In diesem Kapitel lernst du, wie du einen DataFrame aus einer CSV erstellst, einen DataFrame inspizierst, Teilmengen von Zeilen und Spalten auswählst sowie einen DataFrame sortierst und zusammenfasst.

Einführung in das Polars-DataFrame

Eine CSV in ein DataFrame laden

Ein DataFrame inspizieren

Ein DataFrame subsetten

Eine Series aus einem DataFrame erstellen

Teilmenge eines DataFrames mit Klammernotation bilden

Wähle mit .select() eine Teilmenge von Spalten aus

Ein DataFrame sortieren und zusammenfassen

EV-Daten sortieren

Einen DataFrame zusammenfassen

Extreme Werte in einem DataFrame

DataFrames erstellen und Daten auswählen

Als Nächstes lernst du, wie du Daten mit Expressions transformierst, Spalten in einem DataFrame hinzufügst oder aktualisierst, mit mehreren Spalten arbeitest und eine Einführung in den Lazy Mode und die Query-Optimierung bekommst.

Spalten transformieren

Daten mit einem Ausdruck transformieren

Eine Spalte aggregieren

Daten transformieren

Spalten hinzufügen

Eine neue Spalte hinzufügen

Verwendung eines Dtype-spezifischen Ausdrucks

Spalten umbenennen und entfernen

Mit mehreren Spalten arbeiten

Mehrere Spalten transformieren

Neue Spalten mit einem Suffix erstellen

Selectoren kombinieren

Einführung in den Lazy-Modus

Erstellen einer Lazy-Abfrage

Was treibt die Preise für E-Autos?

Daten mit Expressions transformieren

Im letzten Kapitel lernst du, wie du einen DataFrame filterst, um eine Teilmenge von Zeilen zu erhalten, wie du fehlende oder doppelte Werte behandelst, nach einer oder mehreren Spalten gruppierst und einen DataFrame zwischen Long- und Wide-Format umwandelst.

Zeilen filtern

Filtern mit einer einzelnen Bedingung

Mehrere Filterbedingungen kombinieren

Ein Prädikat negieren

Umgang mit fehlenden und doppelten Werten

Fehlende Werte finden und entfernen

Fehlende Werte ersetzen

Doppelte Werte entfernen

Gruppierte Aggregationen

Werte zählen

Group-by-Aggregation

Mehrere Aggregationen auf einer Spalte

Pivotieren und Entpivotieren

Ein DataFrame pivotieren

Daten von Wide- in Long-Format unpivoten

Abschluss

Daten analysieren

Electric Vehicles

Music Streams

Lerne, wie du Daten mit Polars bearbeitest und Erkenntnisse gewinnst – einem leistungsstarken, vielseitigen Paket für tabellarische Daten in Python. Polars ist auf Geschwindigkeit und Effizienz ausgelegt und eignet sich hervorragend für alles, von schneller Datenexploration bis hin zu detaillierten Analysen. In diesem Kurs lernst du die wichtigsten Techniken zum Transformieren, Bereinigen, Analysieren und Visualisieren tabellarischer Daten.

<h2>Entdecke effiziente Datenbearbeitung mit Polars</h2>Polars ist ein echt starkes, vielseitiges Paket für die Arbeit mit tabellarischen Daten in Python. Polars ist auf Geschwindigkeit und Effizienz ausgelegt und eignet sich super für alles, von der schnellen Datenexploration bis hin zu detaillierten Analysen. In diesem Kurs lernst du die Grundlagen der Verwendung von Polars für die Arbeit mit deinen Daten.<br><br><h2>Lade, erkunde und bereinige deine Daten</h2>Zuerst lernst du, wie du CSV-Dateien in Polars DataFrames importierst, ihren Inhalt zusammenfasst und die wichtigsten Daten auswählst. Als Nächstes lernst du, wie du deinen Datensatz bereinigst, indem du fehlende oder doppelte Daten findest und entfernst.<br><br><h2>Analysiere und zeig deine Daten auf coole Weise</h2>Dann machst du dich an eine detailliertere Datenanalyse, indem du deine Daten in Gruppen aufteilst und für jede Gruppe Statistiken berechnest. Du wirst auch das Umwandeln von Spalten mit Polars-Ausdrücken üben und sehen, wie Polars das gleichzeitige Umwandeln mehrerer Spalten vereinfacht. Visualisierung ist echt wichtig, um aus deinen Daten Erkenntnisse zu gewinnen und diese an andere weiterzugeben. Am Ende des Kurses kannst du klare Visualisierungen erstellen, um Erkenntnisse zu präsentieren.<br><br><h2>Optimieren mit Polars Lazy Execution</h2>Eine coole Funktion von Polars ist, dass es deinen Code optimieren kann, um die Leistung zu steigern. Du lernst, wie du die Optimierung aktivierst und wie diese Optimierungen funktionieren. Mit dem, was du in diesem Kurs gelernt hast, kannst du Polars für viele verschiedene Datenaufgaben in der Praxis nutzen und wertvolle Erkenntnisse gewinnen.

Intermediate Python

Lernen Sie, Daten mit Polars effizient zu transformieren, bereinigen und analysieren.

Einstieg in Polars

Hier lernst du, wie du mit Polars Daten effizient transformierst, bereinigst und analysierst.

Teilmenge eines DataFrames mit Klammernotation bilden

Einstieg in Polars

Interaktive Übung