Data Carpentry "Python Ecology" @ LSE im Feb. 2020

Dieses Pad dient dem schnellen Austausch von Code-Schnipseln, Links und Notizen

• Erklärung des Datensatzes
• Pandas Cheatsheet: unten auf https://pandas.pydata.org/getting_started.html
• Lesson 09: statt selbst-Coden, vorgegebenen Code mittels # Kommentaren erklären
• KatyHuff.GitHub.io/python-testing (Carpentries-like lesson)
• Carpentries-wide search in your browser
• Daten Lesen Lernen
• Whiteboard-Fotos aus dem Workshop (Nummer im Dateinamen ensprichend der Episode)

ARCHIV: "R & Git"-Carpentry im Okt. 2019

Siehe TIBHannover.GitHub.io/2019-10-08-LSE-Hannover

Datenorganisation …

• https://ndownloader.figshare.com/files/2252083

Do's:

• genau eine Überschrift für jede Spalte
  • Prinzipien wie für Variablennamen
  • nur eine Überschrift für Spalte
• Einheit:
  • entweder in Spaltenname (meist besser)
  • oder in eigene Spalte
  • aber Einheit immer mit angeben
• keine Kommentare (außer dedizierte Kommentarspalte)

…analyse

download.file(url="https://ndownloader.figshare.com/files/2292169",
              destfile = "data_raw/portal_data_joined.csv")

Pandas Tutorial: http://zetcode.com/python/pandas/

Missing Values

Double-Check for missing values (after erasing them…): dataframe.isnull().values.any()

Datenvisualisierung …

• für fehlende Daten (NA): https://naniar.njtierney.com/articles/naniar-visualisation.html oder "missing" in https://cran.r-project.org/web/packages/available_packages_by_date.html suchen
• ggplot Hilfe: https://ggplot2.tidyverse.org/reference/
• Übersicht welche Plottypen für welche Datentypen sinnvoll sind: www.data-to-viz.com
  • Mit Hilfe/Erklärung zu Plottypen
  • plus R und Python Beispielcode
• weitere ggplot-Funktionen & Themes: https://www.ggplot2-exts.org/gallery/

Zeitreihen

• zunächst Zeitreihen von verschiedenen Genttialen Variablen.
• facet_wrap => 1 Variable
• facet_grid => 2 Variablen (Tabelle)
• Korrelationsmatrix: entwerder base-Graphics: plot für data.frame
• oder GGally::ggpairs
• Achsen (x, y, Farbe, …): werden mit scale_* geändert
• knitr: https://yihui.name/knitr/
• knitr/rmarkdown buch: https://bookdown.org/yihui/rmarkdown/

Regression

regression = linear_model.LinearRegression()
regression.fit(x, y)
regression.predict(x)

Alternatively:

regression = linear_model.LinearRegression().fit(X,Y)
regression.predict(X)

(important attributes: coef_, intercept_)

Git

• empfehlenswerter grafischer Client für den Einstieg: https://desktop.github.com/ (mit eingebautem Tutorial)
• empfehlenswerte Hilfe-Seiten https://www.atlassian.com/git/tutorials
• Push- & Pull-Lesson auf GitHub/GitLab-"Remotes": https://swcarpentry.github.io/git-novice/ > 7.

Fragen?

• RStudio-Wörterbücher installieren? https://support.rstudio.com/hc/en-us/articles/200551916-Spelling-Dictionaries