Erhalten Sie regelmässig Neuigkeiten von mir:

* zeigt einen erforderlichen Eintrag

Zum Betrieb des Newsletters verwendet diese Seite den Dienst von MailChimp, siehe dazu auch die Datenschutzhinweise.

×

Datenanalyse mit Python

Diese Seite enthält Begleitmaterial zu einem Tutorial auf der PyCon DE 2011 Konferenz, siehe auch die Ankündigung auf der Tutorialseite.

Lizenzbestimmungen

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License.

Seiten der Präsentation

Download der Präsentation: PDF-Datei.
Die Seiten der Präsentation wurden in dieser Form während des Tutorials verwendet, allerdings fehlen in diesem Medium die Erklärungen dazu. Deswegen sollten die Folien nicht verwendet werden, um zitierfähige Aussagen und Schlussfolgerungen zu bekommen.


Die Live-Übungen

Downloads

Update!
Download aller Skripte und Datenfiles als Ein gezipptes .tar-File: tutorial.tgz

Die einzelnen Übungen sind unterteilt in unterschiedliche Teilschritte. Die folgenden Dateien enthalten alle Schritte dieser Übungen sowie einige weitere Dateien mit vorbereiteten Helferskripten, die für die einzelnen Übungen gebraucht werden.

Abhängigkeiten

Die folgenden Bibliotheken sind erforderlich:

Die meisten Bibliotheken (mit Ausnahme von pyMinuit) lassen sich am Besten über den Paketmanager der meisten Betriebssysteme installieren. Für pyMinuit ist --- zumindest auf den meisten Systemen --- eine manuelle Installation notwendig. Die Installation von iPython ist nicht notwendig, aber doch zu empfehlen.

Unter Windows ist eine Installation von Python(xy) möglich, es gibt ebenfalls die Enthought Distribution, entweder kommerziell (http://www.enthought.com/products/epd.php) oder frei (http://www.enthought.com/products/epd_free.php).


1. Teil: Die Bibliotheken

Die folgenden einzelnen Skripte sind verfügbar:

2. Teil: Anwendungsfall Markowitz-Portfolios

Die folgenden Hilfskripte stellen Wrapper und Hilfsfunktionen zur Verfügung. Für die folgenden Beispiele sollten diese Pakete immer im aktuellen Verzeichnis liegen:

Die folgenden Programme demonstrieren konkrete Fallbeispiele, die den Einsatz von scipy und numpy zeigen:

  • Fallbeispiel mit 2 Anlagen, Schritt-für-Schritt: example1.py.
  • Fallbeispiel mit 4 Anlagen, Schritt-für-Schritt: example2.py.
  • Anwendung auf reale Kurse:
    Zur Untersuchung der Frage, ob alle unsere Annahmen in den Beispielen realistisch waren, untersuchen wir, ob „echte” Kurse wirklich normalverteilt sind. Echte Kursdaten finden sich hier: realdata.dat und das dazugehörige Skript hier: test_realdata.py.

3. Teil: Anwendungsfall Kernphysik

Die folgenden Beispiele und Anwendungen basieren auf echten Daten von Simulationen im Rahmen der Gittereichtheorie.

  • Schritt-für-Schritt Einführung: basics.py.
  • Zusammenfassung der Ergebnisse aus der Einführung: fithelpers.py.
  • Fitfunktion für F1v(Q2) mittels SSE (Small-Scale-Expansion): sse.py.
  • Daten aus echten Messungen: realdata.dat, basierend darauf eine Schritt-für-Schritt Analyse: formfactors.py.
Email-Newsletter

Bekommen Sie Neuigkeiten zu meinen aktuellen Projekten:

Zum Betrieb des Newsletters verwendet diese Seite den Dienst von MailChimp, der Ihre Anmeldedaten zu einem Server in den USA überträgt. Siehe dazu die Nutzungsbedingungen und die Datenschutzrichtlinien.