Öffnungszeiten anhand von Daten auswählen ist ein praktisches Projekt mit pandas und Matplotlib für Lernende, die Daten bereits einlesen, filtern und gruppieren können. Hilf einem Gemeinschaftshaus, seine Öffnungszeitfenster fair zu vergleichen, und erstelle wiederverwendbare Python-Analysen, vollständige CSV-Tabellen, ein echtes Diagramm und eine Empfehlung auf Grundlage ausreichender Beobachtungen.
Zwei angeleitete Labs führen von einem handgerechneten Beispiel mit gleichen Beobachtungsmöglichkeiten zu fehlenden Beobachtungen, vergleichbaren Raten und einer ausdrücklichen Evidenzregel. Eine eigenständige Challenge überträgt dieselben Methoden auf einen anderen Veranstaltungsort. Jede Einheit beginnt mit eigenen vorbereiteten Daten und einem eigenen Arbeitsbereich.
Was du lernen wirst
Nach diesem Kurs kannst du:
- einen Öffnungsplan mithilfe vollständiger, eindeutiger Schlüssel aus Datum und Zeitfenster mit Beobachtungen verknüpfen;
- geschlossene Stunden, fehlende Aufzeichnungen und echte Besucherzahlen von null unterscheiden;
- geplante Stunden, beobachtete Stunden, Aufzeichnungsabdeckung und Besucher pro beobachteter Stunde berechnen;
- veröffentlichte Zulässigkeitsgrenzen anwenden, alle gleichauf liegenden Spitzenwerte behalten und bei unzureichender Evidenz eine Empfehlung aufschieben;
- reproduzierbare CSV-Tabellen und Diagramme für Gesamtsummen und Raten mit sichtbaren Beobachtungszahlen und Abdeckungen liefern;
- erklären, warum beschreibende historische Raten die Wirkung längerer Öffnungszeiten nicht belegen.
Für wen dieser Kurs geeignet ist
Dieser Kurs richtet sich an angehende Datenanalysten, die bekannte Gruppierungs- und Diagrammwerkzeuge für eine sorgfältige praktische Entscheidung einsetzen möchten.
Voraussetzungen: Python-Grundlagen, einfache Terminaleingaben, CSV-Einlesen, Filtern und Gruppieren mit pandas sowie Balkendiagramme mit Matplotlib. Der Kurs vermittelt die nötige Verknüpfung über zusammengesetzte Schlüssel, die Bedeutung fehlender Daten und die Entscheidungsregeln.
Lernumgebung: Eine vorbereitete WebIDE im Browser mit Python, pandas und Matplotlib. Die Daten sind synthetisch; Beschriftungen und Ausgaben der Laufzeitumgebung bleiben auf Englisch. Eine lokale Installation ist nicht erforderlich.
Häufig gestellte Fragen
Brauche ich maschinelles Lernen oder Statistik?
Nein. Du führst einen beschreibenden Vergleich durch, trainierst kein Modell und machst keinen Signifikanztest.
Muss das Ergebnis ein einziges bestes Zeitfenster empfehlen?
Nein. Korrekte Ergebnisse behalten alle Gleichstände und dürfen eine Empfehlung aufschieben, wenn kein Zeitfenster die angegebene Evidenzregel erfüllt. Die Schwellen sind Übungsregeln, keine allgemeingültigen Vertrauensgarantien.
Was kann ich behalten?
Wiederverwendbare Skripte, vollständige Tabellen nach Stunde und Zeitfenster, ein echtes PNG-Diagramm und einen kurzen Rat; die Originaldaten bleiben erhalten. Jede Einheit wird unabhängig initialisiert und benötigt keine Dateien aus einer früheren VM.
