Python für Fortgeschrittene
Verbessere deine Data-Science-Fähigkeiten mit Matplotlib-Visualisierungen und pandas DataFrames.
Kurs Kostenlos Starten4 Stunden18 Videos87 Übungen1.153.705 LernendeLeistungsnachweis
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.Trainierst du 2 oder mehr?
Versuchen DataCamp for BusinessBeliebt bei Lernenden in Tausenden Unternehmen
Kursbeschreibung
Verbessere deine Python-Kenntnisse
Das Erlernen von Python ist für alle angehenden Data-Science-Fachleute unerlässlich. Lerne, echte Daten mit den Funktionen von Matplotlib zu visualisieren und mache dich mit Datenstrukturen wie dem Dictionary und dem Pandas DataFrame vertraut. Dieser vierstündige Kurs für Fortgeschrittene hilft dir, deine vorhandenen Python-Kenntnisse auszubauen und neue Python-Anwendungen und -Funktionen kennenzulernen, die dein Repertoire erweitern und dir helfen, effizienter zu arbeiten.Python Wörterbücher und Pandas verwenden lernen
Dictionaries bieten eine Alternative zu Python-Listen, während der DataFrame von Pandas die beliebteste Art ist, mit tabellarischen Daten zu arbeiten. Im zweiten Kapitel dieses Kurses erfährst du, wie du Datensätze erstellen und manipulieren kannst und wie du mit diesen Strukturen auf sie zugreifen kannst. Praktische Übungen während des Kurses werden dein Selbstvertrauen in jedem Bereich stärken.Python Boolesche Logik und Python Schleifen erforschen
In der zweiten Hälfte des Kurses beschäftigst du dich mit Logik, Kontrollfluss, Filterung und Schleifen. Diese Funktionen steuern die Entscheidungsfindung in Python-Programmen und helfen dir, mehr Operationen mit deinen Daten durchzuführen, einschließlich wiederholter Anweisungen. Am Ende des Kurses wendest du all deine neuen Fähigkeiten an, indem du mit Hilfe von Hacker-Statistiken deine Gewinnchancen bei einer Wette berechnest.Wenn du alle Kapitel abgeschlossen hast, bist du bereit, deine neuen Fähigkeiten in deinem Job, deiner neuen Karriere oder deinem persönlichen Projekt anzuwenden und dich auf fortgeschrittenere Python-Kenntnisse vorzubereiten.
Trainierst du 2 oder mehr?
Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.In den folgenden Tracks
Python Data Fundamentals
Gehe zu Track- 1
Matplotlib
KostenlosDie Datenvisualisierung ist eine Schlüsselqualifikation für angehende Data Scientists. Mit Matplotlib ist es ganz einfach, aussagekräftige und aufschlussreiche Diagramme zu erstellen. In diesem Kapitel lernst du, wie du verschiedene Arten von Diagrammen erstellst und sie so anpasst, dass sie visuell ansprechend und interpretierbar sind.
Grundlegende Diagramme mit Matplotlib50 xpLiniendiagramm (1)100 xpLiniendiagramm (2): Interpretation50 xpLiniendiagramm (3)100 xpStreudiagramm (1)100 xpStreudiagramm (2)100 xpHistogramm50 xpHistogramm erstellen (1)100 xpHistogramm erstellen (2): Bins100 xpHistogramm erstellen (3): Vergleiche100 xpDas richtige Diagramm auswählen (1)50 xpDas richtige Diagramm auswählen (2)50 xpAnpassung50 xpBeschriftungen100 xpTeilstriche100 xpGrößen100 xpFarben100 xpZusätzliche Anpassungen100 xpInterpretation50 xp - 2
Dictionarys & pandas
Lerne den Datentyp Dictionary als Alternative zur Python-Liste und den pandas-DataFrame als De-facto-Standard für die Arbeit mit tabellarischen Daten in Python kennen. Du lernst in praktischen Übungen, wie du Datensätze erstellst und bearbeitest und wie du auf benötigte Informationen in diesen Datenstrukturen zugreifen kannst.
Dictionarys, Teil 150 xpNotwendigkeit für Dictionarys100 xpDictionary erstellen100 xpDictionary verwenden100 xpDictionarys, Teil 250 xpDictionary bearbeiten (1)100 xpDictionary bearbeiten (2)100 xpVerschachtelte Dictionarys100 xppandas, Teil 150 xpVom Dictionary zum DataFrame (1)100 xpVom Dictionary zum DataFrame (2)100 xpVon CSV zum DataFrame (1)100 xpVon CSV zum DataFrame (2)100 xppandas, Teil 250 xpEckige Klammern (1)100 xpEckige Klammern (2)100 xploc und iloc (1)100 xploc und iloc (2)100 xploc und iloc (3)100 xp - 3
Logik, Kontrollfluss und Filterung
Die boolesche Logik ist die Grundlage für die Entscheidungsfindung in Python-Programmen. Du erfährst, welche Vergleichsoperatoren es gibt, wie du sie mit booleschen Operatoren kombinierst und wie du die booleschen Ergebnisse in Kontrollstrukturen verwendest. Außerdem übst du das Filtern von Daten in pandas-DataFrames mithilfe von Logik.
Vergleichsoperatoren50 xpGleichheit100 xpGrößer als und kleiner als100 xpArrays vergleichen100 xpBoolesche Operatoren50 xpand, or, not (1)100 xpand, or, not (2)50 xpBoolesche Operatoren mit NumPy100 xpif, elif, else50 xpWarmup50 xpif100 xpelse hinzufügen100 xpWeitere Anpassungen mit elif100 xppandas-DataFrames filtern50 xpRechtsverkehr (1)100 xpRechtsverkehr (2)100 xpAutos pro Kopf (1)100 xpAutos pro Kopf (2)100 xp - 4
Schleifen
Es gibt verschiedene Techniken, mit denen du Python-Code wiederholt ausführen kannst. While-Schleifen sind quasi wiederholte if-Anweisungen, wohingegen for-Schleifen über alle Arten von Datenstrukturen iterieren. In diesem Kapitel erfährst du mehr zu diesen Schleifen.
while-Schleife50 xpwhile: Warmup50 xpEinfache while-Schleife100 xpBedingungen hinzufügen100 xpfor-Schleife50 xpSchleife für eine Liste100 xpIndizes und Werte (1)100 xpIndizes und Werte (2)100 xpSchleife für eine Liste aus Listen100 xpSchleifen-Datenstrukturen Teil 150 xpDictionary mit einer Schleife durchlaufen100 xpNumPy-Array mit einer Schleife durchlaufen100 xpSchleifen-Datenstrukturen Teil 250 xpDataFrame mit einer Schleife durchlaufen (1)100 xpDataFrame mit einer Schleife durchlaufen (2)100 xpSpalte hinzufügen (1)100 xpSpalte hinzufügen (2)100 xp - 5
Fallstudie: Simulierte Statistiken
Im letzten Kapitel kannst du nun alles Gelernte aus dem Kurs anwenden. Mithilfe von simulierten Statistiken berechnest du deine Gewinnchancen bei einer Wette. Du nutzt Zufallszahlengeneratoren, Schleifen und Matplotlib, um dir einen Glücksspielvorteil zu verschaffen!
Zufallszahlen50 xpZufällige Gleitkommazahl100 xpWürfeln100 xpDen nächsten Schritt bestimmen100 xpIrrlauf50 xpDie nächste Stufe100 xpWie weit nach unten kann es gehen?100 xpIrrlauf visualisieren100 xpVerteilung50 xpMehrere Irrläufe simulieren100 xpAlle Irrläufe visualisieren100 xpUngeschicklichkeit einbeziehen100 xpVerteilung visuell darstellen100 xpGewinnchancen berechnen50 xp
Trainierst du 2 oder mehr?
Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.In den folgenden Tracks
Python Data Fundamentals
Gehe zu TrackHugo Bowne-Anderson
Mehr AnzeigenData Scientist
Was sagen andere Lernende?
Melden Sie sich an 15 Millionen Lernende und starten Sie Python für Fortgeschrittene Heute!
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.