Autor: Stefan

Ein zentraler Schritt in jedem Data-Science-Projekt ist das Laden von Daten. Daten kommen aus verschiedenen Quellen wie CSV-Dateien, Excel-Tabellen oder SQL-Datenbanken. In diesem Teil lernst du, wie man verschiedene Datenquellen mit Python und Pandas einliest, überprüft und für Analysen vorbereitet. 1. CSV-Dateien laden CSV (Comma Separated Values) ist eines der häufigsten Formate für tabellarische Daten.…

Ein DataFrame ist die zentrale Datenstruktur in Pandas und wird für die Analyse und Verarbeitung von tabellarischen Daten verwendet. Man kann es sich wie ein Excel- oder SQL-Table vorstellen: Zeilen entsprechen Datensätzen, Spalten den Attributen. In diesem Teil lernst du, wie man DataFrames erstellt, bearbeitet, filtert und analysiert. 1. DataFrame erstellen Aus einem Dictionary Ausgabe:…

In Data-Science-Projekten ist es nicht nur wichtig, Daten zu laden, sondern auch ergebnisse zu speichern. Dies kann nach der Datenanalyse, nach Berechnungen oder nach Machine-Learning-Prozessen notwendig sein. Python und Pandas bieten dafür einfach zu nutzende Funktionen, um Daten in CSV-, Excel- oder SQL-Datenbanken zu speichern. In diesem Teil lernst du, wie man Daten effizient speichert…

In vielen Data-Science-Projekten spielen Zeitinformationen eine zentrale Rolle. Ob bei Verkaufsanalysen, Website-Traffic, Finanzdaten oder Sensorwerten – Daten sind häufig zeitgestempelt. Python und Pandas bieten leistungsstarke Werkzeuge, um Datums- und Zeitwerte zu verarbeiten, analysieren und visualisieren. In diesem Teil lernst du, wie man Datumswerte einliest, berechnet, filtert und für Analysen vorbereitet. 1. Datums- und Zeittypen in…

In Data Science sind Textdaten allgegenwärtig: Kundenbewertungen, Namen, Adressen, Social-Media-Beiträge oder Produktbeschreibungen. Um solche Daten analysieren, bereinigen oder transformieren zu können, sind String-Operationen unerlässlich. In Python gibt es dafür umfangreiche Methoden, die sich in Pandas optimal auf Spalten von DataFrames anwenden lassen. In diesem Teil lernst du, wie man Strings effizient bearbeitet, filtert und für…

Nach den Grundlagen in Python und Pandas ist es Zeit, das Gelernte in einem kleinen, praktischen Projekt anzuwenden. In diesem Mini-Projekt analysieren wir eine CSV-Datei mit Kundendaten, bereinigen die Daten, erstellen neue Spalten, filtern nach Bedingungen und speichern die Ergebnisse. Dieses Projekt ist ein klassischer Data-Science-Workflow, der Daten laden, bereinigen, analysieren und exportieren kombiniert. 1.…

In Python ist die Comprehension-Syntax eine sehr effiziente Möglichkeit, Listen, Dictionaries oder sogar Pandas DataFrames zu erstellen und zu transformieren. Mit Comprehensions lassen sich Schleifen, Bedingungen und Operationen in einer einzigen, lesbaren Zeile ausdrücken. In diesem Teil lernst du, wie man Listen- und DataFrame-Komprehension anwendet, um Daten effizient zu verarbeiten. 1. Listen-Komprehension Listen-Komprehension ist eine…

Nachdem wir in den vorherigen Teilen die Python-Grundlagen für Data Science durchgearbeitet haben, ist es nun an der Zeit, alles zusammenzufassen, die wichtigsten Erkenntnisse zu ordnen und einen Ausblick auf die nächsten Schritte zu geben. Teil 25 soll dir helfen, das Gelernte zu reflektieren, und die Brücke zu fortgeschrittenen Data-Science-Themen schlagen. 1. Rückblick auf die…