Python for Data Analysis

Erkunden Sie die Anwendungen von NumPy und erfahren Sie, warum es eine der beliebtesten Bibliotheken für numerische Berechnungen ist. Lernen Sie die verschiedenen Methoden zur Erstellung und Initialisierung von Arrays kennen, um unterschiedliche Datenanforderungen effizient zu bewältigen.

Erfahren Sie, wie Sie mit Indexnotation auf bestimmte Elemente und Teilmengen in NumPy-Arrays zugreifen. Lernen Sie, bedingte Indizierung zur Filterung von Daten und zum effizienten Umgang mit fehlenden Werten anzuwenden.

NumPy stellt viele integrierte Funktionen für gängige Array-Operationen bereit. Lernen Sie, wie Sie diese Werkzeuge anwenden, um Daten effizient zu transformieren, zu aggregieren und zu analysieren, ohne wiederholten Code zu schreiben.

Erfahren Sie, wie mathematische Operationen effizient auf NumPy-Arrays durchgeführt werden. Wenden Sie diese Operationen an, um reale Probleme zu lösen, und gewinnen Sie ein tieferes Verständnis dafür, wie vektorisierte Berechnungen die numerische Analyse beschleunigen.

Einführung in die Grundlagen der pandas-Bibliothek. Erstellung und Bearbeitung von Series und DataFrames, Untersuchung ihrer Struktur sowie Aufbau von Sicherheit bei der Durchführung grundlegender Datenoperationen.

Erlernen Sie das Laden und Verwalten von Daten aus CSV- und TXT-Dateien. Sammeln Sie praktische Erfahrungen beim Importieren von Datensätzen und deren Vorbereitung für die weitere Analyse mit Pandas-Werkzeugen.

Erlernen Sie das effektive Erkunden, Bereinigen und Zusammenfassen von Daten. Verstehen Sie den Umgang mit fehlenden Werten, das Extrahieren von Erkenntnissen und die Durchführung grundlegender statistischer Operationen mit pandas.

In diesem Abschnitt lernen Sie, wie Sie bestimmte Spalten anhand ihrer Titel oder Indizes ausgeben. Außerdem machen Sie sich mit den Methoden zur Auswahl von Zeilen anhand von Indizes vertraut.

Hier lernen Sie, wie Sie Daten extrahieren, die bestimmte Bedingungen erfüllen. Außerdem erfahren Sie, wie Sie diese kombinieren und eigene Bedingungen erstellen.

In diesem Abschnitt erweitern Sie Ihr Wissen über das Festlegen verschiedener Datenbedingungen. Sie lernen, zu überprüfen, ob sich Ihre Daten in einer definierten Werteliste oder zwischen zwei Werten befinden. Außerdem erfahren Sie, wie Sie die größten und kleinsten Werte ermitteln.

Dieser Abschnitt gehört zu den faszinierendsten des Kurses. Hier lernen Sie, wie Daten auf verschiedene Arten gruppiert werden können. Dies unterstützt Sie als Datenanalyst dabei, Informationen über bestimmte Datengruppen zu ermitteln.

Dieser Abschnitt ist für Datenanalysten von großer Bedeutung, da eine fehlerhafte Formatierung oder fehlende Werte in den Daten die weitere Verarbeitung unmöglich machen. Hier wird vermittelt, wie mit solchen ungeeigneten Werten umzugehen ist.

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.

Entdecken Sie die Grundlagen der Datenvisualisierung mit Matplotlib. Lernen Sie die zentralen Konzepte kennen, erkunden Sie die Vorteile und erstellen Sie Ihr erstes einfaches Diagramm mit dieser grundlegenden Plot-Bibliothek.

Beherrschen Sie die Visualisierung von Daten mit den beliebtesten Diagrammtypen. Erlernen Sie die Erstellung von Linien-, Streu- und Balkendiagrammen zur klaren Vermittlung von Erkenntnissen aus Ihren Daten.

Erfahren Sie, wie Sie Ihre Diagramme informativer und ansprechender gestalten. Fügen Sie Titel, Legenden, Farben und Raster hinzu und entdecken Sie, wie Sie mehrere Teilplots effektiv anordnen.

Erkunden Sie statistische Visualisierungen, die bei der Analyse von Datenverteilungen und Mustern unterstützen. Erstellen Sie Histogramme, Boxplots und Kreisdiagramme, um tiefere statistische Einblicke zu gewinnen.

Verbessern Sie Ihre Visualisierungsfähigkeiten mit Seaborn. Erstellen Sie fortgeschrittene Diagramme wie Countplots, KDEs, Pair Plots und Heatmaps und beherrschen Sie Seaborns eleganten Stil sowie Anpassungsoptionen.