Datentypen

Das Verständnis der verschiedenen Datentypen ist entscheidend für die effektive Arbeit mit Datensätzen. In dieser Lektion untersuchen wir drei wichtige Datentypen: numerische, kategorische und zeitreihenbasierte Daten.

Numerische Daten

Numerische Daten stellen Zahlen dar und können entweder:

• diskret: Ganze Zahlen wie 1, 2, 3.
• kontinuierlich: Zahlen mit Dezimalstellen wie 3.14, 7.89.

Beispiele: Alter, Temperatur und Einkommen.

Kategorische Daten

Kategorische Daten repräsentieren Gruppen oder Kategorien. Sie können sein:

• Nominal: Kategorien ohne eine bestimmte Reihenfolge (z. B. Farben: Rot, Blau, Grün).
• Ordinal: Kategorien mit einer aussagekräftigen Reihenfolge (z. B. Bewertungen: niedrig, mittel, hoch).

Beispiele sind: Geschlecht, Produkttyp und Bildungsniveau.

Zeitreihendaten

Zeitreihendaten bestehen aus Werten, die über bestimmte Zeitintervalle hinweg aufgezeichnet werden. Sie werden verwendet, um Veränderungen oder Trends zu verfolgen.

Beispiele:

• Täglich aufgezeichnete Aktienkurse.
• Stündlich gemessene Temperatur.
• Wöchentlich erfasster Website-Traffic.

Datentypen in Python ermitteln

Mit dem Attribut dtypes von Pandas können Sie die Datentypen der Spalten in einem Datensatz ermitteln.

Beispiel:

import pandas as pd data = {'Age': [25, 30], 'Gender': ['Male', 'Female']} df = pd.DataFrame(data) print(df.dtypes)

Bedeutung von Datentypen

Wenn Sie den Datentyp kennen, können Sie:

• die richtigen Analysetechniken auswählen.
• geeignete Visualisierungen auswählen.
• passende Vorverarbeitungsmethoden anwenden.

Konvertierung von Datentypen

In Python können Sie Datentypen mithilfe von Funktionen wie den folgenden konvertieren:

• astype() in Pandas.
• int(), float(), str() für einzelne Werte.

Beispiel:

df['Age'] = df['Age'].astype(float)

Zusammenfassung

In dieser Lektion haben Sie Folgendes gelernt:

• Numerische Daten: Diskrete und kontinuierliche Werte.
• Kategorische Daten: Nominale und ordinale Kategorien.
• Zeitreihendaten: Werte, die über Zeitintervalle hinweg erfasst werden.

Das Verständnis von Datentypen ist entscheidend für eine effektive Datenanalyse.

Glückwunsch!

Sie haben die Lektion zu Datentypen abgeschlossen. Fahren Sie mit der nächsten Lektion fort, um zu lernen, wie Sie fehlende Daten effektiv behandeln.