumPy-matriser, Pandas-arbetsflöden och Matplotlib-diagram för statistiska utvärderingar, regressionsanalys, felanalys och disciplin-specifika tillämpningar. Den progressionen kopplar teoretiska begrepp med konkreta analys- och simuleringstyper så att data inte bara räknas utan också tolkas och visualiseras. Detta skapar ett kontinuerligt arbetsflöde från datagenerering till rengöring och modellering till disciplinspecifika utvärderingar.
För lärare erbjuder serien en tydligt strukturerad introduktion till vetenskaplig programmering med Python. De enskilda modulerna är modulärt användbara, gör lärandemål transparenta och stöder ett spårbart kompetensutvecklingsarbete från grundläggande kunskaper till praktiska miniprojekt.
Kompetensutveckling
- Utveckla professionella kompetenser inom variabler, listor, NumPy-matriser, Pandas-datastrukturer, visualisering med Matplotlib och statistisk analys.
- Utveckla metodiska kompetenser genom datahantering, datorklärning, simulering, regression, felanalys och tolkning av resultat.
- Stödja struktureringsskills genom tydligt strukturerade arbetsflöden från indata till beräkningar till utdata och visualisering.
- Överföring mellan vetenskapliga modeller, numeriska implementationer och programmerad analys.
- Användning av disciplin-specifika Python-bibliotek inom biologi, kemi, geovetenskap och astronomi.
Struktur för serien
Visuella grunder: Simulering & Intuition
Visuella sandboxer för fritt fall, tärningshistogram, regression, populationstillväxt och predator-prey-dynamik.
Detta modul öppnar serien med visuella och interaktiva modeller. Exemplen gör centrala idéer som slumpmässighet, fördelning, dynamik och simulering konkreta innan mer formelliserade data- och analysmetoder följer.
Introduktion till hantering, simulering och utvärdering av data
En kompakt lärningsenhet med fem på varandra följande moduler. Studenter arbetar med datavärden (variabler/listor), beräknar enheter och NumPy-matriser, simulerar mätserier med störningar, visualiserar data med Matplotlib och utvärderar CSV-laboratoriedata med Pandas.
Denna sektion ligger till grund för vidare utveckling. Data värden lagras och beräknas först enkelt, därefter bearbetas med NumPy, simuleras och presenteras vetenskapligt med Matplotlib.
Dataanalys i experiment
En kompakt lärandeenhet med fem på varandra följande moduler: (1) Inspektera och rensa data med Pandas, (2) beskrivande statistik med NumPy, (3) linjär regression med scikit-learn inklusive R² och diagram, (4) felanalys med konfidensintervall och t-test, (5) vetenskapliga diagramtyper med Matplotlib (histogram, boxplot, felstreck, undergrupper).
Denna modul utvidgar arbetet med data till ett experimentbaserat analysprocess. Datarensning, statistik, regression och felbehandling behandlas som kopplade steg i vetenskaplig bedömning.
Simuleringar & Modeller – Praktikprojekt
En kompakt praktikprojekt med fem på varandra följande uppgifter: från exponentiell tillväxt över Lotka-Volterra och rörelse med krafter till slumpmässiga processer och parametertillämpningar. Målet är att implementera simuleringar med NumPy strukturerade, jämföra resultat (inklusive fel) och visualisera motsvarande.
Denna sektion leder från analys av befintliga data till aktiv modellering och simulering. Numeriska procedurer, parametertillämpningar och jämförande presentationer stärker överföringen mellan vetenskaplig modell och implementerad beräkning.
Diskussionsområdena Bio, Kemi, Geologi & Astronomi
En kompakt lärande enhet med fem moduler. Studenter skapar steg-för-steg små analysprogram med Biopython, RDKit, GeoPandas/Matplotlib och Astropy. Varje modul leder till ett konkret resultat (nyckelfigurer, tabeller eller diagram) och använder endast de biblioteks funktioner som introducerats i kursen.
Modulen visar hur de tidigare byggda Python-kompetenserna används inom disciplinära sammanhang. Bibliotek från biologi, kemi, geovetenskap och astronomi illustrerar den vetenskapliga programmeringens tillämpningsrelevans.
Miniprojekt: Vetenskaplig dataanalys & simulering
Denna lektion sammanfattar fyra miniprojekt som praktiska tillämpningar: komplett EDA med Pandas, simulering (Monte Carlo), publiceringsklara Matplotlib-visualiseringar och ett oberoende miniforskningprojekt. Målet är en kontinuerlig arbetsflöde från datagenerering/datoladdning till analys och visualisering till tolkningsbaserad sammanfattning.
Den sista modulen sammanfattar analys, simulering, visualisering och tolkning i projektliknande uppgifter. Detta avslutar serien med ett komplett vetenskapligt arbetsflöde.
Innehåll på en titt
Visuell grundläggning: Simulering & Intuition
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| Fri fallssandbox | Simulering av fritt fall med variabler, numerisk integration, grafer och interaktiv kontroll. | 25 min -> @@ITEM_0001@@25 minuter |
| Histogram för tärningskast | Slumpmässighet, fördelningar, histogram, visualisering och interaktion med exempel på tärningskast. | 0 min |
| Streudiagram & Enkel regression | Simulering av position, hastighet och acceleration med interaktiv kontroll. | 0 min -> @@ITEM_0001@@0 minuter |
| Sandbox för populationstillväxt | Exponentiell tillväxt med gränssnitt, loop, knappar och dynamisk visualisering. | 25 min -> @@ITEM_0001@@25 minuter |
| Piratens skatt-sandbox | Lotka-Volterra-dynamik med stegfunktion, historiskt lagring och diagram. | 20 minuter |
Kom igång: Bearbeta data, simulera och utvärdera
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| pH-värden: Variabler, listor, medelvärde | Lagra pH-värden som variabler och lista, beräkna medelvärde och visa resultat. | 20 minuter |
| Pendelns period med NumPy-beregning | Beräkna pendelns period med NumPy, utvärdera längdsserien och visa i tabell. | 25 minuter |
| Simulera mätserier: Fritt fall med störning | Simulera mätserier för fritt fall med NumPy, lägg till störning och beräkna avvikelser. | 25 minuter |
| Mät fjäderkraft och skapa vetenskapliga grafer | Simulera fjäderkraftsdata och visualisera teori och mätningar med Matplotlib. | 35 minuter |
Dataanalys i experiment
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| Läs och rensa mätdata (Pandas) | Läs CSV-data med Pandas, diagnostisera fel, rensa, interpolera och spara. | 45 min |
| Beskrivande statistik och osäkerhet (NumPy) | Beräkna statistiska värden, standardfel, kvartiler, utomordentlig effekt och osäkerhet. | 35 min |
| Linjär regression: bedömning av termisk expansion | Linjär regression med scikit-learn, residualer, R², anpassningsformel och spridningsdiagram med anpassad linje. | 35 minuter |
| Felanalys: AI, standardfel och t-test | Konfidensintervall, t-test, tolkning av p-värde och valfritt utvärdering av OLS-modell. | 35 minuter |
| Laboratoriejämförelser: histogram, boxplot, felstreck | Jämför värden från flera laboratorier med histogram, boxplot, felstreck och sammanfattning. | 35 minuter |
Simuleringar & modeller – praktikprojekt
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| Euler-simulering: jämförelse av exponentiell tillväxt | Simulera exponentiell tillväxt med Eulers metod och jämför med analytisk lösning. | 60 min |
| Lotka-Volterra-simulering med Euler | Simulera predatör-återförsäljningsmodell med NumPy-matriser, varierande parametrar och observationer. | 45 minuter |
| Parachutefall: Euler-simulering med luftmotstånd | Simulera parachutefall med luftmotstånd och fasövergång, beräkna nyckelvärden och göra grafer. | 75 min |
| 2D slumpmässig promenad: Ensemblestatistik | Simulera 2D slumpmässiga promenader, bedöma slutdistanser och jämför med teoretisk förväntning. | 35 min |
| Parametertillämpning: Skrånad kastning med Euler-metoden | Simulera skrånade kast numeriskt och visualisera områden i två parametertillämpningar. | 60 minuter |
Diskiplinära tillämpningar: Bio, Kemi, Geo & Astronomi
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| Biopython: Seq, Längd och GC-innehåll | Analysera sekvenser med Biopython, beräkna längd och GC-innehåll och jämför. | 25 minuter |
| DNA till mRNA och protein med Biopython | Använd sekvensomvandlingar som komplement, reverse_complement, transkribera och översätt. | 25 minuter |
| Biopython: Läsramar och ORF-jämförelse | Bedöm basfrekvenser, läsramar, översättningar och bästa läsramar. | 35 minuter |
| RDKit: SMILES-descriptors och Lipinski-kontroll | Analysera SMILES-strukturer, beräkna molekulära descriptors och kontrollera Lipinski-regler. | 35 minuter |
| Geo- och astro-data: Filter, avstånd, vinkel | Utför analyser med GeoPandas och Astropy på stationer, avstånd, stjärnors avstånd och vinklar. | 75 min |
| GeoPandas: Analysera och filtrera punktdatat | Analysera punktdata med GeoDataFrame, CRS, filtrering, nya kolumner och avstånd. | 45 min |
| Astropy: Stjärnors avstånd och vinklar | Använd enheter, Quantity, SkyCoord, separationsvinklar och formaterade resultattabeller. | 45 min |
Miniprojekt: Vetenskaplig dataanalys & simulering
| Innehåll | Fokus | Varaktighet |
|---|---|---|
| EDA-arbetsflöde: Vattenmätdata med Pandas | Fullständigt EDA-arbetsflöde med simulerat vattendata, rensning, gruppering, korrelation och export. | 60 minuter |
| Monte Carlo: Buffons nål och Pi | Vektoriserad simulering av Buffons nålsproblem, uppskatta Pi, jämför fel och visualisera. | 75 minuter |
| Fyrfältigt diagram med Matplotlib | Generera återgivbara data och exportera ett flerdelat vetenskapligt diagram. | 60 minuter |
| Miniprojekt: Simulering och analys | Oberoende simulering och analysprojekt med mått, undergränsade grafer, känslighetsanalys och diskussion. | 120 minuter |
| Simulera och visualisera CO2-tidsserier | Simulera och visa CO2- och temperaturtidsserier med NumPy och Pandas med hjälp av Matplotlib. | 28 min |
| Analysera CO2-Temperaturdata | Beräkna medelvärde, korrelation, spridningsdiagram och trendlinje för ett CO2-Temperaturdataset. | 32 min |
| Influens av störning på korrelation | Variera störningsnivåer, jämföra korrelationer, samla resultat och visa som stapeldiagram. | 35 min |
För lärare skapas en strukturerad serie som kopplar ihop grundläggande principer, dataanalys, simulering och ämnesrelaterade tillämpningar på ett förståeligt sätt. Byggnadsblocken kan användas helt eller modulärt i undervisning och projektfaserna.
Begär en demo-tillgång för att testa serien i din egen undervisningskontext. Detta gör det möjligt att bedöma vilka byggnadsblock som passar lärandegruppen, tidsramen och akademiska mål.