Datenvisualisierung mit Jupyter-Notebooks, Teil 2
In Bezug setzen
Jupyter-Notebooks bilden zusammen mit Python und pandas das Grundgerüst vieler Data-Science-Analysen. Zusammenhänge zwischen Daten lassen sich hier mit Heatmaps und thematischen Karten erkunden.
Der erste Teil dieser Artikelserie in iX 1/2021 beschäftigte sich mit dem Aufbereiten eines Datensets, das über Transformationen geeignete Daten für beispielhafte Analysen liefert [1]. Um diese Daten zu visualisieren, kamen Zeitreihen, Balkendiagramme, Histogramme, Boxplots und Violinplots zum Einsatz.
In diesem Teil geht es um Korrelationen und Geodaten. Korrelationsanalysen machen Zusammenhänge zwischen Variablen sichtbar. Für die Darstellung eignen sich Heatmaps und Scatterplots. Geodaten sind gut in Form von Karten abzubilden. Das Paket GeoPandas erleichtert die Arbeit mit Geodaten in Python und erweitert die von pandas verwendeten Datentypen, um räumliche Operationen zu ermöglichen.
