Einführung in Datenanalyse mit Python und Pandas

Seminarziel

• Kompetenzaufbau : Das Unternehmen sollte am Ende des Seminars über ein Team von Mitarbeitern verfügen, die in der Lage sind, Daten effizient mithilfe von Pandas zu analysieren und daraus wertvolle Geschäftsinformationen zu extrahieren.
• Optimierung von Geschäftsprozessen : Das Seminar sollte das Unternehmen in die Lage versetzen, datengetriebene Lösungen zur Optimierung verschiedener Geschäftsprozesse zu entwickeln und umzusetzen.
• Eigenständige Datenanalyse : Das Unternehmen sollte in der Lage sein, interne Datenanalyseprojekte durchzuführen, ohne sich vollständig auf externe Dienstleister oder Berater verlassen zu müssen.
• Kosteneinsparung : Durch den internen Aufbau von Datenanalysekompetenzen kann das Unternehmen Geld sparen, das sonst für externe Dienstleistungen oder teurere Softwarelösungen ausgegeben würde.
• Förderung von Innovation : Mit den erworbenen Fähigkeiten sollten die Mitarbeiter in der Lage sein, innovative datengetriebene Lösungen und Ideen zu entwickeln, die zu neuen Geschäftsmöglichkeiten führen könnten.

Inhalt

• Einführung
  • Was ist Pandas und wozu wird es verwendet?
  • Installieren und Einrichten von Pandas
  • Python-Installation überprüfen.
• Grundlegende Objekte in Pandas
  • Series
  • DataFrame
• Daten Laden und Speichern
  • Daten aus verschiedenen Quellen (CSV, Excel, SQL, etc.) lesen
  • Daten in verschiedene Formate speichern
• Daten Anzeigen
  • Die ersten und letzten Zeilen anzeigen mit head() und tail()
  • Informationen über den DataFrame mit info()
  • Zusammenfassungsstatistiken mit describe()
• Daten Auswahl
  • Auswahl nach Spalten und Zeilen
  • Auswahl nach Index
  • Boolean-Indizierung
• Reinigen von Daten
  • Fehlende Daten behandeln: dropna(), fillna()
  • Duplikate entfernen
• Daten Umformen
  • melt() und pivot()
  • groupby(): Aggregieren, Transformieren, Filtern
• Daten Verknüpfen
  • merge() für Verknüpfungen ähnlich wie SQL-Joins
  • concat() zum Verbinden von DataFrames
• Zeitreihen
  • Datum und Zeit in Pandas
  • Zeitreihen-DataFrames und -Funktionen
• Textdaten
  • String-Methoden in Pandas
  • Reguläre Ausdrücke verwenden
• Statistische Methoden
  • Korrelation und Kovarianz
  • Eindeutige Werte, Wertezählungen und Mitgliedschaft
• Kategorische Daten
  • Einführung in kategorische Daten in Pandas
  • Sortieren und Gruppieren von kategorischen Daten
• Visualisierung mit Pandas
  • Eingebaute Plotting-Methoden
  • Integration mit Matplotlib und Seaborn
• Performance Tipps
  • Verwendung von eval() und query() Methoden
  • Categorical Datentyp für Effizienz