Kurs
Explorative Datenanalyse in Python
MittelSchwierigkeitsgrad
Aktualisiert 04/2026
PythonExploratory Data Analysis4 Std.14 Videos49 Übungen4,150 XP110K+Leistungsnachweis
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Beliebt bei Lernenden in Tausenden Unternehmen
Ein Team schulen?
Für Unternehmen ausprobierenKursbeschreibung
Anhand von Daten zu Arbeitslosenzahlen und Flugticketpreisen nutzt du Python, um Daten zusammenzufassen und zu validieren, um fehlende Werte zu identifizieren, zu berechnen und zu ersetzen sowie um numerische und kategoriale Werte zu bereinigen. Im Laufe des Kurses erstellst du ansprechende Seaborn-Visualisierungen, um Variablen und ihre Beziehungen zu verstehen.
Du untersuchst zum Beispiel, wie Alkoholkonsum und die Leistungsfähigkeit von Studierenden zusammenhängen. Schließlich zeigt der Kurs, wie explorative Erkenntnisse in Data-Science-Arbeitsabläufe einfließen, indem neue Merkmale erstellt, kategoriale Merkmale abgeglichen und Hypothesen aus den Erkenntnissen abgeleitet werden.
Nach Abschluss dieses Kurses bist du sicher genug, um deine eigene explorative Datenanalyse (EDA) in Python durchzuführen. Du wirst in der Lage sein, deine Ergebnisse anderen visuell zu erklären und die nächsten Schritte für die Erkenntnisgewinnung aus deinen Daten vorzuschlagen.
Voraussetzungen
Introduction to Statistics in PythonIntroduction to Data Visualization with Seaborn1
Kennenlernen eines Datensatzes
Wie geht man am besten an einen neuen Datensatz heran? Lerne in diesem Kapitel, kategoriale und numerische Daten zu validieren und zusammenzufassen und Seaborn-Visualisierungen zur Veranschaulichung deiner Erkenntnisse zu erstellen.
2
Datenbereinigung und Imputation
Beim Erkunden und Analysieren von Daten kommen oft fehlende Werte, falsche Datentypen und Ausreißer auf. In diesem Kapitel lernst du Techniken kennen, mit denen du diese Probleme lösen und deine EDA-Prozesse optimieren kannst!
3
Beziehungen in Daten
Variablen in Datensätzen existieren nicht im Vakuum, sondern stehen in Beziehung zueinander. In diesem Kapitel beschäftigst du dich mit den Beziehungen zwischen numerischen und kategorialen Daten sowie sogar zwischen DateTime-Daten. Du schaust dir die Richtung und Stärke dieser Beziehungen an und lernst, wie du sie visualisieren kannst.
4
Weitere Schritte nach der explorativen Analyse
Die explorative Datenanalyse ist ein wichtiger Schritt im Data-Science-Workflow, doch sie ist nicht der letzte Schritt! Jetzt lernst du Verfahren und Überlegungen kennen, mit deren Hilfe du deine Projekte nach Abschluss der explorativen Analyse erfolgreich voranbringen kannst.
Explorative Datenanalyse in Python
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden
Schließe dich 19 Millionen Lernenden an und starte Explorative Datenanalyse in Python heute!
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
DataCamp gibt es auch für Mobilgeräte
Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.