Python Programming Data Science Tools — NumPy, Pandas, Matplotlib, Seaborn

Wer Python schon kennt und in Richtung Data Science gehen will, muss die Datenanalyse-Bibliotheken beherrschen — sie sind das Schweizer Taschenmesser jedes Data Scientists und Analysten. Dieser Kurs vermittelt das Python-Data-Science-Ökosystem in der Praxis, mit echten Datensätzen statt synthetischen Beispielen. Block Jupyter Notebook & Python Refresher: Jupyter Notebooks und JupyterLab, Markdown-Zellen für Dokumentation, Magic-Commands (%matplotlib inline, %timeit), Python-Refresher (Datentypen, Comprehensions, Funktionen — falls Sie eingerostet sind). Block NumPy — numerische Datenverarbeitung: ndarray als Basis-Datenstruktur, Shape, dtype, vektorisierte Operationen statt for-Schleifen (10-100x schneller), Broadcasting, Slicing und Fancy Indexing, lineare Algebra (np.dot, np.linalg.inv, np.linalg.eig), Random-Number-Generation (np.random), File-I/O (np.save, np.load, npz). Block Pandas — tabellarische Datenanalyse: Series und DataFrame, Daten-Import (CSV, Excel, JSON, SQL, Parquet, HDF5), Daten-Inspektion (.head, .info, .describe, .shape), Indexing und Selection (loc, iloc, boolean indexing), Missing Data (.isna, .fillna, .dropna), Cleaning (Duplikate, Typen, Strings), GroupBy für Aggregation (.sum, .mean, .agg mit custom Funktionen), Pivot Tables, Merge/Join/Concat für Daten-Kombination, Time Series (DatetimeIndex, Resampling, Rolling Windows). Block Matplotlib — statische Visualisierung: pyplot-Interface vs. Objekt-orientiertes Interface (Figure und Axes), Plot-Typen (line, scatter, bar, hist, box, pie), Subplots (plt.subplots für Grid-Layouts), Achsen-Konfiguration (Labels, Titles, Legenden, Ticks), Styling (Farben, Marker, Linestyles), Export (PNG, PDF, SVG). Block Seaborn — statistische Visualisierung: Built-in Datasets, hochpegelige Plot-Funktionen (relplot, catplot, displot, lmplot), statistische Plots (boxplot, violinplot, swarmplot, heatmap), Themes und Color Palettes, Pair Plots für explorative Analyse, FacetGrid für komplexe Layouts. Block Praxis-Workflows: typischer Data-Science-Workflow (Frage → Daten laden → Cleaning → EDA → Modellierung → Kommunikation), erste Auswertungen eigener Daten, Dashboards in Jupyter Notebooks, Export als HTML/PDF.