1
Matplotlib
Gratuito
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

Verteilung visuell darstellen

Durch all diese schicken Visualisierungen haben wir jetzt aber komplett unsere eigentliche Aufgabenstellung vergessen. Wir müssen ja immer noch die Millionenfrage beantworten: Mit welcher Wahrscheinlichkeit wirst du die 60. Stufe im Empire State Building erreichen?

Im Grunde willst du die Endpunkte aller simulierten Irrläufe wissen. Diese Endpunkte haben eine bestimmte Verteilung, die du mit einem Histogramm visualisieren kannst.

Wenn die Ausführung deines Codes zu lange dauert, kann es sein, dass du ein Histogramm mit den falschen Daten zeichnest.

Damit wir auch wirklich genug Simulationen haben, lass es krachen! Simuliere den Irrlauf 500-mal!
Wähle aus np_aw_t die letzte Zeile aus. Sie enthält den Endpunkt aller 500 Irrläufe, die du simuliert hast. Speichere dieses NumPy-Array als ends.
Verwende plt.hist(), um ein Histogramm von ends zu erstellen. Vergiss nicht plt.show(), um den Plot anzuzeigen.