Zum Inhalt

Python for Data Analysis (2. Auflage)

Autor: Wes McKinney | Jahr: 2017 | Verlag: O'Reilly Media

Kernthesen

  1. Pandas ist das zentrale Werkzeug für strukturierte Datenanalyse in Python — der Autor hat es selbst entwickelt und erklärt es auf höchstem Niveau.
  2. NumPy ist das Fundament: Effiziente N-dimensionale Arrays ermöglichen vektorisierte Operationen ohne langsame Python-Schleifen.
  3. Data Wrangling (Bereinigen, Transformieren, Aggregieren) nimmt 80% der Analysearbeit in Anspruch — daher ist Pandas-Kompetenz entscheidend.
  4. Zeit-Reihenanalyse ist eine Kernstärke von Pandas — ideal für Finanzmarktdaten mit DatetimeIndex, resample(), rolling().
  5. Jupyter/IPython ermöglicht explorative, iterative Datenanalyse — der interaktive Arbeitsablauf ist Grundlage moderner Datenwissenschaft.

Methoden & Konzepte

  • DataFrame und Series: Kern-Datenstrukturen — tabellarische und eindimensionale Daten
  • GroupBy / Aggregation: Split-Apply-Combine für komplexe Gruppenanalysen
  • merge() / join(): SQL-ähnliches Zusammenführen von Datensätzen
  • pivot_table(): Kreuztabellen und Aggregation nach mehreren Dimensionen
  • Time Series: resample(), rolling(), shift() — Frequenzkonversion und gleitende Statistiken
  • Missing Data Handling: dropna(), fillna(), interpolate()
  • matplotlib Integration: Direkte Visualisierung aus DataFrame

Schlüsselzitate

"The pandas library is the primary focus of this book, and it is designed to make the job of exploring, cleaning, and analyzing data much easier."

Bewertung

Für den Trader/Investor: Das Standardwerk für Finanzmarkt-Datenanalyse mit Python. Pandas Rolling-Windows, Resampling und TimeSeriesIndex sind direkt auf OHLCV-Daten anwendbar. Einzigartiger Beitrag: Geschrieben vom Pandas-Schöpfer selbst — das autoritative Referenzwerk, das zugleich Lehrbuch und Nachschlagewerk ist.