Python-Grundlagen für Datenanalyse verständlich erklärt

Python-Grundlagen für Datenanalyse verständlich erklärt

Ein praktischer Einstieg in die Welt der Daten mit Python, ideal für Anfänger

Inhaltsverzeichnis

Kapitel 1: Warum Datenanalyse mit Python?

• Daten im Alltag und in der Berufswelt
• Vorteile von Python in der Datenanalyse
• Überblick: Von Rohdaten zur Erkenntnis
• Was dich in diesem Buch erwartet

Kapitel 2: Erste Schritte mit Python und Jupyter Notebook

• Python installieren und starten
• Jupyter Notebook kennenlernen
• Dein erstes Datenanalyse-Notizbuch
• Rechnen, Texte, Zellen – die wichtigsten Funktionen

Kapitel 3: Arbeiten mit Zahlen und Listen

• Variablen, Datentypen, einfache Rechenoperationen
• Listen, Schleifen und Bedingungen
• Grundlagen für strukturierte Datenverarbeitung
• Mini-Projekt: Durchschnittswerte berechnen

Kapitel 4: Einführung in NumPy – Arbeiten mit Arrays

• Was ist NumPy?
• Arrays erstellen und verwenden
• Grundrechenarten mit Arrays
• Mini-Projekt: Temperaturdaten analysieren

Kapitel 5: Daten mit Pandas strukturieren

• Was sind DataFrames und Series?
• CSV-Dateien laden und speichern
• Daten anzeigen, filtern und sortieren
• Mini-Projekt: Eine Tabelle auswerten

Kapitel 6: Daten bereinigen und vorbereiten

• Fehlende Werte erkennen und behandeln
• Datentypen konvertieren
• Spalten umbenennen, Zeilen löschen
• Mini-Projekt: Bereinigung von Umfragedaten

Kapitel 7: Einfache Auswertungen und Gruppierungen

• Statistische Kennzahlen: Mittelwert, Median, Modus
• Gruppieren und Aggregieren mit groupby()
• Häufigkeiten zählen mit value_counts()
• Mini-Projekt: Analyse von Verkaufsdaten

Kapitel 8: Daten visualisieren mit Matplotlib

• Einführung in Matplotlib
• Balken-, Linien- und Kreisdiagramme
• Diagramme beschriften und gestalten
• Mini-Projekt: Umsatzentwicklung darstellen

Kapitel 9: Erste kleine Datenprojekte umsetzen

• Fragen an Daten stellen
• Von der Idee zur Umsetzung
• Mini-Projekt: Vergleich von Produktbewertungen

Kapitel 10: Best Practices für Anfänger in der Datenanalyse

• Daten hinterfragen und kritisch denken
• Klar strukturierter Code
• Dokumentation und Wiederverwendbarkeit
• Tipps für den Einstieg in echte Projekte

Anhang A: Wichtige Pandas- und NumPy-Funktionen

• Übersicht als Tabelle mit Beschreibung und Beispiel

Anhang B: Häufige Fehler und wie man sie vermeidet

• KeyError, IndexError, ValueError
• Datentyp-Konflikte und fehlende Werte
• Tipps zur Fehlersuche

Anhang C: Übungsaufgaben mit Lösungen

• Daten einlesen und untersuchen
• Kleine Rechen- und Gruppieraufgaben
• Diagramme erstellen und interpretieren
• Lösungen mit Erklärungen