Python Data Wrangling

Reale Daten sind selten ordentlich. Fehlende Werte, inkonsistente Formate, verschachtelte JSON-Strukturen, schlecht benannte Spalten – bevor ein Data-Science-Modell oder eine Analyse starten kann, muss jemand die Daten in Form bringen. Genau das ist Data Wrangling: die systematische Aufbereitung, Bereinigung und Transformation von Rohdaten. Dieser Kurs führt in diesen zentralen Schritt der Datenarbeit mit Python ein. Im Mittelpunkt stehen die Bibliotheken pandas und NumPy, ergänzt durch Web-Scraping-Techniken für die automatisierte Datenerfassung. Der Kurs setzt Python-Grundkenntnisse voraus und arbeitet durchgehend mit praktischen Übungen an realistischen Datensätzen.

Grundlagen und Datenquellen Bevor Daten transformiert werden können, müssen sie geladen werden. Dieses Modul behandelt die wichtigsten Einleseformate und gibt einen Überblick über die Datenstrukturen, mit denen im weiteren Kursverlauf gearbeitet wird.

• CSV- und TSV-Dateien mit pandas read_csv einlesen und häufige Parsing-Fehler beheben
• Excel-Dateien (XLSX) mit read_excel laden, mehrere Sheets verarbeiten
• JSON-Daten laden: flache Strukturen, verschachtelte Objekte und Listen
• Datenbankverbindungen mit SQLAlchemy und pandas read_sql
• Erste Inspektion: shape, dtypes, head, describe, info
• Erweiterte Datenstrukturen: Multi-Index DataFrames und kategorische Daten

Datenbereinigung und Transformation mit pandas Das Herzstück des Data Wrangling ist das Aufräumen – und das ist mit pandas deutlich systematischer möglich als mit manuellen Methoden. Dieses Modul behandelt die häufigsten Bereinigungsoperationen.

• Fehlende Werte mit isnull, fillna, dropna und interpolate behandeln
• Datentypen mit astype und pd.to_datetime korrekt setzen
• Duplikate mit duplicated und drop_duplicates identifizieren und entfernen
• String-Operationen: str.strip, str.lower, str.replace, reguläre Ausdrücke
• Kategorische Variablen kodieren (Label-Encoding, One-Hot-Encoding)
• Gruppierung und Aggregation mit groupby, agg und transform

NumPy für numerische Datenverarbeitung NumPy ist die Basis vieler Python-Datenbibliotheken. Wer NumPy-Arrays versteht, arbeitet mit pandas effizienter und bereitet sich auf Machine-Learning-Bibliotheken vor.

• NumPy-Arrays erstellen, indizieren und slicen
• Broadcasting und Vektoroperationen statt Python-Schleifen
• Statistische Funktionen: mean, median, std, percentile
• Boolesche Masken für datenbasierte Filterung
• Kombinierter Einsatz von NumPy und pandas
• Umgang mit numerischen Ausreißern über Quantil-Filterung

Web-Scraping und automatisierte Datenerfassung Nicht alle Daten liegen in Dateien vor – viele müssen aus dem Web gesammelt werden. Dieses Modul führt in die wichtigsten Scraping-Techniken ein und erklärt rechtliche Rahmenbedingungen.

• HTML-Struktur verstehen: Tags, Attribute, DOM
• Statische Seiten mit BeautifulSoup parsen und Daten extrahieren
• Tabellen direkt mit pandas read_html laden
• Paginierung und mehrere Seiten automatisiert durchlaufen
• Umgang mit Rate Limiting und freundlichem Scraping-Verhalten
• Rohdaten aus dem Web in einen bereinigten DataFrame überführen

Praxis-Workshop: Vollständiger Wrangling-Workflow Der abschließende Praxisblock verbindet alle Techniken zu einem durchgehenden Bereinigungsprozess –

• Datensatz aus einer externen Quelle (CSV + Web) laden
• Erste Datenqualitätsprüfung dokumentieren (fehlende Werte, Duplikate, Typfehler)
• Fehlende Werte analysieren: MCAR, MAR oder MNAR einschätzen
• Bereinigungsstrategie für jede fehlerhafte Spalte entscheiden und umsetzen
• Datumsspalte parsen und zeitbasierte Filterung anwenden
• Zwei Datensätze über einen gemeinsamen Schlüssel zusammenführen
• Aggregierte Auswertung mit groupby und Visualisierung mit Matplotlib erstellen
• Ausreißer in numerischen Spalten identifizieren und behandeln
• Bereinigten Datensatz als saubere CSV-Datei exportieren
• Skript modular strukturieren: Import, Bereinigung, Export als getrennte Funktionen
• Peer-Review: Bereinigungsansatz gegenseitig prüfen und alternatives Vorgehen diskutieren
• Reflexion: Welche Entscheidungen beim Bereinigen beeinflussen nachgelagerte Analysen?

Der Praxis-Workshop macht deutlich, dass Data Wrangling kein mechanisches Abarbeiten ist, sondern analytisches Urteilsvermögen erfordert – insbesondere beim Umgang mit fehlenden Werten und der Entscheidung, ob Daten gelöscht oder ersetzt werden sollten. Im letzten Teil des Workshops präsentieren die Teilnehmer ihren Ansatz und diskutieren Alternativen. Das schärft das Verständnis dafür, dass Datenbereinigung immer auch fachliche Entscheidungen beinhaltet.

Der Kurs richtet sich an Python-Programmierer, die in die Datenanalyse einsteigen oder ihre Datenaufbereitungskompetenzen systematisieren wollen.

• Data Scientists und Analysten in der Einarbeitungsphase
• Softwareentwickler, die Datenverarbeitungs-Pipelines aufbauen
• Business-Analysten mit Python-Kenntnissen
• Studierende in datenintensiven Fächern (Statistik, Wirtschaftsinformatik, Ingenieurwesen)
• IT-Fachkräfte, die in Analytics-Projekte wechseln wollen

Der Kurs arbeitet mit Jupyter Notebooks, in denen Theorie, Code und Ausgaben direkt nebeneinander sichtbar sind. Jedes neue Konzept wird an einem realen Datensatz demonstriert, den die Teilnehmer sofort selbst bearbeiten. Ein hoher Anteil an Eigenarbeit – direkt begleitet durch die Lehrperson – ist charakteristisch für das Format. Das Combined-Learning-Modell erlaubt Phasen des Selbststudiums zwischen den Live-Einheiten.

Der Kurs dauert typischerweise mehr als eine Woche bis zu einem Monat. Dieser Umfang ist sinnvoll, da Data Wrangling eine Kombination aus Technik und Urteilsvermögen ist, die sich nicht in zwei Tagen vollständig vermitteln lässt. Sowohl Vollzeit- als auch Teilzeitvarianten sind verfügbar.

Nach erfolgreicher Teilnahme erhalten die Absolventinnen und Absolventen ein Lehrgangszertifikat des Anbieters sowie ein internationales Herstellerzertifikat. Das Zertifikat belegt die erworbenen Kompetenzen in Python-basierter Datenaufbereitung und kann für Bewerbungen im Data-Science- oder Analytics-Bereich eingesetzt werden.

Data Wrangling ist nach einhelligem Urteil aus der Praxis der zeitaufwändigste Schritt im Datenanalyseprozess – Schätzungen sprechen von 60 bis 80 Prozent der Gesamtarbeitszeit. Wer diesen Schritt effizient beherrscht, arbeitet produktiver und hinterlässt sauberere Datengrundlagen für alle nachgelagerten Analysen, Modelle und Berichte. Für Berufseinsteiger im Data-Science-Bereich ist der Nachweis konkreter pandas-Kenntnisse ein handfestes Argument in Bewerbungsgesprächen. Praxis-Skills wie das Zusammenführen heterogener Datensätze, der Umgang mit fehlenden Werten oder die Automatisierung von Bereinigungsprozessen sind in Stellenausschreibungen explizit gesucht. Über den unmittelbaren Kursinhalt hinaus legt die Ausbildung auch die Basis für Machine-Learning-Workflows: Sauber aufbereitete Daten sind die Voraussetzung für stabile Modelle. Wer diese Phase sorgfältig beherrscht, trägt maßgeblich zur Qualität jedes datenwissenschaftlichen Projekts bei.