Kursvorlage
Data Science Toolbox – Klimadaten & Stadtanalyse
Analyse und Visualisierung von Klimadaten mit Python-Bibliotheken wie pandas, numpy und matplotlib.
Didaktische Zielsetzung
Diese Kursvorlage führt strukturiert in zentrale Arbeitsschritte der Datenanalyse mit Python ein. Im Mittelpunkt stehen das Einlesen und Strukturieren von Datensätzen, die statistische Auswertung von Klimadaten sowie deren grafische Interpretation. Die einzelnen Bausteine bilden den typischen Workflow moderner Datenanalyse ab – von der Datenaufbereitung über Analyse und Visualisierung bis hin zu einfachen Prognosemodellen. Damit unterstützt die Vorlage den Kompetenzaufbau im Bereich datenbasierter Modellierung und Analyse innerhalb des Themenfelds Datenhandling.
Kompetenzschwerpunkte
- Einlesen und Strukturieren von Klimadaten aus CSV-Dateien mit pandas
- Berechnung statistischer Kennzahlen wie Mittelwert, Median, Standardabweichung und Spannweite mit numpy
- Visualisierung von Zeitreihen und Datenverteilungen mit matplotlib
- Transformation von Datensätzen in JSON-Strukturen und Speicherung über REST-APIs
- Analyse von Daten aus Datenbanken durch Umwandlung von JSON in pandas DataFrames
- Untersuchung von Zusammenhängen und Teilmengen von Datensätzen durch Filter und Vergleichsanalysen
- Erstellung einfacher Prognosemodelle mit linearer Regression zur Analyse langfristiger Temperaturtrends
Struktur der Bausteine
Klimadaten aus CSV visualisieren
Einführung in das Laden von Klimadatensätzen aus CSV-Dateien, deren statistische Auswertung und die Visualisierung von Temperaturzeitreihen mit matplotlib.
Temperaturstatistik mit NumPy analysieren
Statistische Analyse von Temperaturdaten durch Berechnung zentraler Kennzahlen und Vergleich der Streuung zwischen mehreren Städten.
Klimadaten in User-DB speichern
Aufbau einer einfachen Datenpipeline durch Umwandlung von CSV-Daten in JSON und Speicherung der Datensätze über eine REST-API in einer Datenbank.
Klimadaten aus User-DB analysieren
Abruf gespeicherter Klimadatensätze über eine REST-Schnittstelle, Umwandlung in DataFrames und statistische Analyse mit anschließender Visualisierung.
Erweiterte Klimadaten-Visualisierung
Analyse und grafische Darstellung von Klimadaten mit verschiedenen Diagrammtypen zur Untersuchung von Zeitreihen und Zusammenhängen.
Temperaturtrend mit Linearer Regression
Einführung in Machine-Learning-Grundlagen durch Training eines linearen Regressionsmodells zur Analyse langfristiger Temperaturtrends.
Inhalte im Überblick
| Baustein | Schwerpunkt | Dauer |
|---|---|---|
| Klimadaten aus CSV visualisieren | CSV-Klimadaten laden, DataFrame analysieren, Mittelwerte berechnen und Temperaturzeitreihen visualisieren. | 60 min |
| Temperaturstatistik mit NumPy analysieren | Statistische Kennzahlen berechnen, Temperaturverteilungen vergleichen und Streuung mit Boxplots visualisieren. | 60 min |
| Klimadaten in User-DB speichern | CSV-Daten in JSON umwandeln und über REST API in der CodeRoom User-DB speichern. | 60 min |
| Klimadaten aus User-DB analysieren | Daten über REST API laden, in DataFrames umwandeln und statistisch auswerten. | 60 min |
| Erweiterte Klimadaten-Visualisierung | Klimadatensätze filtern und mit Linien-, Balken- und Streudiagrammen visualisieren. | 60 min |
| Temperaturtrend mit Linearer Regression | Temperaturtrend analysieren, lineares Regressionsmodell trainieren und Prognosen visualisieren. | 70 min |
Die klar gegliederten Bausteine ermöglichen eine schrittweise Einführung in Datenanalyse, statistische Auswertung und Visualisierung und lassen sich flexibel in Unterrichtsreihen integrieren.
Nutzen Sie den Demo-Zugang, um die Vorlage zu erproben und einzelne Analyse- oder Visualisierungsschritte an Ihre Lerngruppe anzupassen.