Weiter zum Inhalt

Startseite Python

Kurs

Importing and Managing Financial Data in Python

MittelSchwierigkeitsgrad

Aktualisiert 02/2023

In diesem Kurs lernst du, wie du Finanzdaten mit verschiedenen Tools und Quellen in Python importierst und verwaltest.

Kurs kostenlos starten

PythonApplied Finance

5 Std.

16 Videos

53 Übungen

4,350 XP

45,043

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Wenn du deine neuen „Python for Data Science“-Skills auf reale Finanzdaten anwenden willst, bekommst du in diesem Kurs wertvolle Werkzeuge an die Hand. Zuerst lernst du, wie du Daten aus Excel in pandas importierst und wieder zurück exportierst. Danach erfährst du, wie du Aktienkurse über verschiedene Online-APIs wie Google oder Yahoo! Finance abrufst, Makrodaten von der Federal Reserve sowie Wechselkurse von OANDA. Abschließend lernst du, wie du Renditen über verschiedene Zeithorizonte berechnest, Aktienentwicklungen nach Sektoren für IPOs analysierst und Korrelationen berechnest und zusammenfasst.

Voraussetzungen

Data Manipulation with pandas

1

Aktienlistendaten aus Excel importieren

In diesem Kapitel lernst du, wie du Daten aus Excel-Arbeitsmappenblättern in ein pandas DataFrame importierst, bereinigst und zusammenführst. Außerdem übst du, Daten zu gruppieren, Informationen nach Kategorien zusammenzufassen und das Ergebnis mit Subplots und Heatmaps zu visualisieren. Du arbeitest mit Daten zu Unternehmen, die an den Börsen NASDAQ, NYSE und AMEX gelistet sind, mit Informationen zu Unternehmensname, Tickersymbol, letzter Marktkapitalisierung und Preis, Sektor bzw. Branche sowie IPO-Jahr. In Kapitel 2 knüpfst du daran an, um Kursverläufe für einige dieser Unternehmen herunterzuladen und zu analysieren.

Daten aus CSV lesen, prüfen und bereinigen

Börsenlistings der NASDAQ importieren

Wie lässt sich der Datenimport korrigieren?

Daten mit .read_csv() und passenden Parsing-Argumenten einlesen

Daten aus Excel-Arbeitsblättern einlesen

Listing-Infos aus einem einzelnen Sheet laden

Listing-Daten aus zwei Sheets laden

Daten aus mehreren Arbeitsblättern kombinieren

Alle Listing-Daten laden und über Schlüssel-Wert-Paare eines Dictionaries iterieren

Wie viele Unternehmen sind an der NYSE und der NASDAQ gelistet?

Das Laden und Kombinieren von Daten aus mehreren Excel-Arbeitsblättern automatisieren

Kapitel starten

2

Finanzdaten aus dem Web importieren

Dieses Kapitel führt in den Online-Datenzugriff auf Google Finance und den Federal Reserve Data Service über den pandas-DataReader ein. Du rufst Daten ab, führst einfache Transformationen durch, kombinierst Datenreihen und visualisierst die Ergebnisse.

Der DataReader: Finanzdaten online abrufen

Rufe Kursdaten für ein einzelnes Unternehmen ab

Aktientrend visualisieren

Wirtschaftsdaten von der Federal Reserve

Den langfristigen Ölpreistrend visualisieren

Arbeitsmarktpartizipation und Arbeitslosenquoten vergleichen

Vergleiche die Performance von Anleihen und Aktien

Aktien auswählen und Daten von Yahoo! Finance abrufen

Wähle die Top 5 der börsennotierten Consumer-Unternehmen aus

Hole den Ticker des größten Consumer-Services-Unternehmens

Finde das größte Consumer-Unternehmen, das nach 1998 gelistet wurde

Mehrere Aktien abrufen & einen MultiIndex verwalten

Daten für die 3 größten Finanzunternehmen abrufen

Kapitel starten

3

Deine Daten zusammenfassen und das Ergebnis visualisieren

In diesem Kapitel lernst du, zentrale Merkmale einzelner Variablen in einfachen Kennzahlen festzuhalten. So fällt es leichter, die Verteilung der Variablen in deinem Datensatz zu verstehen: Welche Werte sind zentral oder typisch für deine Daten? Sind deine Daten stark gestreut oder eher eng um einen Mittelpunkt verteilt? Gibt es Ausreißer? Wie sieht die Gesamtverteilung aus?

Fasse deine Daten mit beschreibenden Statistiken zusammen

Liste die ärmsten und reichsten Länder weltweit auf

Globale Einkommen: Zentrale Tendenz

Beschreibe die Verteilung deiner Daten mit Quantilen

Weltweite Einkommen: Streuung

Dezile der globalen Einkommensverteilung

Alle Statistiken auf einen Blick

Veranschauliche die Verteilung deiner Daten

Internationale Einkommensverteilung visualisieren

Wachstumsraten in Brasilien, China und den USA

Werte in der Verteilung hervorheben

Kategoriale Variablen zusammenfassen

Unternehmen pro Sektor auf allen Börsen

Technologie-IPOs pro Jahr an allen Börsen

Kapitel starten

4

Daten nach Kategorien aggregieren und beschreiben

Dieses Kapitel zeigt dir, wie du Daten nach einer oder mehreren kategorialen Variablen gruppierst und für jede Kategorie zusammenfassende Statistiken berechnest und visualisierst. Dabei lernst du, Unternehmenskennzahlen für verschiedene Sektoren und IPO-Jahrgänge zu vergleichen, die globale Einkommensverteilung im Zeitverlauf zu analysieren und verschiedene Statistikdiagramme aus der seaborn-Bibliothek zu erstellen.

Fasse deine Daten nach Kategorien zusammen

Median der Marktkapitalisierung nach Sektor

Median der Marktkapitalisierung nach IPO-Jahr

Alle zusammenfassenden Statistiken nach Sektor

Weitere Möglichkeiten, deine Daten zu aggregieren

Unternehmenswert nach Börse und Sektor

Mehrere Kennzahlen nach Sektor und Börse berechnen

Zusammenfassende Statistiken nach Kategorie mit seaborn

IPO-Zeitachse für alle Börsen mit countplot() darstellen

Globales Median-Einkommen pro Kopf im Zeitverlauf

Mehrere Kennzahlen nach Sektor und IPO-Jahr berechnen

Verteilungen nach Kategorie mit seaborn

Inflationstrends in China, Indien und den USA

Verteilung der Inflationsraten in China, Indien und den USA

Glückwunsch!

Kapitel starten

Importing and Managing Financial Data in Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Importing and Managing Financial Data in Python heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.