Programmierung und Datenanalyse mit Python: Eine Einführung

Author

Prof. Dr. Thomas Mählmann, Lehrstuhl für Banken und Finanzierung, Katholische Universität Eichstätt-Ingolstadt

Published

November 8, 2025

1 Willkommen zu „Programmierung und Datenanalyse mit Python: Eine Einführung“

1.1 Ziel dieses Kapitels

Dieses Eröffnungskapitel hat vier Ziele:

  1. Ihnen einen klaren Überblick über den Zweck und Aufbau des Buches/Tutoriums zu geben.
  2. Die Zielgruppe, ihre Voraussetzungen und erwarteten Lernziele zu benennen.
  3. Hinweise zum praktischen Arbeiten mit den enthaltenen Jupyter-Notebooks, Datensätzen und der technischen Umgebung zu liefern.
  4. Tipps zu weiterführenden Ressourcen und zur effizienten Nutzung des Buches zu geben.

Das Kapitel soll Ihnen helfen, strukturiert und effizient mit den folgenden Kapiteln zu arbeiten — sei es beim Selbststudium, in Lehrveranstaltungen oder in beruflichen Weiterbildungen.

1.2 Für wen ist dieses Buch?

Dieses Buch richtet sich an Einsteiger und Fortgeschrittene, die mit Python arbeiten wollen, um:

  • grundlegende Programmierkonzepte sicher anzuwenden,
  • tabellarische Daten zu analysieren und zu visualisieren,
  • einfache Datenpipelines zu bauen und reproduzierbare Analysen durchzuführen.

Voraussetzungen: Es werden keine tieferen Vorkenntnisse in Programmierung vorausgesetzt. Grundlegende mathematische Kenntnisse (Schulniveau) sind ausreichend. Etwas Erfahrung mit Tabellenkalkulationen (z. B. Excel) ist hilfreich, aber nicht notwendig.

1.3 Was lernen Sie in diesem Buch?

Am Ende des Buches sollten Sie in der Lage sein:

  • Eine Python-Entwicklungsumgebung einzurichten (z. B. Anaconda, JupyterLab).
  • Grundlegende Programmierkonzepte wie Variablen, Datentypen, Kontrollstrukturen und Funktionen sicher anzuwenden.
  • Numerische Berechnungen mit NumPy durchzuführen.
  • Tabellarische Daten mit Pandas zu laden, zu bereinigen, zu transformieren und zu analysieren.
  • Anschauliche Visualisierungen mit Matplotlib und Seaborn zu erstellen.
  • Eine einfache explorative Datenanalyse (EDA) an realen Beispieldaten durchzuführen und die Ergebnisse zu interpretieren.
  • Sauberen, wiederverwendbaren Code zu schreiben und einfache Arbeitsabläufe zu dokumentieren.

1.4 Aufbau und Didaktik

Das Buch ist praxisorientiert aufgebaut. Jedes Kapitel besteht aus drei Teilen:

  1. Kurztheorie: Eine prägnante, intuitive Darstellung der zugrunde liegenden Konzepte.
  2. Codebeispiele: Schritt-für-Schritt-Implementierungen in Jupyter-Notebooks mit ausführlichen Kommentaren.
  3. Fallstudie / Übung: Ein konkretes Beispiel mit realen oder realistisch simulierten Daten, das die Anwendung der zuvor gezeigten Methoden demonstriert.

Auf diese Weise möchten wir sicherstellen, dass Sie nicht nur verstehen, warum etwas funktioniert, sondern vor allem wie Sie es praktisch anwenden.

1.5 Technische Voraussetzungen & Installation

1.5.1 Empfohlene Umgebung

  • Anaconda (empfohlen) oder Miniconda: einfache Verwaltung von Python-Versionen und Paketen.
  • JupyterLab oder Jupyter Notebook als interaktive Arbeitsumgebung.

1.5.2 Empfohlene Pakete

Installieren Sie die Pakete idealerweise in einer separaten Conda-Umgebung:

conda create -n pydata python=3.10 -y
conda activate pydata
conda install -c conda-forge jupyterlab pandas numpy matplotlib seaborn scikit-learn -y

Optional:

  • statsmodels für Zeitreihen- und Regressionsanalysen
  • plotly für interaktive Visualisierungen
  • jupyter_contrib_nbextensions für produktivitätssteigernde Erweiterungen

1.6 Arbeitsweise & Best Practices

  • Kleine Schritte: Führen Sie Code-Zellen schrittweise aus und prüfen Sie die Zwischenergebnisse.
  • Reproduzierbarkeit: Dokumentieren Sie alle Datenquellen und verwendeten Paketversionen.
  • Kommentierter Code: Schreiben Sie kurze, erklärende Kommentare — sie sind wertvoll beim späteren Nachvollziehen.
  • Backups: Speichern Sie wichtige Notebooks regelmäßig; GitHub oder persönliche Cloudlaufwerke sind hilfreich.

1.7 Weiterführende Ressourcen

1.8 Abschlusswort

Dieses Buch begleitet Sie vom ersten Kontakt mit Python bis hin zu einer vollständigen, reproduzierbaren explorativen Datenanalyse. Arbeiten Sie aktiv mit, probieren Sie Variationen der Beispiele aus und nutzen Sie die Notebooks als Vorlage für eigene Projekte.

Viel Erfolg und Freude beim Lernen!