Seminar JupyterLab – Intensivseminar Datenanalyse und produktive Notebooks

Inhaltsverzeichnis

Beschreibung

Dieses Intensivseminar verbindet die Inhalte der Fachseminare zu JupyterLab-Grundlagen, Datenanalyse, Visualisierung, Git und Tests sowie automatisierten Berichten. Eine gemeinsame Fallstudie begleitet alle Themen: Aus fehlerbehafteten Ausgangsdaten entsteht eine dokumentierte Analyse mit interaktiver Ansicht und wiederholbarem Berichtslauf. Die Übungen bauen aufeinander auf und vermeiden wiederholte Einführungsschritte.

Die Verdichtung setzt sichere Python-Kenntnisse sowie erste Erfahrungen mit pandas und Git voraus. Notebook-Bedienung wird gezielt aufgefrischt; Zeit steht vor allem für die Verbindung der Arbeitsschritte zur Verfügung. Ein klar begrenztes Dashboard, ein parametrisierter Bericht und eine überprüfte Repository-Struktur bilden den praktischen Umfang. Für zusätzliche Datentypen, vertiefte Konfliktbearbeitung oder umfangreiche Widget-Anwendungen bleiben die Fachseminare die passende Ergänzung.

Lernziele

• Einen vollständigen Analyseablauf mit überprüfbaren Eingaben und reproduzierbarer Ausführung entwickeln.
• Bereinigung, Kennzahlen und Visualisierung in einer verständlichen Notebook-Struktur verbinden.
• Ein kleines interaktives Dashboard und einen automatisierten Bericht aus derselben fachlichen Logik ableiten.
• Änderungen versionieren, Kernberechnungen testen und einen unabhängigen Projektlauf prüfen.

Zusammengefasste Fachseminare

• JupyterLab – Grundlagen und sichere Notebook-Praxis
• JupyterLab – Datenanalyse mit Python und pandas
• JupyterLab – Visualisierung, Widgets und Voilà
• JupyterLab – Git, Tests und reproduzierbare Notebooks
• JupyterLab – Notebooks automatisieren und Berichte erstellen

Seminarinhalte

1. Arbeitsumgebung und Notebook-Disziplin
2. Datenimport und Qualität
3. Analyse und fachliche Interpretation
4. Interaktive Darstellung
5. Versionierung und gemeinsame Arbeit
6. Tests und reproduzierbare Ausführung
7. Automatisierte Berichte
8. Integriertes Analyseprojekt

Arbeitsumgebung und Notebook-Disziplin

• Oberfläche, Kernelzustand und Dateiverwaltung gezielt auffrischen.
• Projektstruktur und dokumentierte Paketumgebung für die Fallstudie anlegen.
• Vertrauensstatus, Zugangsdaten und vollständige Neuausführung berücksichtigen.

Datenimport und Qualität

• Mehrere tabellarische Eingabebestände einlesen und deren Struktur prüfen.
• Fehlende Werte, Dubletten und uneinheitliche Datentypen nach Regeln bereinigen.
• Kontrollsummen und fachliche Plausibilitätsprüfungen in den Ablauf aufnehmen.

Analyse und fachliche Interpretation

• Bestände kontrolliert verknüpfen und Zuordnungsfehler sichtbar machen.
• Gruppierungen, zeitbezogene Kennzahlen und passende Tabellenstrukturen erstellen.
• Die Ergebnisse mit einfachen, korrekt beschrifteten Diagrammen untersuchen.

Interaktive Darstellung

• Auswertungsfunktionen mit überschaubaren ipywidgets-Bedienelementen verbinden.
• Ungültige Eingaben und leere Treffermengen behandeln.
• Das begrenzte Dashboard mit Voilà bereitstellen und den Kernelbedarf einordnen.

Versionierung und gemeinsame Arbeit

• Änderungen in Git nachvollziehbar ablegen und sensible Ausgaben ausschließen.
• Einen Notebook-Vergleich mit nbdime und eine Jupytext-Paarung erproben.
• Einen vorbereiteten Konflikt kontrolliert bearbeiten und Review-Regeln anwenden.

Tests und reproduzierbare Ausführung

• Zentrale Berechnungen in Funktionen auslagern und mit pytest prüfen.
• Ein Notebook in einer frischen Sitzung vollständig ausführen.
• Einen vorbereiteten CI-Prüfschritt mit definierten Abbruchkriterien ergänzen.

Automatisierte Berichte

• Einen Parametersatz mit Papermill verarbeiten und ausgeführte Notebooks aufbewahren.
• HTML-Berichte mit nbconvert erzeugen und Ergebnisse nachvollziehbar benennen.
• Einen geplanten Lauf sowie einen Fehler- und Wiederholungsfall testen.

Integriertes Analyseprojekt

• Das gesamte Projekt von den Rohdaten bis zum Bericht eigenständig vervollständigen.
• Dashboard, Tests, Repository und Zeitsteuerung mit derselben Berechnungslogik verbinden.
• Einen zweiten Eingabestand verarbeiten und den Projektstand in einer frischen Umgebung prüfen.

Praktische Übungen

1. Ein Repository mit Umgebung, Beispieldaten und einer klaren Notebook-Struktur vorbereiten.
2. Die Daten bereinigen, kontrolliert verbinden und eine fachlich überprüfte Auswertung erstellen.
3. Eine interaktive Ansicht ergänzen und zentrale Berechnungen durch Tests absichern.
4. Das Notebook parameterisieren, mehrere Berichte automatisiert erzeugen und einen Fehlerfall bearbeiten.
5. Den vollständigen Projektstand unabhängig neu ausführen und die Ergebnisse mit Kontrollwerten vergleichen.