LoslegenKostenlos loslegen

Startseite
Kurse
Analyse polizeilicher Maßnahmen mit pandas

Beeinflusst das Geschlecht, wessen Fahrzeug durchsucht wird?

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

Analyse polizeilicher Maßnahmen mit pandas

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Bevor du mit der Analyse beginnst, ist es entscheidend, den Datensatz zunächst zu untersuchen und zu bereinigen, damit die Arbeit damit effizienter wird. In diesem Kapitel übst du, Datentypen zu korrigieren, fehlende Werte zu behandeln sowie Spalten und Zeilen zu entfernen – und lernst dabei den Datensatz des Stanford Open Policing Project kennen.

Exercise 1: Datensatz des Stanford Open Policing Project Exercise 2: Den Datensatz untersuchen Exercise 3: Spalten entfernen Exercise 4: Zeilen entfernen Exercise 5: Mit den richtigen Datentypen arbeiten Exercise 6: Einen falschen Datentyp finden Exercise 7: Einen Datentyp korrigieren Exercise 8: Einen DatetimeIndex erstellen Exercise 9: Objektspalten kombinieren Exercise 10: Den Index setzen

Hat das Geschlecht einer fahrende Person Einfluss auf das Verhalten der Polizei während einer Verkehrskontrolle? In diesem Kapitel gehst du dieser Frage nach und übst dabei das Filtern, Gruppieren, Method Chaining, boolesche Mathematik, String-Methoden und mehr!

Exercise 1: Begehen die Geschlechter unterschiedliche Verstöße?Exercise 2: Verkehrsverstöße untersuchen Exercise 3: Verstöße nach Geschlecht vergleichen Exercise 4: Beeinflusst das Geschlecht, wer wegen zu schnellen Fahrens ein Ticket bekommt?Exercise 5: Nach mehreren Bedingungen filtern Exercise 6: Vergleich von Ergebnissen bei Geschwindigkeitsüberschreitungen nach Geschlecht Exercise 7: Beeinflusst das Geschlecht, wessen Fahrzeug durchsucht wird?

Aktuelle Übung

Exercise 8: Die Suchrate berechnen Exercise 9: Vergleich der Durchsuchungsraten nach Geschlecht Exercise 10: Einen zweiten Faktor in die Analyse einbeziehen Exercise 11: Beeinflusst das Geschlecht, wer bei einer Durchsuchung abgetastet wird?Exercise 12: Schutzdurchsuchungen zählen Exercise 13: Abtastraten nach Geschlecht vergleichen

Wirst du zu bestimmten Tageszeiten eher verhaftet? Nehmen drogenbezogene Kontrollen zu? In diesem Kapitel beantwortest du diese und weitere Fragen, indem du den Datensatz visuell analysierst – denn Diagramme helfen dir, Trends zu erkennen, die im Rohdaten-Blick verborgen bleiben.

Exercise 1: Beeinflusst die Tageszeit die Festnahmerate?Exercise 2: Die stündliche Festnahmerate berechnen Exercise 3: Stündliche Festnahmerate visualisieren Exercise 4: Nehmen drogenbezogene Anhaltungen zu?Exercise 5: Drogenbezogene Anhaltungen plotten Exercise 6: Drogen- und Durchsuchungsraten vergleichen Exercise 7: Welche Verstöße werden in den einzelnen Bezirken festgestellt?Exercise 8: Verstöße nach Bezirk zählen Exercise 9: Verstöße nach Bezirk visualisieren Exercise 10: Wie lange könntest du wegen eines Verstoßes angehalten werden?Exercise 11: Anhalte-Dauern in Zahlen umwandeln Exercise 12: Anhaltdauer visualisieren

In diesem Kapitel nutzt du einen zweiten Datensatz, um den Einfluss der Wetterbedingungen auf das Verhalten der Polizei bei Verkehrskontrollen zu untersuchen. Du übst das Zusammenführen und Umformen von Datensätzen, bewertest die Vertrauenswürdigkeit einer Datenquelle, arbeitest mit kategorialen Daten und anderen fortgeschrittenen Techniken.

Exercise 1: Den Wetterdatensatz erkunden Exercise 2: Temperatur visualisieren Exercise 3: Die Temperaturdifferenz plotten Exercise 4: Das Wetter kategorisieren Exercise 5: Schlechte Wetterbedingungen zählen Exercise 6: Wetterbedingungen bewerten Exercise 7: Den Datentyp in Kategorie ändern Exercise 8: Datensätze zusammenführen Exercise 9: Die DataFrames vorbereiten Exercise 10: Die DataFrames zusammenführen Exercise 11: Beeinflusst das Wetter die Festnahmerate?Exercise 12: Festnahmeraten nach Wetterbewertung vergleichen Exercise 13: Auswahl aus einer Series mit MultiIndex Exercise 14: Arrest-Rate-Daten umformen Exercise 15: Fazit