Daten über Farbe und Größe codieren

In dieser Übung visualisierst du die Beziehung zwischen den Preisen von Bio- und konventionellen Avocados.

Folgende NumPy-Arrays sind in deinem Workspace:

conventional_price enthält den monatlichen Durchschnittspreis konventioneller Avocados in zahlreichen Märkten.
organic_price enthält dasselbe für Bio-Avocados.
fraction_organic enthält den Anteil der in einem Monat verkauften Avocados, die bio waren.

Du verwendest matplotlib, um ein paar Fragen zu beantworten und Einblicke in den Markt für Bio-Avocados zu gewinnen.

Wenn konventionelle Avocados teurer werden, steigen dann auch die Preise für Bio-Avocados?
Wenn der Aufpreis für Bio-Avocados geringer ist, kaufen die Leute dann mehr Bio-Avocados?

Diese Übung ist Teil des Kurses

Python für MATLAB-Anwender

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Initialize the figure
plt.figure()

# Make the scatter plot


plt.show()

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Python für MATLAB-Anwender

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel startest du mit dem Wechsel von MATLAB zu Python. Du lernst einige Gemeinsamkeiten und Unterschiede zwischen MATLAB und Python kennen, wie du Methoden und Packages verwendest, und bekommst eine Einführung in das beliebte NumPy-Package.

Exercise 1: Willkommen bei Python!Exercise 2: Einfache Berechnungen Exercise 3: Eine Investition prognostizieren Exercise 4: Typen von Variablen Exercise 5: Methoden und Packages Exercise 6: Zeichenketten mit Methoden bearbeiten Exercise 7: Python-Pakete verwenden Exercise 8: Arrays & Plotten Exercise 9: Erste Schritte mit NumPy-Arrays Exercise 10: Fahrradverkehr visualisieren Exercise 11: Was sagt die Lebenserwartung von Tieren voraus?

In diesem Kapitel baust du auf deinem neuen NumPy-Wissen auf. Du tauchst in NumPy-Arrays ein – das Python-Pendant zu Matrizen – und führst mathematische Operationen und Indexierung durch. Außerdem entdeckst du eine weitere wichtige Python-Datenstruktur, die Liste, und rundest das Kapitel mit benutzerdefinierten Plots deiner Arrays mit Matplotlib ab.

Exercise 1: Eintauchen in NumPy-Arrays Exercise 2: Prognose über die Zeit Exercise 3: Wie viel teurer sind Bio-Avocados?Exercise 4: Indexierung von NumPy-Arrays Exercise 5: Spalten aus NumPy-Arrays auswählen Exercise 6: Fahrradverkehr über die ganze Woche Exercise 7: Arrays mit Booleschem Indexing filtern Exercise 8: Listen Exercise 9: Listen erkunden Exercise 10: NumPy-Arrays aus Listen erstellen Exercise 11: Mit Listen und Arrays arbeiten Exercise 12: Plots anpassen Exercise 13: Farben, Linienstile und Legenden Exercise 14: Daten über Farbe und Größe codieren

Aktuelle Übung

Exercise 15: Triebwerkstypen bei Wildtierkollisionen bestimmen

Dieses Kapitel stellt einige leistungsstarke Python-Datenstrukturen vor: das Dictionary und das pandas DataFrame. Du lernst, Dictionaries durch das Setzen von Schlüssel-Wert-Paaren zu erstellen und sie anschließend anzusehen und zu ändern. Danach lernst du eines der wichtigsten Pakete im Werkzeugkasten von Pythonistas kennen: pandas. Im Fokus steht dabei die pandas-Struktur DataFrame, die tabellarische Daten leicht zugänglich organisiert. Abschließend erfährst du, wie du verschiedene Datentypen in DataFrames umwandelst, um besser mit deinen Daten arbeiten zu können.

Exercise 1: Dictionaries Exercise 2: Welche Schlüssel?Exercise 3: Daten auslesen Exercise 4: Wörterbücher ändern Exercise 5: Einführung in DataFrames Exercise 6: Erkunde ein pandas DataFrame Exercise 7: Daten aus einem DataFrame plotten Exercise 8: Zugriff auf pandas DataFrames Exercise 9: Zeilen und Spalten abrufen Exercise 10: Die vielen Facetten von .iloc Exercise 11: pandas DataFrames erstellen Exercise 12: Aus einer CSV-Datei Exercise 13: Aus einem Dictionary von Listen Exercise 14: Aus einer Liste von Dictionaries

Zum Abschluss des Kurses steuerst du den Python-Kontrollfluss. Du lernst, wie du mit for-Schleifen durch verschiedene Python-Datenstrukturen iterierst. Außerdem lernst du Python-Verzweigungen mit if, else und elif kennen sowie die Python-Vergleichsoperatoren (größer als, kleiner als usw.), die entscheiden, welche Zeilen deines Codes ausgeführt werden. Zum Schluss kommst du auf NumPy-Arrays zurück und verwendest Python-Vergleichsoperatoren, um deine Arrays zu filtern.

Exercise 1: Daten durchlaufen Exercise 2: Über Listen iterieren Exercise 3: Mehrere Plots in einer Abbildung überlagern Exercise 4: Vergleiche und Kontrollfluss Exercise 5: Unterschiedliche Flugzeugtypen zählen Exercise 6: Bestimmte Zeilen in einem DataFrame finden Exercise 7: Daten filtern Exercise 8: Boolesches Indexing für schnelle Statistiken Exercise 9: Booleans rocken das!Exercise 10: Boolesches Indexing und Matplotlib-Spaß Exercise 11: Gut gemacht!