1. Apprendre
    2. /
  2. Cours
    3. /
  3. Python für Fortgeschrittene
  • 1

    Matplotlib

    Gratuit

    Die Datenvisualisierung ist eine Schlüsselqualifikation für angehende Data Scientists. Mit Matplotlib ist es ganz einfach, aussagekräftige und aufschlussreiche Diagramme zu erstellen. In diesem Kapitel lernst du, wie du verschiedene Arten von Diagrammen erstellst und sie so anpasst, dass sie visuell ansprechend und interpretierbar sind.

  • 2

    Dictionarys & pandas

    Lerne den Datentyp Dictionary als Alternative zur Python-Liste und den pandas-DataFrame als De-facto-Standard für die Arbeit mit tabellarischen Daten in Python kennen. Du lernst in praktischen Übungen, wie du Datensätze erstellst und bearbeitest und wie du auf benötigte Informationen in diesen Datenstrukturen zugreifen kannst.

  • 3

    Logik, Kontrollfluss und Filterung

    Die boolesche Logik ist die Grundlage für die Entscheidungsfindung in Python-Programmen. Du erfährst, welche Vergleichsoperatoren es gibt, wie du sie mit booleschen Operatoren kombinierst und wie du die booleschen Ergebnisse in Kontrollstrukturen verwendest. Außerdem übst du das Filtern von Daten in pandas-DataFrames mithilfe von Logik.

  • 4

    Schleifen

    Es gibt verschiedene Techniken, mit denen du Python-Code wiederholt ausführen kannst. While-Schleifen sind quasi wiederholte if-Anweisungen, wohingegen for-Schleifen über alle Arten von Datenstrukturen iterieren. In diesem Kapitel erfährst du mehr zu diesen Schleifen.

  • 5

    Fallstudie: Simulierte Statistiken

    Im letzten Kapitel kannst du nun alles Gelernte aus dem Kurs anwenden. Mithilfe von simulierten Statistiken berechnest du deine Gewinnchancen bei einer Wette. Du nutzt Zufallszahlengeneratoren, Schleifen und Matplotlib, um dir einen Glücksspielvorteil zu verschaffen!

Initializing

Exercice

Alle Irrläufe visualisieren

all_walks ist eine Liste aus Listen: Jede Unterliste repräsentiert einen einzelnen Irrlauf. Wenn du diese Liste aus Listen in ein NumPy-Array umwandelst, kannst du interessante Diagramme erstellen. matplotlib.pyplot ist bereits als plt importiert.

Die verschachtelte for-Schleife ist ebenfalls bereits kodiert – du brauchst dir darüber also keine Gedanken zu machen. Konzentriere dich zunächst auf den Code, der nach dieser for-Schleife kommt.

Instructions

100 XP
  • Verwende np.array(), um all_walks in ein NumPy-Array zu konvertieren, np_aw.
  • Versuche, plt.plot() auf np_aw zu verwenden. Dazu gehört auch plt.show(). Funktioniert es sofort ohne weitere Anpassungen?
  • Transponiere np_aw, indem du np.transpose() auf np_aw aufrufst. Nenne das Ergebnis np_aw_t. Jetzt stellt jede Zeile in np_all_walks für die fünf Irrläufe die Position nach einem Wurf dar.
  • Verwende plt.plot(), um np_aw_t zu zeichnen; füge auch ein plt.show() ein. Sieht es diesmal besser aus?