Python for Data Analysis

4.6+

9 Bewertungen

Intermediate

Zunächst werden wir die Anwendungen von NumPy und warum es so beliebt ist besprechen. Anschließend lernen Sie verschiedene Möglichkeiten kennen, um unterschiedliche Arrays in NumPy zu erstellen.

Es ist nun an der Zeit zu lernen, wie man die Indexnotation verwendet, um spezifische Elemente oder Teilmengen von Daten aus Arrays abzurufen. Sie werden auch lernen, wie man Indizes verwendet, um Daten basierend auf bestimmten Bedingungen abzurufen und fehlende Werte zu behandeln.

Es gibt einige häufige Operationen an Arrays, die Sie möglicherweise durchführen möchten. Glücklicherweise hat NumPy eingebaute Funktionen und Methoden für diesen Zweck, die Sie hier lernen werden.

Es ist an der Zeit, herauszufinden, wie man mathematische Operationen effizient auf NumPy-Arrays anwendet und sie in einigen realen Problemen einsetzt.

In diesem Abschnitt werden wir die Grundlagen der Series- und DataFrame-Strukturen erkunden. Sie werden auch die Unterschiede zwischen diesen beiden Strukturtypen kennenlernen.

Daten können in verschiedenen Formaten vorliegen, wie CSV, JSON, SQL, HTML und mehr. Mit Pandas sind Sie nicht auf ein einzelnes Format beschränkt – Sie können mit Daten aus einer Vielzahl von Dateitypen arbeiten. In diesem Kapitel konzentrieren wir uns speziell auf die Formate CSV und TXT.

Hier lernen Sie, wie Sie Rohdaten verarbeiten, indem Sie überflüssige Informationen entfernen und Nullwerte in einem Datensatz verwalten.

In diesem Abschnitt lernen Sie, wie Sie bestimmte Spalten anhand ihrer Titel oder Indizes ausgeben können. Außerdem werden Sie mit den Möglichkeiten vertraut gemacht, wie Sie Zeilen anhand von Indizes auswählen können.

Hier lernen Sie, wie Sie Daten extrahieren, die bestimmte Bedingungen erfüllen. Außerdem lernen Sie, wie Sie diese kombinieren und sogar Ihre eigenen erstellen.

In diesem Abschnitt erweitern Sie Ihr Wissen über das Festlegen verschiedener Datenbedingungen. Sie lernen, zu überprüfen, ob Ihre Daten in einer definierten Liste von Werten oder zwischen zwei Werten liegen. Sie lernen auch, wie Sie die größten und kleinsten Werte finden.

Dieser Abschnitt ist einer der faszinierendsten des Kurses. Hier lernen Sie, wie Sie Daten auf verschiedene Weise gruppieren können. Es wird Ihnen helfen, als Datenanalyst zu arbeiten, um Informationen über bestimmte Datengruppen zu finden.

Dieser Abschnitt ist einer der bedeutendsten für einen Datenanalysten, da es unmöglich sein wird, mit den Daten zu arbeiten, wenn sie fehlende Werte im falschen Format enthalten. Daher lernen Sie hier, wie Sie mit solchen ungeeigneten Werten umgehen.

Wir beginnen unseren Weg des Lernens der Wahrscheinlichkeitstheorie, indem wir einige grundlegende Definitionen und Regeln betrachten: Was ist ein stochastisches Experiment und ein zufälliges Ereignis, was ist Unabhängigkeit und Unvereinbarkeit von Ereignissen im Kontext der Wahrscheinlichkeitstheorie, was ist die Wahrscheinlichkeit und wie können wir Wahrscheinlichkeiten verschiedener elementarer Ereignisse berechnen.

Bei Aufgaben im realen Leben müssen wir oft mit komplexen Beziehungen umgehen und infolgedessen Wahrscheinlichkeiten mehrerer Ereignisse oder voneinander abhängiger Ereignisse berechnen. Lassen Sie uns betrachten, wie wir dies mit Hilfe der Wahrscheinlichkeitstheorie tun können.

Um viele reale Probleme in der Wahrscheinlichkeitstheorie zu lösen, wurden spezielle Modelle erstellt, die eine bestimmte Situation beschreiben. Betrachten wir einige der am häufigsten verwendeten Modelle, die verwendet werden können, um einige diskrete Ergebnisse stochastischer Experimente zu beschreiben.

Was, wenn das Ergebnis eines stochastischen Experiments nicht durch einen diskreten Wert beschrieben werden kann? Dafür werden Modelle verwendet, die mit kontinuierlichen Werten arbeiten. Betrachten Sie die beliebtesten dieser Modelle.

Oft stehen wir vor der Aufgabe, die Abhängigkeit der Ergebnisse verschiedener stochastischer Experimente voneinander zu überprüfen. Darüber hinaus ist es notwendig, nicht nur das Vorhandensein von Abhängigkeiten zu bewerten, sondern auch den Grad der Abhängigkeiten irgendwie zu quantifizieren. Um diese Probleme zu lösen, können wir Kovarianz und Korrelation verwenden.

Zuerst werden wir über Plotting-Anwendungen, die Matplotlib-Bibliothek und ihre Vorteile sprechen. Anschließend erstellen Sie Ihr erstes einfaches Diagramm mit Matplotlib.

Jetzt sind Sie bereit, verschiedene in der Praxis häufig verwendete Diagramme zu erstellen. Ohne weitere Umschweife, lassen Sie uns gleich eintauchen!

Das Erstellen von Plots und Visualisierungen geht über das bloße Erstellen eines oder mehrerer Plots hinaus. Es geht auch darum, sie klar, verständlich und ansprechend zu gestalten. Zeit, die Anpassung von Plots in Matplotlib zu lernen, los geht's!

Statistik ist entscheidend für die Arbeit mit Daten, daher ist es äußerst wichtig, zu wissen, wie man verschiedene statistische Diagramme erstellt. Jetzt ist es an der Zeit, die gebräuchlichsten zu erkunden.

Seaborn ist eine weitere leistungsstarke Plotting-Bibliothek in Python, die auf matplotlib aufbaut. Da Sie nun mit matplotlib vertraut sind, ist es an der Zeit, in die Visualisierung mit Seaborn einzutauchen.