Datenanalyse mit pandas- Python für Datenfreunde auf dem nächsten Level

Datenanalyse mit pandas: Python für Datenfreunde auf dem nächsten Level

Ein praxisnaher Leitfaden zur professionellen Analyse, Transformation und Visualisierung von Daten mit pandas

Inhaltsverzeichnis

Kapitel 1: Warum pandas?

• Der Vorteil von DataFrames gegenüber Listen und Dictionaries
• pandas im Datenanalyse-Workflow
• Struktur und Philosophie von pandas
• Überblick über Funktionen und Module

Kapitel 2: Datenquellen einlesen und speichern

• CSV, Excel, JSON, SQL – Daten importieren
• read_csv(), read_excel(), read_json(), read_sql()
• Daten exportieren mit to_csv() und Co.
• Mini-Projekt: Umsatzdaten aus Excel importieren und bereinigen

Kapitel 3: Den DataFrame verstehen

• Aufbau und Struktur: Zeilen, Spalten, Indizes
• Daten anzeigen, filtern, sortieren
• Zugriff mit .loc[], .iloc[], .at[]
• Mini-Projekt: Kundenliste alphabetisch sortieren und analysieren

Kapitel 4: Daten vorbereiten und transformieren

• Datentypen konvertieren, fehlende Werte behandeln
• Neue Spalten berechnen, alte umbenennen
• Duplikate finden und entfernen
• Mini-Projekt: Mitarbeiterdaten aufbereiten und standardisieren

Kapitel 5: Gruppieren und Aggregieren mit groupby()

• Daten nach Kategorien zusammenfassen
• Aggregationen: sum(), mean(), count(), agg()
• Mini-Projekt: Monatsauswertungen aus Verkaufsliste erstellen

Kapitel 6: Zeitreihen analysieren

• datetime-Objekte in pandas
• Indexierung nach Datum
• Resampling, Rolling Windows, Gleitmittelwerte
• Mini-Projekt: Temperaturverlauf analysieren

Kapitel 7: Daten zusammenführen und kombinieren

• merge(), join(), concat() im Vergleich
• Schlüsselspalten und verschiedene Join-Typen
• Mini-Projekt: Produkt- und Lieferantendaten kombinieren

Kapitel 8: Daten visualisieren mit pandas und matplotlib

• Schnellübersicht mit .plot()
• Liniendiagramm, Balken, Histogramm, Boxplot
• Diagramme anpassen (Farben, Titel, Achsen)
• Mini-Projekt: Trendanalyse im Kundenverhalten

Kapitel 9: Große Datenmengen effizient verarbeiten

• Speicherverbrauch prüfen und optimieren
• Arbeiten mit Datasets in Chunks
• Kategorien und Typoptimierung
• Mini-Projekt: Millionen Zeilen aus Logdatei auswerten

Kapitel 10: Best Practices in der Datenanalyse mit pandas

• Saubere Spaltennamen und strukturierter Code
• Verwendung von Pipelines und Funktionen
• Dokumentation und Wiederverwendbarkeit
• Tipps zur Fehlervermeidung

Anhang A: Schnellreferenz pandas-Funktionen

• Häufig genutzte Methoden mit Beschreibung und Beispiel
• head(), describe(), groupby(), apply(), pivot_table() usw.

Anhang B: Typische Fehler und wie man sie vermeidet

• KeyError, SettingWithCopyWarning, falsche Achsen
• Tipps zur Fehlersuche in DataFrames

Anhang C: Übungsaufgaben mit Lösungen

• Daten bereinigen und analysieren
• Aggregationen und Visualisierung
• Mini-Projekte mit realitätsnahen Beispieldaten
• Lösungen mit Schritt-für-Schritt-Erklärung