Data Science for Beginners 第20课实战用 Planetary Computer 数据集完成可持续性数据分析与可视化任务【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners本文基于课程Data-Science-For-Beginners第20课Data Science in the Real World的芬兰语配套作业 assignment.md讲解本课程压轴实战的完整流程借助 Planetary Computer 的 Explorer 免登录界面选取地球科学数据集、构造预置查询并渲染可视化随后围绕数据集特征、可视化洞见、可持续性影响、局限性与替代可视化方案回答五个核心问题。读完本文你将能够独立完成一次从选数据、到查询、到渲染、再到批判性分析的完整数据可视化工作流并按三级评分标准自评作业质量还能通过 Launch Hub 进入 Notebook 对原始数据做交互式二次分析。任务背景这是课程收官之作的真实世界实战在第20课中我们梳理了数据科学在各类真实场景中的应用并深入研究了与科研、可持续性sustainability和数字人文相关的示例。本课作业要求你更深入地探索其中一个示例并把此前学到的数据可视化与数据分析知识付诸实践从而从可持续性相关的数据中获得洞见原文档导语。结合第20课的课程正文 README.md 可以补充理解本作业的上下文课程的可持续性板块以联合国《2030可持续发展议程》为背景其中包含保护地球免受退化和气候变化影响等目标。Planetary Computer 正是为这一领域设计的平台它提供 petabyte 级的地球系统数据Earth Systems data及对应的 API 接口数据由 Azure 托管且免费开放。课程原文还指出截至 2021 年 9 月该项目处于 preview 阶段——因此本作业特意设计了免账号即可完成的 Explorer 主流程 需申请账号的 Bonus 进阶流程两条路径保证任何学习者都能完成核心部分。本作业在整个课程中的位置它是第20课Data Science in the Real World中Tehtävä作业一节的正式任务入口课程 README 末尾通过 Explore A Planetary Computer Dataset 链接指回英文原版作业芬兰语版即本文所依据的 assignment.md。平台简介Planetary Computer 的四个组成组件作业指定的平台是 Planetary Computer 项目。按课程正文的说明该项目面向数据科学家和开发者提供四个组件分别对应本作业的不同使用阶段组件作用与本作业的关系Data Catalog数据目录汇集 petabyte 级地球系统数据免费、托管于 Azure第 2 步要求你浏览目录弄清每个数据集的用途Planetary API帮助用户在空间space与时间time两个维度上检索相关数据Explorer 的预置查询本质上就是面向目录数据的时空过滤Hub为科学家处理大规模地理空间数据集提供受管环境Bonus 阶段的 Launch Hub 即在此环境中以 Notebook 打开原始数据Applications展示面向可持续性洞见的用例与工具可作为你设计替代可视化时的灵感来源平台提供两条访问路径对应作业的主流程与加分流程Explorer免账号浏览器端界面可直接选数据集、选查询、选渲染方式是主流程的唯一必需工具账号 Launch Hub需申请向平台申请账号并在获批后登录可把原始数据在 Notebook 中打开做交互式分析这是 Bonus 阶段的入口。操作步骤StepsExplorer 主流程详解原文档给出的操作路径如下共三步界面说明Explorer 界面见下方截图让你可以从提供的选项中选择数据集dataset、预置查询preset query用于过滤数据和渲染选项rendering option用于生成相关可视化。阅读 Explorer 文档—— 理解各选项的含义。 目的搞清楚界面里数据集 / 查询 / 渲染三类控件分别控制什么避免在后续步骤中凭猜测操作。浏览数据集目录Catalog—— 弄清每个数据集的用途。 目的在动手之前建立哪些数据集存在、各自解决什么可持续性问题的全局认知为第 3 步的挑选提供依据。使用 Explorer—— 选一个你感兴趣的数据集选择一个相关查询和一个渲染选项生成可视化。 目的产出本作业的分析对象——一个渲染在浏览器中的可视化。操作要点提示结合课程正文与作业要求相关查询要与你选的数据集匹配——查询的作用是把数据按时间或空间维度过滤选错查询会导致渲染结果与你的问题无关渲染选项决定的是如何呈现数据它直接决定你能从可视化中得到什么洞见也会影响后续局限性问题的答案选数据集时优先挑与可持续性目标如气候变化、森林砍伐等课程正文点名了这两个方向相关的主题这样后续五个问题中关于对可持续性目标的影响才容易落到实处。核心任务Your Task五个必答问题的逐条解读在浏览器中得到渲染结果后作业要求你研究该可视化并回答以下五个问题原文档Your Task部分逐条列出。这五个问题实际上覆盖了描述 → 解释 → 应用 → 批判 → 改进的完整分析链条Whatfeaturesdoes the dataset have?数据集具有哪些特征考察的是对数据结构面的理解数据包含哪些变量/图层、空间范围、时间跨度、分辨率等。这是前四问的基础。Whatinsightsor results does the visualization provide?可视化提供了哪些洞见或结果考察的是从渲染结果中读出趋势、异常或模式的能力——对应课程第9至12课数量、分布、比例、关系四类可视化的读数训练。What are theimplicationsof those insights to the sustainability goals of the project?这些洞见对该项目的可持续性目标有何影响/含义把技术发现翻译回业务语言你的读数如何支撑保护地球类的目标这是本课程强调的数据服务于决策的落地环节。What are thelimitationsof the visualization (i.e., what insight did you not get?)该可视化有什么局限性即你没能获得什么洞见刻意训练批判性思维任何单一视图都会丢失信息要求你明确指出缺了什么而不是笼统说数据不够多。If you could get the raw data, whatalternative visualizationswould you create, and why?如果能拿到原始数据你会做哪些替代可视化为什么这是从看别人渲染的结果走向自己设计方案的关键一步也是 Bonus 阶段动手实现的蓝本。加分阶段Bonus Points用 Launch Hub 在 Notebook 中做原始数据分析加分流程的原文要求分三步申请账号并在获批后登录——这是进入受管环境Hub的前提使用 Launch Hub 选项把原始数据在 Notebook 中打开交互式地探索数据并把你前面设想的替代可视化真正实现出来分析你自己做的可视化——检查是否获得了先前在 Explorer 里缺失的那些洞见。从作业结构看Bonus 阶段与主流程构成闭环第 4、5 问中没得到的洞见和设想的替代可视化在这里变成可执行的 Notebook 实验而第 3 步重新分析自己的可视化则验证了改进方案是否有效。若账号申请未通过完成主流程的五问作答即满足核心要求不受影响。评分标准Arviointikriteerit / Rubric原文档给出的三级评分表如下原文档表格的表头分隔符多了一个此处按三列语义修正优秀Erinomainen达标Riittävä待改进Parannettavaa五个核心问题全部作答。学生清晰地识别出当前可视化与替代可视化分别能如何为可持续性目标或结果提供洞见。学生至少对前三个问题给出了详尽回答显示出对 Explorer 的实际操作经验。学生未回答多个问题或答案细节不足——表明没有对该项目做出有意义的尝试。自评建议交作业前对照优秀一栏逐条核对——五个问题是否都有实质内容第 2 问与第 5 问之间是否形成呼应你看到的洞见是否催生了具体的替代可视化设想对可持续性目标的讨论是否落到了具体目标而非泛泛而谈。作业边界说明本作业文档为芬兰语 AI 自动翻译版文末附有免责声明该文档使用基于 AI 的翻译服务生成自动翻译可能包含错误或不准确之处应以原文语言英文版作业 assignment.md为准关键信息建议使用专业人工翻译。主流程仅需浏览器访问 Explorer无需任何账号仅 Bonus 阶段需要申请账号并等待审批。课程正文中提到项目处于 preview 状态2021 年 9 月实际功能与入口可能随时间演进操作时以平台当前界面为准。小结本作业是Data-Science-For-Beginners20 课旅程的收官实战以 Planetary Computer 的真实地球科学数据为对象完整走一遍选数据集 → 构造时空查询 → 渲染可视化 → 回答五个分析问题 → 可选用 Launch Hub 在 Notebook 中做原始数据实验的工作流。它把课程第 9 至 13 课的可视化方法论、第 14 至 16 课的数据科学生命周期与沟通要求以及第 20 课的可持续性应用场景压缩进了一个可独立完成、可自评分级的真实任务中。【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考