Python in Excel für Datenmanipulation und -analyse

Die Integration von Python in Microsoft Excel eröffnet eine neue Dimension der Datenanalyse und -verarbeitung und ermöglicht es, die Vorteile der leistungsstarken Programmiersprache Python direkt in Ihrer vertrauten Excel-Umgebung zu nutzen. Dieser Kurs bietet eine umfassende Einführung in die Datenvisualisierung und fortgeschrittene Analysetechniken mit Python in Excel. Zum Auftakt machen Sie sich mit Matplotlib vertraut und lernen, verschiedene Darstellungsformen von einfachen Liniendiagrammen bis hin zu komplexen 3D-Diagrammen umzusetzen und anzupassen. Anschließend widmen wir uns Seaborn, einer weiteren wichtigen Python-Bibliothek für Datenvisualisierung. Sie erfahren, wie Sie unter anderem Boxplots, Violinplots, Histogramme und Heatmaps in Excel erstellen.Darüber hinaus betrachten wir reguläre Ausdrücke sowie die Integration von Power Query und Python zur erweiterten Datenmanipulation. Zum Schluss erkunden wir die Möglichkeiten der statistischen Analyse und des maschinellen Lernens mit Python in Excel. Dabei berechnen Sie Korrelationen und wenden lineare Regression sowie Clustering-Techniken an, um Muster in Ihren Daten zu identifizieren.Entdecken Sie die Synergien von Python und Excel in unserer zweiteiligen Kursserie:Python in Excel für Datenmanipulation und -analysePython in Excel für Datenvisualisierung und Machine LearningLänge:  02:51 Stunden Alle Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Datenvisualisierung mit Matplotlib Kapitelüberblick Einfache Plots mit Matplotlib erstellen Liniendiagramm und Konfigurationen Säulen- und Balkendiagramm Streudiagramm Kreisdiagramm 3D-Diagramm Subplot Aufgabe: Datenvisualisierung mit Matplotlib Lösung: Datenvisualisierung mit Matplotlib Quiz: Datenvisualisierung mit Matplotlib Datenvisualisierung mit Seaborn Kapitelüberblick Einführung in Seaborn Boxplot, Violinplot, Boxenplot Stripplot und Swarmplot Histplot, Displot, Jointplot, KDE Scatterplot und Pairplot KDE-Plot und Jointplot Heatmap und Clustermap FacetGrid Aufgabe: Visualisierungen mit Seaborn Lösung: Visualisierungen mit Seaborn Quiz: Datenvisualisierung mit Seaborn Fortgeschrittene Methoden Kapitelüberblick Reguläre Ausdrücke: E-Mails Reguläre Ausdrücke: Währungen Reguläre Ausdrücke: Zahlenwerte Power Query und Python Quiz: Fortgeschrittene Methoden Statistik und Machine Learning Kapitelüberblick Deskriptive Statistik Pearson-Korrelation berechnen Kategoriale Korrelation Lineare Regression als Modell trainieren Prognosen mit dem Modell erstellen Clustering: Datenvorbereitung, Centroids und Cluster Labels Clustering: Visualisierung und Interpretation Quiz: Statistik und Machine Learning Abschluss Fazit und Kursabschluss Über den Trainer:Fabio Basler hat schon zu Beginn seines Studiums eine große Leidenschaft für die Methoden der Statistik und Data Science entwickelt. Über mehrere Semester hinweg konnte er als Tutor zahlreiche Studierende erfolgreich auf ihre Prüfungen und den Berufsalltag vorbereiten. Fabio Basler arbeitet als Datenanalyst in einem großen Industriekonzern. Mit großer Freude am Unterrichten gibt er sein Wissen in Online-Kursen und Seminaren weiter.So lernen Sie mit diesem Videokurs:In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt. Sie können den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquizzes zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle EndgeräteTechnische Voraussetzungen:Für diesen Videokurs wird lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.

Befreien Sie sich aus dem Chaos der riesigen Arbeitsmappen, Tausenden von Formeln und hässlichen VBA-HacksExcel ist nach wie vor ein unverzichtbares Analysetool und hat in den letzten Jahren viele neue Funktionen hinzubekommen, doch die Automatisierungssprache VBA hat sich nicht parallel weiterentwickelt. Viele Excel-Poweruser nutzen daher bereits Python, um Routinearbeiten zu automatisieren. Felix Zumstein zeigt in diesem praktischen Leitfaden erfahrenen Excel-Benutzerinnen und -Benutzern, wie sich Python als Skriptsprache für Excel effizient verwenden lässt.Dieses Buch bietet Ihnen einen schnell zugänglichen Einstieg in Python, sodass Sie direkt in die Praxis starten können:Verwenden Sie Python ohne fortgeschrittene ProgrammierkenntnisseArbeiten Sie mit modernen Tools wie Jupyter-Notebooks und Visual Studio CodeNutzen Sie pandas zum Erfassen, Bereinigen und Analysieren von Daten und ersetzen Sie typische Excel-BerechnungenAutomatisieren Sie mühsame Aufgaben wie die Konsolidierung von Excel-Arbeitsmappen und das Erstellen von Excel-BerichtenSetzen Sie xlwings ein, um interaktive Excel-Tools zu erstellen, die Python als Berechnungsmodul verwendenVerbinden Sie Excel mit Datenbanken und CSV-Dateien und rufen Sie mit Python-Code Daten aus Internetquellen abVerwenden Sie Python als Universalwerkzeug, um VBA, Power Query und Power Pivot zu ersetzenAutor:Felix Zumstein ist der Schöpfer und Betreuer von xlwings, einem beliebten Open-Source-Paket, das die Automatisierung von Excel mit Python unter Windows und macOS ermöglicht. Er organisiert auch die xlwings-Treffen in London und New York City, um eine breite Palette innovativer Lösungen für Excel zu fördern.Als CEO von xltrail, einem Versionskontrollsystem für Excel-Dateien, hat er mit Hunderten von Anwendern gesprochen, die Excel für geschäftskritische Aufgaben verwenden, und ist daher mit den typischen Excel-Anwendungsfällen und -Problemen in verschiedenen Branchen bestens vertraut.Zielgruppe:Excel-Praktiker*innenBusiness-Analyst*innenVBA-Entwickler*innenData ScientistsLeseprobe (PDF-Link)

Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools:• IPython und Jupyter für datenintensive Berechnungen• NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python• Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten• Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings  Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt.

Künstliche Intelligenz ist in aller Munde. Eine Teildisziplin davon ist Machine Learning, das sich als Bestandteil zahlreicher Datenanalyseprojekte fest etabliert hat und durch die Programmiersprache Python und die Bibliothek scikit-learn leicht zugänglich ist.Zahlreiche Machine-Learning-Projekte scheitern an schlechter Datenqualität. In diesem Kurs zeigen Ihnen die Data-Science-Experten Prof. Dr. Stefanie Scholz und Prof. Dr. Christian Winkler, wie Sie die Visualisierungsmöglichkeiten von Python nutzen können, um Daten statistisch zu analysieren und deren Qualität zu überprüfen. Darüber hinaus machen Sie sich mit überwachten und unüberwachten Verfahren des maschinellen Lernens vertraut und lernen, diese mit Python umzusetzen. Schließlich erfahren Sie, wie Sie diese Verfahren geschickt kombinieren können, um in einem echten Projekt interessante Erkenntnisse zu gewinnen.Wenn Sie sich mit dem Thema Machine Learning intensiver befassen möchten und einen praxisnahen Zugang suchen, sind Sie in diesem Kurs genau richtig!Länge: 06:41 Stunden Alle Lektionen im Überblick: Herzlich willkommen zu diesem Kurs Einführung in Python und Jupyter Kapitelüberblick Python und Jupyter als Plattform nutzen Einfache Installation mit Anaconda Alternative: Google Colab Erste Schritte mit Jupyter/Colab Überblick über Basis-Tools: Pandas Überblick über Basis-Tools: Scikit-learn Codequalität Fortschrittsanzeige und Datentransformation Visualisierung Quiz: Einführung in Python und Jupyter Einführung in Machine Learning mit Python Kapitelüberblick Warum Machine Learning? Was ist Machine Learning? Datenakquisition und Daten einladen Basisdaten und Statistik Regression Klassifikation strukturiert Klassifikation unstrukturiert Unüberwachtes Lernen Reinforcement Learning Quiz: Einführung in Machine Learning mit Python Datenvorbereitung und Statistik Kapitelüberblick Einführung Daten und Datenstrukturen Datenqualität (Teil 1) Datenqualität (Teil 2) Vektorisierung strukturiert Vektorisierung unstrukturiert Quiz: Datenvorbereitung und Statistik Unsupervised Learning Kapitelüberblick Dimensionsreduktion Dimensionsreduktion und Datenvisualisierung Clustering Topic-Modelle Performance-Metriken Quiz: Unsupervised Learning Supervised Learning Kapitelüberblick Klassifikation Erfolgsmetriken Regression Multi-Regression Zeitreihen Quiz: Supervised Learning Beispielprojekt: Kombination der Machine-Learning-Verfahren Kapitelüberblick Vorstellung des Use Case Soziale Netzwerke Download Klassifizierung Statistik (Teil 1) Statistik (Teil 2) Statistik (Teil 3) Topic Modeling (Teil 1) Topic Modeling (Teil 2) Sentiment-Analyse Trendvorhersage: Metadaten Trendvorhersage: Topics Quiz: Kombination der Machine-Learning-Verfahren Über die Trainer:Dr. Christian Winkler ist einer der Gründer der datanizing GmbH. Er engagiert sich seit 20 Jahren im Bereich der intelligenten Algorithmen zur Datenverarbeitung sowie des maschinellen Lernens, der Geodatenverarbeitung und Statistik. Dabei setzt er Mining, Netzwerkanalyse, Forum Analytics und Sentiment Analyse ein. Der promovierte Physiker ist gefragter Speaker auf Konferenzen und Autor von Artikeln zu Big Data und KI.Nach ihrer Tätigkeit als Bereichsleiterin für Marketing und Vertrieb befasst sich Prof. Dr. Stefanie Scholz mit KI-gestützter Marketinganalyse und Datenvisualisierung. Neben Data-Driven Marketing und Advanced Analytics steht der praktische Anwendungsbezug verschiedener Machine-Learning-Verfahren für Unternehmen im Fokus ihrer Aktivitäten. Als Professorin für Data Science in Social Economy an der SRH Wilhelm Löhe Hochschule setzt sich Stefanie Scholz aktiv für die Implementierung und Förderung des Citizen-Data-Scientist-Konzepts in unterschiedlichen Institutionen ein.So lernen Sie mit diesem Videokurs:In den Videokursen von heise Academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise Academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Technische Voraussetzungen:Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.