Python Data Visualization («PYTDAT»)

• Vorbereiten und Analysieren von Daten
• Wählen der richtigen Visualisierung für den jeweiligen Use Case
• Kennenlernen der Bandbreite der Python-Visualisierungen
• Erstellen von professionellen und verständlichen Diagramme
• Entwickeln von interaktiven Visualisierungen
• Best Practices für gutes Visual Storytelling

In diesem Kurs lernen Sie, 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 erarbeiten Sie sich die wichtigsten Tools der modernen Datenvisualisierung.

Entdecken Sie Best Practices, erstellen Sie eigene Visualisierungen und heben Sie Ihre 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

Dieser Kurs besticht durch eine Mischung aus angeleiteten Übungen, Theorie und Schaubeispielen sowie Hands-on-Szenarien, angepasst, erweitert oder erstellt durch die Teilnehmenden. Jedes Kapitel wird mit einer Mini-Übung abgeschlossen.

Der Kurs endet mit einer Projektarbeit, welche explorativ und interaktiv ausgelegt wird.

Dieser Kurs richtet sich an alle, die Daten nicht nur analysieren, sondern überzeugend visualisieren wollen:

• Datenanalyst:innen und Data Scientists
• Studierende und Forschende aus allen Fachrichtungen
• Business-Analyst:innen und Controller
• Entwickler:innen mit Interesse an Datenvisualisierung
• Alle, die mit Daten arbeiten und ihre Ergebnisse verständlich kommunizieren möchten

Wir empfehlen den Besuch des folgenden Kurses zur Vorbereitung:

Folgendes muss durch die Teilnehmenden im Vorfeld installiert werden:

• Python (mind. 3.10+)
• Python IDE (PyCharm oder VSCode, etc.)
• Genügend Host-Rechte, um mit pip Pakete zu installieren