Datentypen

Das Verständnis von Datentypen ist entscheidend, um effektiv mit Datensätzen zu arbeiten. In dieser Lektion betrachten wir drei wichtige Datentypen: numerische, kategoriale und Zeitreihendaten.

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.

Kategoriale Daten

Kategoriale Daten stellen Gruppen oder Kategorien dar. Sie können:

• 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: 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 Temperaturen.
• Wöchentlich erfasster Website-Traffic.

Datentypen in Python erkennen

Mit dem dtypes-Attribut in Pandas können Sie die Datentypen der Spalten eines Datensatzes erkennen.

Beispiel:

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

Die Bedeutung von Datentypen

Wenn Sie den Datentyp kennen, können Sie:

• die passenden Analysemethoden auswählen.
• geeignete Visualisierungen auswählen.
• geeignete Vorverarbeitungsmethoden anwenden.

Datentypkonvertierung

In Python können Sie Datentypen mit 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.
• Kategoriale 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 über Datentypen abgeschlossen. Fahren Sie mit der nächsten Lektion fort, um zu erfahren, wie Sie effektiv mit fehlenden Daten umgehen.