Dash ist ein quelloffenes Framework des Unternehmens Plotly, mit dem sich interaktive Web-Anwendungen für Datenanalysen in Python erstellen lassen, ohne selbst JavaScript zu schreiben. Diagramme, Filter und Schieberegler werden direkt mit Python-Code verknüpft. Typisch sind Dashboards, auf denen Fachabteilungen etwa Umsätze nach Region filtern oder die Vorhersagen eines Machine-Learning-Modells mit eigenen Werten ausprobieren.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenPandas ist eine quelloffene Python-Bibliothek zur Analyse und Bearbeitung tabellarischer Daten, entwickelt ab 2008 von Wes McKinney. Ihr zentrales Objekt, der DataFrame, ähnelt einer Tabelle mit benannten Spalten. Damit lassen sich Daten aus CSV-, Excel- oder Datenbankquellen einlesen, bereinigen, filtern, gruppieren und zusammenführen. Pandas baut auf NumPy auf und ist ein Standardwerkzeug in Datenanalyse, Berichtswesen und der Vorbereitung von Trainingsdaten.
Jupyter Notebook ist eine quelloffene, browserbasierte Anwendung aus dem Projekt Jupyter, in der sich ausführbarer Code, Ergebnisse, Diagramme und erläuternder Text in einem Dokument kombinieren lassen. Notebooks werden in Datenanalyse, maschinellem Lernen, Forschung und Lehre genutzt, weil sich Arbeitsschritte nachvollziehbar dokumentieren und teilen lassen. Am verbreitetsten ist Python. Beispiel: Ein Analyst lädt Verkaufsdaten, bereinigt sie und zeigt die Auswertung direkt darunter als Grafik.
Die explorative Datenanalyse (EDA) ist der erste, offene Blick auf einen Datensatz: Man berechnet Kennzahlen, betrachtet Verteilungen und Diagramme und sucht nach Mustern, Ausreißern und fehlenden Werten – noch ohne feste Hypothese. Sie hilft, Datenqualität einzuschätzen und sinnvolle Fragen für weitere Analysen oder Modelle zu finden. Beispiel: Vor einer Umsatzprognose zeigt die EDA, dass ein Monat wegen einer Systemumstellung unvollständig erfasst wurde.
NumPy ist die grundlegende quelloffene Python-Bibliothek für numerisches Rechnen. Sie stellt mehrdimensionale Arrays sowie schnelle Funktionen für lineare Algebra, Statistik und Zufallszahlen bereit, deren Kern in kompilierter Sprache läuft. Zahlreiche Werkzeuge der Datenanalyse und des maschinellen Lernens, etwa pandas, scikit-learn und viele Visualisierungsbibliotheken, bauen auf NumPy auf. Wer in Python mit Daten arbeitet, nutzt es daher fast immer direkt oder indirekt.
