Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
Python für Data Science
Logo
Python für Data Science
  • Einführung
  • Arbeitsbereich
    • IPython
      • Starten der IPython-Shell
      • IPython-Beispiele
      • IPython-Magie
      • Shell-Befehle in IPython
      • Unix-Shell
        • Navigieren durch Dateien und Verzeichnisse
        • Dateien und Verzeichnisse erstellen, aktualisieren und löschen
        • Pipes und Filter
        • grep und find
        • Shell-Variablen
      • Objekte anzeigen mit display
      • foo.ipynb
      • Notebooks importieren
      • IPython-Erweiterungen
      • Fehleranalyse
    • Jupyter
    • NumPy
      • Einführung in NumPy
      • ndarray – ein N-dimensionales Array-Objekt
      • dtype
      • Arithmetik
      • Indizierung und Slicing
      • Transponieren von Arrays und Vertauschen von Achsen
      • Universelle Funktionen (ufunc)
      • Array-orientierte Programmierung – Vektorisierung
      • Bedingte Logik als Array-Operationen – where
      • Mathematische und statistische Methoden
      • Methoden für boolesche Arrays
      • Sortieren
      • unique und andere Mengenlogik
      • Dateieingabe und -ausgabe mit Arrays
    • pandas
      • Einführung in die Datenstrukturen von pandas
      • Python-Datenstrukturen in pandas überführen
      • Indexierung
      • Datum und Uhrzeit
      • Daten auswählen und filtern
      • Hinzufügen, Ändern und Löschen von Daten
      • Manipulation von Zeichenketten
      • Arithmetik
      • Deskriptive Statistik
      • Sortieren und Ranking
      • Unterteilen und Kategorisieren von Daten
      • Kombinieren und Zusammenführen von Datensätzen
      • Gruppenoperationen
      • Aggregation
      • Apply
      • Pivot-Tabellen und Kreuztabellen
      • dtype konvertieren
  • Daten lesen, speichern und bereitstellen
    • Offene Daten
    • pandas IO tools
    • Serialisierungsformate
      • Datenserialisierung
      • CSV
        • CSV-Beispiel
      • JSON
        • JSON-Beispiel
      • Excel
      • XML/HTML
        • XML/HTML-Beispiele
        • BeautifulSoup
      • YAML
        • Beispiel
      • TOML
        • Beispiel
      • Pickle
        • Pickle-Beispiele
      • Protocol Buffers (Protobuf)
      • Andere Formate
    • Intake
      • Intake installieren
      • Intake für die Datenwissenschaften
      • Intake-GUI : Erkunden von Daten in einer grafischen Oberfläche
      • Intake für das Data-Engineering
    • httpx
      • httpx-Installation und Beispielanwendung
      • Modul erstellen
    • Dateisysteme
    • Geodaten
    • PostgreSQL
      • Foreign Data Wrappers (FDW)
      • Prozedurale Programmiersprachen
      • DB-API 2.0
      • Psycopg
      • Objektrelationale Abbildung
      • SQLAlchemy
      • Alembic
      • ipython-sql
      • PostGIS
        • PostGIS installieren
        • Optimieren von PostgreSQL für GIS-Datenbankobjekte
        • Laden von Geodaten
      • Datenbank-Sicherheit
      • PostgreSQL-Performance
      • pgMonitor
      • pganalyze
    • NoSQL-Datenbanken
      • Schlüssel-Werte-Datenbanksysteme
      • Spaltenorientierte Datenbanksysteme
      • Dokumentenorientierte Datenbanksysteme
      • Graphdatenbanksysteme
      • Objektdatenbanksysteme
      • XML-Datenbanksysteme
    • Application Programming Interface (API)
      • FastAPI
        • Installation
        • Beispiel
        • Erweiterungen
      • gRPC
        • gRPC-Beispiel
        • gRPC testen
    • Glossar
  • Daten bereinigen und validieren
    • Verwalten fehlender Daten mit pandas
    • Erkennen und Filtern von Ausreißern
    • String-Vergleiche
    • Daten deduplizieren
    • Hypothesis: Property -basiertes Testen
    • TDDA: Test-Driven Data Analysis
    • Datenvalidierung mit Voluptuous (Schemadefinitionen)
    • Normalisierung und Vorverarbeitung
    • Satelitendaten Geostandorten zuordnen
  • Daten visualisieren
  • Performance
    • cProfile/profiling.tracing
    • iPython Profiler
    • scalene
    • tprof
    • Memray
    • Tachyon
    • perflint
    • pandas parallelisieren
    • Dask
    • Einführung in Multithreading, Multiprocessing und async
    • Threading-Beispiel
    • Multi-Processing-Beispiel
    • Threading und Forking kombinieren
    • asyncio Beispiel
  • Produkt erstellen
    • Code verwalten mit Git
      • Arbeitsbereiche
      • Git-Installation und -Konfiguration
      • Mit Git arbeiten
      • Rückblick
      • Git-Tags
      • Git-Verzweigungen
      • Git rebase
      • Änderungen zurücknehmen
      • Git Best Practices
      • Git-Workflows
        • Feature-Branches
        • Deployment und Release Branches
        • Trunk-Based Development
        • Git Flow
        • Merge-Strategien: Merge vs. Squash vs. Rebase
        • Geschichte umschreiben
        • Monorepos und große Repositories
        • Repos aufteilen und zusammenführen
        • CI-freundliche Git-Repos
      • Fortgeschrittenes Git
        • Git Cherry-Pick
        • Regressionen finden mit git bisect
        • Git Notes
        • Git Hooks
          • pre-commit-Framework
          • pre-commit-Skripte
          • Unterstützte Git-Hooks
          • pre-commit in CI-Pipelines
          • Hooks überspringen
          • Vorlage für Git-Repositories
        • Jupyter Notebooks unter Git
        • Shell-Konfiguration und Kommandozeilen-Werkzeuge
        • Stapelverarbeitung
        • Git für Binärdateien
        • Git LFS entfernen
        • Visual Studio Code
          • GitLab VS Code Extension
        • GitLab
          • Rollen, Gruppen und Berechtigungen
          • Merge-Requests
          • GitLab CI/CD
            • GitLab Pages
            • npm-Deployment mit rsync
            • Docker-Container bauen
            • Multi-Arch-Images mit Buildah
            • Migration von GitHub-Aktionen
          • GitLab Package-Registry
        • git-big-picture
        • etckeeper
        • Git-Interna
      • Git-Glossar
    • Daten verwalten mit DVC
      • Projekt erstellen
      • Daten verwalten
      • Pipelines
      • Parametrisierung
      • Versuchsmetriken
      • Experimente
      • Pipelines anzeigen
      • Reproduzieren
      • Vim- und IDE-Integration
      • FastDS
    • Python-Umgebungen
      • uv
        • CI/CD-Pipelines
        • Dependency-Bot
        • Claude Code oder Cursor für uv konfigurieren
        • Python Docker Container mit uv
      • Spack
        • Spack-Installation
        • Kombinatorische Builds
        • Vorteile der Build-Automatisierung
        • Use Case 1: Verwalten kombinatorischer Installationen
        • Use Case 2: Python und andere interpretierte Sprachen
        • Zukünftige Features
        • Spack verwenden
        • Environments, spack.yaml und spack.lock
        • Spack Mirrors
    • Erstellen von Programmbibliotheken und -paketen
    • Dokumentieren
    • Lizenzieren
    • Zitieren
      • Daten zitieren
      • Software zitieren
        • Erstellen eines DOI mit Zenodo
        • CodeMeta
        • Citation File Format
        • Git2PROV
        • HERMES
      • Software-Journale
    • Testen
    • Logging
    • Code-Qualität und Komplexität überprüfen und verbessern
      • Code-Smells
      • flake8
      • Mypy
      • Pytype
      • Wily
      • Pystra
      • Pysa
      • check-manifest
      • Ruff
      • Black
      • isort
      • prettier
      • Rope
    • Sicherheit
  • Web-Applikationen erstellen
  • Stichwortverzeichnis
Back to top
View this page

Arbeitsbereich¶

Das Einrichten des Arbeitsbereichs umfasst das Installieren und Konfigurieren von IPython und Jupyter mit nbextensions und ipywidgets sowie NumPy.

Next
IPython
Previous
Einführung
Copyright © 2019–2025, Veit Schiele
Made with Sphinx and @pradyunsg's Furo
Last updated on 27.04.2026