Vorwort	13
	Kapitel 1: Einleitung	19
	1.1 Worum geht es in diesem Buch?	19
	Welche Arten von Daten?	19
	1.2 Warum Python für die Datenanalyse?	20
	Python als Kleister	20
	Das »Zwei-Sprachen-Problem« lösen	21
	Warum nicht Python?	21
	1.3 Grundlegende Python-Bibliotheken	22
	NumPy	22
	pandas	23
	matplotlib	24
	IPython und Jupyter	24
	SciPy	25
	scikit-learn	26
	statsmodels	26
	1.4 Installation und Einrichtung	27
	Windows	27
	Apple (OS X, macOS)	27
	GNU/Linux	28
	Python-Pakete installieren oder aktualisieren	28
	Python 2 und Python 3	29
	Integrierte Entwicklungsumgebungen (Integrated Development Environments – IDEs) und Texteditoren	30
	1.5 Community und Konferenzen	30
	1.6 Navigation durch dieses Buch	31
	Codebeispiele	32
	Daten für die Beispiele	32
	Importkonventionen	32
	Jargon	33
	Kapitel 2: Grundlagen von Python, IPython und Jupyter-Notebooks	35
	2.1 Der Python-Interpreter	36
	2.2 IPython-Grundlagen	37
	Die IPython-Shell ausführen	37
	Das Jupyter-Notebook ausführen	38
	Befehlsergänzung mit Tab	41
	Introspektion	42
	Der %run-Befehl	44
	Code aus der Zwischenablage ausführen	45
	Terminal-Tastenkürzel	46
	Über magische Befehle	47
	matplotlib-Integration	49
	2.3 Grundlagen der Sprache Python	50
	Sprachsemantik	50
	Skalare Typen	59
	Kontrollfluss	66
	Kapitel 3: In Python integrierte Datenstrukturen, Funktionen und Dateien	71
	3.1 Datenstrukturen und Sequenzen	71
	Tupel	71
	Listen	74
	Eingebaute Funktionen von Sequenzen	79
	Dictionarys	81
	Set	85
	List, Set und Dict Comprehensions	87
	3.2 Funktionen	89
	Namensraum, Gültigkeitsbereich und lokale Funktionen	90
	Mehrere Rückgabewerte	91
	Funktionen sind Objekte	92
	Anonyme oder Lambda-Funktionen	93
	Currying: teilweise Anwendung von Argumenten	94
	Generatoren	95
	Fehler und die Behandlung von Ausnahmen	97
	3.3 Dateien und das Betriebssystem	100
	Bytes und Unicode mit Dateien	103
	3.4 Schlussbemerkung	105
	Kapitel 4: Grundlagen von NumPy: Arrays und vektorisierte Berechnung	107
	4.1 Das ndarray von NumPy: ein mehrdimensionales Array-Objekt	109
	ndarrays erzeugen	110
	Datentypen für ndarrays	112
	Rechnen mit NumPy-Arrays	115
	Einfaches Indizieren und Slicing	116
	Boolesches Indizieren	121
	Fancy Indexing	124
	Arrays transponieren und Achsen tauschen	125
	4.2 Universelle Funktionen: schnelle elementweise Array-Funktionen	127
	4.3 Array-orientierte Programmierung mit Arrays	130
	Bedingte Logik als Array-Operationen ausdrücken	132
	Mathematische und statistische Methoden	133
	Methoden für boolesche Arrays	135
	Sortieren	135
	Unique und andere Mengenlogik	136
	4.4 Dateiein- und -ausgabe bei Arrays	137
	4.5 Lineare Algebra	138
	4.6 Erzeugen von Pseudozufallszahlen	140
	4.7 Beispiel: Random Walks	142
	Viele Random Walks auf einmal simulieren	143
	4.8 Schlussbemerkung	144
	Kapitel 5: Erste Schritte mit pandas	145
	5.1 Einführung in die pandas-Datenstrukturen	145
	Series	146
	DataFrame	150
	Indexobjekte	156
	5.2 Wesentliche Funktionalität	158
	Neuindizierung	158
	Einträge von einer Achse löschen	160
	Indizierung, Auswahl und Filterung	162
	Integer-Indizes	167
	Arithmetik und Datenausrichtung	168
	Funktionsanwendung und Mapping	173
	Sortieren und Rangbildung	175
	Achsenindizes mit duplizierten Labels	178
	5.3 Zusammenfassen und Berechnen deskriptiver Statistiken	180
	Korrelation und Kovarianz	182
	Eindeutigkeit, Werteanzahl und Mitgliedschaft	184
	5.4 Schlussbemerkung	187
	Kapitel 6: Laden und Speichern von Daten sowie Dateiformate	189
	6.1 Lesen und Schreiben von Daten im Textformat	189
	Stückweises Lesen von Textdateien	195
	Daten in Textformaten schreiben	197
	Arbeiten mit separierten Formaten	198
	JSON-Daten	200
	XML und HTML: Web-Scraping	202
	6.2 Binäre Datenformate	205
	Benutzung von HDF5	206
	Lesen von Microsoft Excel-Dateien	208
	6.3 Interaktion mit Web-APIs	209
	6.4 Interaktion mit Datenbanken	210
	6.5 Schlussbemerkung	212
	Kapitel 7: Daten bereinigen und vorbereiten	213
	7.1 Der Umgang mit fehlenden Daten	213
	Fehlende Daten herausfiltern	215
	Fehlende Daten einsetzen	217
	7.2 Datentransformation	219
	Duplikate entfernen	219
	Daten mithilfe einer Funktion oder eines Mappings transformieren	221
	Werte ersetzen	222
	Achsenindizes umbenennen	224
	Diskretisierung und Klassifizierung	225
	Erkennen und Filtern von Ausreißern	227
	Permutation und zufällige Stichproben	229
	Berechnen von Indikator-/Platzhaltervariablen	230
	7.3 Manipulation von Strings	233
	Methoden von String-Objekten	233
	Reguläre Ausdrücke	235
	Vektorisierte String-Funktionen in pandas	238
	7.4 Schlussbemerkung	241
	Kapitel 8: Datenaufbereitung: Verknüpfen, Kombinieren und Umformen	243
	8.1 Hierarchische Indizierung	243
	Ebenen neu anordnen und sortieren	246
	Zusammenfassende Statistiken nach Ebene	247
	Indizierung mit den Spalten eines DataFrame	247
	8.2 Kombinieren und Verknüpfen von Datensätzen	249
	Datenbankartige Verknüpfung von DataFrames	249
	Daten über einen Index verknüpfen	254
	Verketten entlang einer Achse	258
	Überlappende Daten zusammenführen	263
	8.3 Umformen und Transponieren	264
	Umformen mit hierarchischer Indizierung	264
	Transponieren vom »langen« zum »breiten« Format	267
	Transponieren vom »breiten« zum »langen« Format	270
	8.4 Schlussbemerkung	272
	Kapitel 9: Plotten und Visualisieren	273
	9.1 Kurze Einführung in die matplotlib-API	274
	Diagramme und Subplots	275
	Farben, Beschriftungen und Linienformen	279
	Skalenstriche, Beschriftungen und Legenden	281
	Annotationen und Zeichnungen in einem Subplot	285
	Diagramme in Dateien abspeichern	287
	Die Konfiguration von matplotlib	288
	9.2 Plotten mit pandas und seaborn	289
	Liniendiagramme	289
	Balkendiagramme	292
	Histogramme und Dichteplots	297
	Streu- oder Punktdiagramme	299
	Facettenraster und kategorische Daten	301
	9.3 Andere Visualisierungswerkzeuge in Python	303
	9.4 Schlussbemerkung	304
	Kapitel 10: Aggregation von Daten und Gruppenoperationen	305
	10.1 GroupBy-Mechanismen	306
	Iteration über Gruppen	309
	Auswählen einer Spalte oder einer Teilmenge von Spalten	311
	Gruppieren mit Dictionarys und Series	311
	Gruppieren mit Funktionen	313
	Gruppieren nach Ebenen eines Index	313
	10.2 Aggregation von Daten	314
	Spaltenweise und mehrfache Anwendung von Funktionen	316
	Aggregierte Daten ohne Zeilenindizes zurückgeben	319
	10.3 Apply: Allgemeine Operationen vom Typ split-apply-combine	320
	Unterdrücken der Gruppenschlüssel	322
	Analyse von Quantilen und Größenklassen	323
	Beispiel: Fehlende Daten mit gruppenspezifischen Werten auffüllen	324
	Beispiel: Zufällige Stichproben und Permutation	326
	Beispiel: Gewichteter Mittelwert für Gruppen und Korrelation	328
	Beispiel: Gruppenweise lineare Regression	330
	10.4 Pivot-Tabellen und Kreuztabellierung	330
	Kreuztabellen	333
	10.5 Schlussbemerkung	334
	Kapitel 11: Zeitreihen	335
	11.1 Datentypen und Werkzeuge für Datum und Zeit	336
	Konvertieren zwischen String und datetime	337
	11.2 Grundlagen von Zeitreihen	340
	Indizieren, auswählen und Untermengen bilden	341
	Zeitreihen mit doppelten Indizes	344
	11.3 Datumsbereiche, Frequenzen und Verschiebungen	345
	Erzeugen von Datumsbereichen	346
	Frequenzen und Offsets von Kalenderdaten	348
	Verschieben von Datumsangaben (Vorlauf und Verzögerung)	350
	11.4 Berücksichtigung von Zeitzonen	353
	Lokalisieren und Konvertieren von Zeitzonen	353
	Operationen mit Zeitstempeln bei zugeordneter Zeitzone	356
	Operationen zwischen unterschiedlichen Zeitzonen	357
	11.5 Perioden und Arithmetik von Perioden	357
	Umwandlung der Frequenz von Perioden	358
	Quartalsweise Perioden	360
	Zeitstempel zu Perioden konvertieren (und zurück)	362
	Erstellen eines PeriodIndex aus Arrays	363
	11.6 Resampling und Konvertieren von Frequenzen	365
	Downsampling	367
	Upsampling und Interpolation	370
	Resampling mit Perioden	371
	11.7 Funktionen mit gleitenden Fenstern	372
	Exponentiell gewichtete Funktionen	376
	Binäre Funktionen mit gleitendem Fenster	377
	Benutzerdefinierte Funktionen mit gleitenden Fenstern	378
	11.8 Schlussbemerkung	379
	Kapitel 12: pandas für Fortgeschrittene	381
	12.1 Kategorische Daten	381
	Hintergrund und Motivation	381
	Der Typ Categorical in pandas	383
	Berechnungen mit Categoricals	385
	Kategorische Methoden	388
	12.2 Erweiterter Einsatz von GroupBy	390
	Gruppentransformationen und »ausgepackte« GroupBys	391
	Gruppiertes Zeit-Resampling	394
	12.3 Techniken für die Verkettung von Methoden	396
	Die Methode pipe	398
	12.4 Schlussbemerkung	398
	Kapitel 13: Einführung in Modellierungsbibliotheken in Python	401
	13.1 Die Kopplung zwischen pandas und dem Modellcode	401
	13.2 Modellbeschreibungen mit Patsy herstellen	404
	Datentransformationen in Patsy-Formeln	407
	Kategorische Daten und Patsy	408
	13.3 Einführung in statsmodels	411
	Lineare Modelle schätzen	411
	Zeitreihenprozesse schätzen	414
	13.4 Einführung in scikit-learn	415
	13.5 Ihre Ausbildung fortsetzen	419
	Kapitel 14: Beispiele aus der Datenanalyse	421
	14.1 1.USA.gov-Daten von Bitly	421
	Zählen von Zeitzonen in reinem Python	422
	Zeitzonen mit pandas zählen	424
	14.2 MovieLens-1M-Datensatz	431
	Messen von Unterschieden in der Bewertung	436
	14.3 US-Babynamen von 1880–2010	437
	Namenstrends analysieren	442
	14.4 Die USDA-Nahrungsmitteldatenbank	451
	14.5 Datenbank des US-Wahlausschusses von 2012	457
	Spendenstatistik nach Beruf und Arbeitgeber	459
	Spenden der Größe nach klassifizieren	462
	Spendenstatistik nach Bundesstaat	464
	14.6 Schlussbemerkung	465
	Anhang A: NumPy für Fortgeschrittene	467
	Anhang B: Mehr zum IPython-System	501
	Index	523
	Über den Autor	541
	Kolophon	541