Datenvisualisierung mit Python

Lerne in diesem Kurs, Daten mit Python eindrucksvoll und verständlich zu visualisieren.

Von den Grundlagen mit Pandas und Matplotlib über elegante statistische Plots mit Seaborn bis hin zu interaktiven Dashboards mit Plotly – Schritt für Schritt erarbeitest du dir die wichtigsten Tools der modernen Datenvisualisierung.

Entdecke Best Practices, erstelle eigene Visualisierungen und hebe deine Analysen auf ein neues Level – praxisnah, sodass das Gelernte direkt im Alltag angewendet werden kann.

1. Refresh Datenanalyse mit NumPy und Pandas

• Überblick: Ziel und Ablauf des Kurses
• Datenanalyse mit NumPy        
  • Arrays, Datentypen, Indexierung
  • Relevanz für numerische Datenvisualisierung
• Level-up mit Pandas        
  • Series und DataFrames
  • Daten einlesen (CSV, Excel)
  • Angewandte Datenexploration (head, describe, info, isnull, value_counts)
  • Einfache Korrekturen
• Mini-Übung: Erste Analyse eines echten Datensatzes (z. B. Titanic, Iris)

2. Grundlagen der Visualisierung mit Matplotlib

• Philosophie von Matplotlib
• Plot-Typen:        
  • Line, Scatter, Bar, Histogramm, Boxplot
• Achsen, Titel, Legenden, Farben, Stile
• Subplots und Layouts
• Speichern von Plots (PNG, PDF, SVG)
• Mini-Übung: Verschiedene Plots mit echten Daten erzeugen

3. Datenanalyse und Visualisierung mit Seaborn

• Warum Seaborn? High-Level vs. Low-Level APIs
• Plot-Typen:        
  • countplot, boxplot, violinplot, histplot, scatterplot, pairplot, heatmap
• Zusammenhangsanalyse:        
  • Korrelationen visualisieren (heatmap)
  • Relationale und kategorische Daten visualisieren
• Design und Stil-Anpassung
• Mini-Übung: Explorative Datenanalyse mit Seaborn

4. Visual Storytelling und Best Practices

• Unterschied zwischen explorativer und erklärender Visualisierung
• Visuelle Prinzipien:        
  • Farben, Achsen, Skalierung, Annotationen
• Common Pitfalls: Was macht eine «schlechte» Grafik aus?
• Einführung in Design-Richtlinien (Data-Ink-Ratio, Tufte-Prinzipien)
• Mini-Übung: Schlechte vs. gute Visualisierung verbessern

5. Interaktive Visualisierung mit Plotly

• Warum interaktive Visualisierung?
• Einführung in Plotly Express        
  • px.scatter, px.bar, px.line, px.histogram, px.box
• Interaktive Features: Zoom, Hover, Tooltips
• Farben, Facetten, Animationen
• Mini-Übung: Ansprechende und interaktive Dashboards mit Plotly Express

6. Plotly Graph Objects & Dash-Einführung

• Plotly Graph Objects (GO) vs. Express        
  • Flexibilität und Customization
• Einführung in Dash (konzeptuell)        
  • Aufbau eines einfachen Dashboards
• Layouts und Callbacks (Demo)
• Mini-Übung: Visualisiere einen kleinen interaktiven Report

7. Weitere Tools & Spezialvisualisierungen

• Altair: deklarative Visualisierung
• Bokeh: interaktive Webplots
• Geopandas & Folium: Karten und geografische Daten
• Wordclouds & Netzwerke
• Wann welches Tool? Überblick & Vergleichstabelle

8. Mini-Projekt

• Mini-Projekt (Einzeln oder in kleinen Gruppen):        
  • Daten analysieren, visualisieren und präsentieren
  • Mindestens 2 Libraries verwenden
• Ziel: Erkenntnisse aus Daten visuell kommunizieren
• Kurzpräsentationen & Feedback-Runde
• Abschluss: Q&A, Tipps für weiterführendes Lernen

Anforderung:

Grundkenntnisse in der Programmierung in Python sind von Vorteil

Zusatzinfo: 

Folgendes muss von den Teilnehmenden im Vorfeld installiert werden:

• Python (mind. Version 3.10+)
• Eine Python IDE (z. B. PyCharm oder VSCode)
• Genügend Host-Rechte, um Pakete mit pip installieren zu können