50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Ein großer Teil der Daten in der realen Welt ist von Natur aus räumlich. Von der Bevölkerungszahl aus der Volkszählung bis zu jedem Laden in deiner Nachbarschaft – die meisten Datensätze haben einen Ortsbezug, den du nutzen kannst, um mehr aus ihnen herauszuholen. In diesem Kurs lernst du, wie du räumliche Daten in deinen Data-Science-Workflow mit Python integrierst. Du erfährst, wie du mit realen Daten über ihre geografische Dimension interagierst, sie bearbeitest und anreicherst. Du lernst, tabellarische Geodaten in gängigen Formaten (z. B. GeoJSON, Shapefile, Geopackage) einzulesen und auf Karten zu visualisieren. Danach kombinierst du verschiedene Quellen, wobei der Standort die Brücke ist, die sie miteinander in Beziehung setzt. Am Ende des Kurses verstehst du, was Geodaten besonders macht – und kannst sie in unterschiedlichen Kontexten transformieren und weiterverwenden.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in georäumliche Vektordaten
In diesem Kapitel wirst du in die Grundlagen von Geodaten eingeführt, insbesondere in Vektordaten. Du lernst, wie du solche Daten in Python mit der Bibliothek GeoPandas darstellst und wie du sie einliest, erkundest und visualisierst. All das übst du mit Datensätzen zur Stadt Paris.
- Geodaten50 XP
- Restaurants in Paris100 XP
- Eine Hintergrundkarte hinzufügen100 XP
- Einführung in GeoPandas50 XP
- Erkunde die Pariser Viertel (I)100 XP
- Erkunde die Pariser Bezirke (II)100 XP
- Die Pariser Restaurants als GeoDataFrame100 XP
- Räumliche Daten erkunden und visualisieren50 XP
- Bevölkerungsdichte visualisieren100 XP
- pandas-Funktionalität nutzen: groupby100 XP
- Mehrere Ebenen plotten100 XP
2
Räumliche Beziehungen
Ein Schlüsselelement von Geodaten ist, wie sie räumlich zueinander in Beziehung stehen. In diesem Kapitel lernst du verschiedene räumliche Beziehungen kennen und wie du sie in Python nutzt, um Daten abzufragen oder räumliche Joins durchzuführen. Abschließend erfährst du außerdem mehr über Choroplethen-Visualisierungen.
3
Projizieren und Transformieren von Geometrien
In diesem Kapitel schauen wir uns genauer an, wie die Koordinaten von Geometrien über ihr Coordinate Reference System (CRS) definiert werden. Du lernst, warum diese Referenzsysteme wichtig sind und wie du in GeoPandas praktisch damit arbeitest. Außerdem erfährst du, wie du auf Basis räumlicher Beziehungen neue Geometrien erstellst, um räumliche Datensätze zu überlagern. Und du übst das weiterhin mit Paris-Datensätzen!
4
Alles zusammenführen – Fallstudie zu handwerklichen Abbaustätten
In diesem letzten Kapitel lassen wir die Paris-Daten hinter uns und wenden alles, was wir bisher gelernt haben, auf einen neuen Datensatz zu handwerklichen Abbaustätten im Ostkongo an. Außerdem lernst du weitere räumliche Operationen kennen, wie du eigene räumliche Operationen anwendest, und erhältst einen kurzen Ausblick auf Rasterdaten.
Arbeiten mit Geodaten in Python
Kurs
abgeschlossen
