Dieses Modul vertieft die NumPy-Bibliothek und konzentriert sich auf ihre leistungsstarken Merkmale und Funktionen. Es deckt universelle Funktionen (ufuncs) ab, die elementweise Operationen auf ndarray ermöglichen, was effiziente Berechnungen in großen Datensätzen erlaubt. Das Modul befasst sich auch mit verschiedenen statistischen Methoden, die in NumPy verfügbar sind, mit linearen Algebra-Operationen zur Lösung mathematischer Probleme, mit der Erzeugung von Zufallszahlen für Simulationen und Modellierung sowie mit Maskierungstechniken zum Filtern von Daten. Am Ende dieses Moduls sind die Lernenden in der Lage, die Fähigkeiten von NumPy für fortgeschrittene numerische Analysen zu nutzen.

In diesem Modul wird die Datenstruktur "Series" in Pandas vorgestellt, bei der es sich um ein eindimensionales, beschriftetes Array handelt, das jeden Datentyp aufnehmen kann. Zunächst wird definiert, was eine Serie ist und welche Bedeutung sie für die Datenanalyse hat. Das Modul behandelt verschiedene Methoden zur Erstellung von Reihen, einschließlich der Verwendung von Listen, Wörterbüchern und NumPy-Arrays. Die Lernenden erfahren auch, wie man auf Elemente innerhalb einer Reihe zugreift und sie manipuliert und wie man mathematische Operationen mit Reihendaten durchführt. Am Ende dieses Moduls wissen die Lernenden, wie sie Reihen für eine effektive Datenmanipulation und -analyse nutzen können.

In diesem Modul wird die Datenstruktur DataFrame in Pandas vorgestellt. Dabei handelt es sich um eine zweidimensionale, beschriftete Datenstruktur, die heterogene Datentypen aufnehmen kann. Zu Beginn des Moduls wird definiert, was ein DataFrame ist und welche Bedeutung er für die Datenanalyse und -manipulation hat. Die Lernenden werden verschiedene Methoden zur Erstellung von DataFrames aus Quellen wie Wörterbüchern, Listen und externen Dateien (z. B. CSV) kennen lernen. Das Modul behandelt den Zugriff auf Daten innerhalb eines DataFrames mit Hilfe von Beschriftungen und Indizes, die Manipulation von Zeilen und Spalten und die Durchführung von Operationen wie das Zusammenführen und Verknüpfen mehrerer DataFrames. Am Ende dieses Moduls sind die Teilnehmer in der Lage, DataFrames für die Datenmanipulation zu nutzen.

Dieses Modul bietet eine eingehende Untersuchung der Pandas-Bibliothek, die für die Datenmanipulation und -analyse in Python unerlässlich ist. Es beginnt mit einem Überblick darüber, was Pandas ist und welche Bedeutung es in der Datenwissenschaft hat. Das Modul hebt nützliche Funktionalitäten innerhalb von Pandas hervor, einschließlich des Ladens, der Bereinigung und der Vorbereitung von Daten. Die Lernenden erfahren, wie sie deskriptive Statistiken für numerische und kategoriale Spalten erstellen, die groupby()-Methode zur Datenaggregation verwenden und fehlende und doppelte Werte effektiv behandeln können. Am Ende dieses Moduls werden die Teilnehmer ein solides Verständnis dafür haben, wie Pandas für eine umfassende Datenanalyse eingesetzt werden kann.