Explorative Datenanalyse mit Python
Daten untersuchen, Zusammenhänge erkennen und Fragestellungen entwickeln
01 Intro
Explorative Datenanalyse beginnt häufig dort, wo noch nicht genau feststeht,
welche Aussagen ein Datensatz überhaupt ermöglicht. Ziel ist es, Strukturen,
Verteilungen, Zusammenhänge und Auffälligkeiten systematisch zu untersuchen
und daraus belastbare Fragestellungen oder Hypothesen zu entwickeln.
Der Kurs verbindet deskriptive Statistik, Visualisierung und praktische
Analyse mit Python. Im Vordergrund steht nicht die Produktion möglichst
vieler Diagramme oder Kennzahlen, sondern deren sinnvolle Auswahl und
Interpretation.
Kurs-ID
DATA-003
Dauer
2 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Python-Grundkenntnisse und grundlegender Umgang mit Pandas
02 Trainingsprogramm
Inhalte
Aufgabe der explorativen Datenanalyse
- EDA im Analyseprozess
- Exploration versus Bestätigung
- Fragestellungen entwickeln
- Hypothesen
- Daten und Kontext
- typische Denkfehler
Datensatz verstehen
- Beobachtungen und Merkmale
- numerische und kategoriale Variablen
- Skalenniveaus
- Datentypen
- Datenherkunft
- Stichprobe und Grundgesamtheit
Datenqualität vor der Analyse
- fehlende Werte
- Dubletten
- Wertebereiche
- Plausibilität
- Ausreißer
- Grenzen des Datensatzes
Univariate Analyse
- Häufigkeiten
- Lageparameter
- Streuung
- Quantile
- Verteilungen
- robuste Kennzahlen
Verteilungen visualisieren
- Histogramme
- Boxplots
- Dichte
- Balkendiagramme
- empirische Verteilungen
- sinnvolle Skalierung
Beziehungen zwischen Variablen
- numerisch versus numerisch
- kategorial versus numerisch
- kategorial versus kategorial
- Scatterplots
- gruppierte Auswertungen
- Kreuztabellen
Korrelation und Zusammenhang
- Kovarianz
- Korrelation
- Pearson und Rangkorrelation
- Korrelationsmatrizen
- nichtlineare Zusammenhänge
- Korrelation versus Kausalität
Gruppen und Segmente untersuchen
- Gruppierung
- Vergleich von Teilpopulationen
- Aggregationen
- Verteilungen innerhalb von Gruppen
- auffällige Segmente
- Simpson-Paradoxon als Warnsignal
Ausreißer und ungewöhnliche Beobachtungen
- statistische Verfahren
- visuelle Erkennung
- multivariate Auffälligkeiten
- Datenfehler versus interessante Beobachtung
- Einfluss auf Kennzahlen
Zeitliche Strukturen
- Trends
- saisonale Muster
- Veränderungen
- rollierende Kennzahlen
- Vergleich von Zeiträumen
- Ereignisse und Strukturbrüche
Von Beobachtungen zu Hypothesen
- Muster formulieren
- alternative Erklärungen
- Confounder
- Scheinkorrelation
- Auswahlverzerrung
- nächste Analyseschritte ableiten
Exploratives Analyseprojekt
- unbekannten Datensatz erschließen
- Analysefragen entwickeln
- geeignete Kennzahlen auswählen
- Visualisierungen einsetzen
- Auffälligkeiten untersuchen
- Ergebnisse und Unsicherheiten kommunizieren
03 Durchführung
Rahmen und Organisation
Dauer
2 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und den gängigen Analysebibliotheken
Inhouse-Schulungen
Eigene Datenbestände und Fragestellungen können als Grundlage für die
Exploration verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Data Analysts, Entwickler, technische Fachkräfte und Anwender, die Daten
nicht nur auswerten, sondern systematisch untersuchen und interpretieren
möchten.
Voraussetzungen
Python-Grundkenntnisse sowie grundlegende Erfahrung mit Pandas.
Tiefergehende Statistikkenntnisse sind nicht erforderlich.
05 Lernziele
Was Sie nach dem Kurs können
Die Teilnehmer können Datensätze strukturiert explorieren, geeignete
statistische Kennzahlen und Visualisierungen auswählen, Zusammenhänge und
Auffälligkeiten erkennen sowie Ergebnisse kritisch interpretieren.
06 FAQ
Häufige Fragen
Ist das ein Statistikkurs?
Statistische Grundlagen werden dort behandelt, wo sie für die Exploration benötigt werden. Der Schwerpunkt liegt auf praktischer Datenanalyse und Interpretation.
Was unterscheidet den Kurs von der Datenvisualisierung?
Hier ist Visualisierung ein Werkzeug zur Untersuchung von Daten. Der Visualisierungskurs behandelt die Darstellung selbst: Auswahl, Gestaltung und Kommunikation geeigneter visueller Darstellungen.
Wird Machine Learning behandelt?
Nein. Explorative Datenanalyse kann die Grundlage für spätere ML-Verfahren bilden, ist aber ein eigenständiger Analyseschritt.