Kooperativer Bibliotheksverbund

UID:

Format: 1 online resource (542 pages)

Edition: 2

ISBN: 9783960102137

Series Statement: Animals

Note: Intro -- Vorwort -- Kapitel 1: Einleitung -- 1.1 Worum geht es in diesem Buch? -- Welche Arten von Daten? -- 1.2 Warum Python für die Datenanalyse? -- Python als Kleister -- Das »Zwei-Sprachen-Problem« lösen -- Warum nicht Python? -- 1.3 Grundlegende Python-Bibliotheken -- NumPy -- pandas -- matplotlib -- IPython und Jupyter -- SciPy -- scikit-learn -- statsmodels -- 1.4 Installation und Einrichtung -- Windows -- Apple (OS X, macOS) -- GNU/Linux -- Python-Pakete installieren oder aktualisieren -- Python 2 und Python 3 -- Integrierte Entwicklungsumgebungen (Integrated Development Environments - IDEs) und Texteditoren -- 1.5 Community und Konferenzen -- 1.6 Navigation durch dieses Buch -- Codebeispiele -- Daten für die Beispiele -- Importkonventionen -- Jargon -- Kapitel 2: Grundlagen von Python, IPython und Jupyter-Notebooks -- 2.1 Der Python-Interpreter -- 2.2 IPython-Grundlagen -- Die IPython-Shell ausführen -- Das Jupyter-Notebook ausführen -- Befehlsergänzung mit Tab -- Introspektion -- Der %run-Befehl -- Code aus der Zwischenablage ausführen -- Terminal-Tastenkürzel -- Über magische Befehle -- matplotlib-Integration -- 2.3 Grundlagen der Sprache Python -- Sprachsemantik -- Skalare Typen -- Kontrollfluss -- Kapitel 3: In Python integrierte Datenstrukturen, Funktionen und Dateien -- 3.1 Datenstrukturen und Sequenzen -- Tupel -- Listen -- Eingebaute Funktionen von Sequenzen -- Dictionarys -- Set -- List, Set und Dict Comprehensions -- 3.2 Funktionen -- Namensraum, Gültigkeitsbereich und lokale Funktionen -- Mehrere Rückgabewerte -- Funktionen sind Objekte -- Anonyme oder Lambda-Funktionen -- Currying: teilweise Anwendung von Argumenten -- Generatoren -- Fehler und die Behandlung von Ausnahmen -- 3.3 Dateien und das Betriebssystem -- Bytes und Unicode mit Dateien -- 3.4 Schlussbemerkung , Kapitel 4: Grundlagen von NumPy: Arrays und vektorisierte Berechnung -- 4.1 Das ndarray von NumPy: ein mehrdimensionales Array-Objekt -- ndarrays erzeugen -- Datentypen für ndarrays -- Rechnen mit NumPy-Arrays -- Einfaches Indizieren und Slicing -- Boolesches Indizieren -- Fancy Indexing -- Arrays transponieren und Achsen tauschen -- 4.2 Universelle Funktionen: schnelle elementweise Array-Funktionen -- 4.3 Array-orientierte Programmierung mit Arrays -- Bedingte Logik als Array-Operationen ausdrücken -- Mathematische und statistische Methoden -- Methoden für boolesche Arrays -- Sortieren -- Unique und andere Mengenlogik -- 4.4 Dateiein- und -ausgabe bei Arrays -- 4.5 Lineare Algebra -- 4.6 Erzeugen von Pseudozufallszahlen -- 4.7 Beispiel: Random Walks -- Viele Random Walks auf einmal simulieren -- 4.8 Schlussbemerkung -- Kapitel 5: Erste Schritte mit pandas -- 5.1 Einführung in die pandas-Datenstrukturen -- Series -- DataFrame -- Indexobjekte -- 5.2 Wesentliche Funktionalität -- Neuindizierung -- Einträge von einer Achse löschen -- Indizierung, Auswahl und Filterung -- Integer-Indizes -- Arithmetik und Datenausrichtung -- Funktionsanwendung und Mapping -- Sortieren und Rangbildung -- Achsenindizes mit duplizierten Labels -- 5.3 Zusammenfassen und Berechnen deskriptiver Statistiken -- Korrelation und Kovarianz -- Eindeutigkeit, Werteanzahl und Mitgliedschaft -- 5.4 Schlussbemerkung -- Kapitel 6: Laden und Speichern von Daten sowie Dateiformate -- 6.1 Lesen und Schreiben von Daten im Textformat -- Stückweises Lesen von Textdateien -- Daten in Textformaten schreiben -- Arbeiten mit separierten Formaten -- JSON-Daten -- XML und HTML: Web-Scraping -- 6.2 Binäre Datenformate -- Benutzung von HDF5 -- Lesen von Microsoft Excel-Dateien -- 6.3 Interaktion mit Web-APIs -- 6.4 Interaktion mit Datenbanken -- 6.5 Schlussbemerkung , Kapitel 7: Daten bereinigen und vorbereiten -- 7.1 Der Umgang mit fehlenden Daten -- Fehlende Daten herausfiltern -- Fehlende Daten einsetzen -- 7.2 Datentransformation -- Duplikate entfernen -- Daten mithilfe einer Funktion oder eines Mappings transformieren -- Werte ersetzen -- Achsenindizes umbenennen -- Diskretisierung und Klassifizierung -- Erkennen und Filtern von Ausreißern -- Permutation und zufällige Stichproben -- Berechnen von Indikator-/Platzhaltervariablen -- 7.3 Manipulation von Strings -- Methoden von String-Objekten -- Reguläre Ausdrücke -- Vektorisierte String-Funktionen in pandas -- 7.4 Schlussbemerkung -- Kapitel 8: Datenaufbereitung: Verknüpfen, Kombinieren und Umformen -- 8.1 Hierarchische Indizierung -- Ebenen neu anordnen und sortieren -- Zusammenfassende Statistiken nach Ebene -- Indizierung mit den Spalten eines DataFrame -- 8.2 Kombinieren und Verknüpfen von Datensätzen -- Datenbankartige Verknüpfung von DataFrames -- Daten über einen Index verknüpfen -- Verketten entlang einer Achse -- Überlappende Daten zusammenführen -- 8.3 Umformen und Transponieren -- Umformen mit hierarchischer Indizierung -- Transponieren vom »langen« zum »breiten« Format -- Transponieren vom »breiten« zum »langen« Format -- 8.4 Schlussbemerkung -- Kapitel 9: Plotten und Visualisieren -- 9.1 Kurze Einführung in die matplotlib-API -- Diagramme und Subplots -- Farben, Beschriftungen und Linienformen -- Skalenstriche, Beschriftungen und Legenden -- Annotationen und Zeichnungen in einem Subplot -- Diagramme in Dateien abspeichern -- Die Konfiguration von matplotlib -- 9.2 Plotten mit pandas und seaborn -- Liniendiagramme -- Balkendiagramme -- Histogramme und Dichteplots -- Streu- oder Punktdiagramme -- Facettenraster und kategorische Daten -- 9.3 Andere Visualisierungswerkzeuge in Python -- 9.4 Schlussbemerkung , Kapitel 10: Aggregation von Daten und Gruppenoperationen -- 10.1 GroupBy-Mechanismen -- Iteration über Gruppen -- Auswählen einer Spalte oder einer Teilmenge von Spalten -- Gruppieren mit Dictionarys und Series -- Gruppieren mit Funktionen -- Gruppieren nach Ebenen eines Index -- 10.2 Aggregation von Daten -- Spaltenweise und mehrfache Anwendung von Funktionen -- Aggregierte Daten ohne Zeilenindizes zurückgeben -- 10.3 Apply: Allgemeine Operationen vom Typ split-apply-combine -- Unterdrücken der Gruppenschlüssel -- Analyse von Quantilen und Größenklassen -- Beispiel: Fehlende Daten mit gruppenspezifischen Werten auffüllen -- Beispiel: Zufällige Stichproben und Permutation -- Beispiel: Gewichteter Mittelwert für Gruppen und Korrelation -- Beispiel: Gruppenweise lineare Regression -- 10.4 Pivot-Tabellen und Kreuztabellierung -- Kreuztabellen -- 10.5 Schlussbemerkung -- Kapitel 11: Zeitreihen -- 11.1 Datentypen und Werkzeuge für Datum und Zeit -- Konvertieren zwischen String und datetime -- 11.2 Grundlagen von Zeitreihen -- Indizieren, auswählen und Untermengen bilden -- Zeitreihen mit doppelten Indizes -- 11.3 Datumsbereiche, Frequenzen und Verschiebungen -- Erzeugen von Datumsbereichen -- Frequenzen und Offsets von Kalenderdaten -- Verschieben von Datumsangaben (Vorlauf und Verzögerung) -- 11.4 Berücksichtigung von Zeitzonen -- Lokalisieren und Konvertieren von Zeitzonen -- Operationen mit Zeitstempeln bei zugeordneter Zeitzone -- Operationen zwischen unterschiedlichen Zeitzonen -- 11.5 Perioden und Arithmetik von Perioden -- Umwandlung der Frequenz von Perioden -- Quartalsweise Perioden -- Zeitstempel zu Perioden konvertieren (und zurück) -- Erstellen eines PeriodIndex aus Arrays -- 11.6 Resampling und Konvertieren von Frequenzen -- Downsampling -- Upsampling und Interpolation -- Resampling mit Perioden -- 11.7 Funktionen mit gleitenden Fenstern , Exponentiell gewichtete Funktionen -- Binäre Funktionen mit gleitendem Fenster -- Benutzerdefinierte Funktionen mit gleitenden Fenstern -- 11.8 Schlussbemerkung -- Kapitel 12: pandas für Fortgeschrittene -- 12.1 Kategorische Daten -- Hintergrund und Motivation -- Der Typ Categorical in pandas -- Berechnungen mit Categoricals -- Kategorische Methoden -- 12.2 Erweiterter Einsatz von GroupBy -- Gruppentransformationen und »ausgepackte« GroupBys -- Gruppiertes Zeit-Resampling -- 12.3 Techniken für die Verkettung von Methoden -- Die Methode pipe -- 12.4 Schlussbemerkung -- Kapitel 13: Einführung in Modellierungsbibliotheken in Python -- 13.1 Die Kopplung zwischen pandas und dem Modellcode -- 13.2 Modellbeschreibungen mit Patsy herstellen -- Datentransformationen in Patsy-Formeln -- Kategorische Daten und Patsy -- 13.3 Einführung in statsmodels -- Lineare Modelle schätzen -- Zeitreihenprozesse schätzen -- 13.4 Einführung in scikit-learn -- 13.5 Ihre Ausbildung fortsetzen -- Kapitel 14: Beispiele aus der Datenanalyse -- 14.1 1.USA.gov-Daten von Bitly -- Zählen von Zeitzonen in reinem Python -- Zeitzonen mit pandas zählen -- 14.2 MovieLens-1M-Datensatz -- Messen von Unterschieden in der Bewertung -- 14.3 US-Babynamen von 1880-2010 -- Namenstrends analysieren -- 14.4 Die USDA-Nahrungsmitteldatenbank -- 14.5 Datenbank des US-Wahlausschusses von 2012 -- Spendenstatistik nach Beruf und Arbeitgeber -- Spenden der Größe nach klassifizieren -- Spendenstatistik nach Bundesstaat -- 14.6 Schlussbemerkung -- Anhang A: NumPy für Fortgeschrittene -- Anhang B: Mehr zum IPython-System -- Index -- Über den Autor -- Kolophon

Additional Edition: Print version: McKinney, Wes Datenanalyse mit Python Heidelberg : o'Reilly,c2018 ISBN 9783960090809

Keywords: Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=5572584