Kategorie: Data Science

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…

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…

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…