Datenvisualisierung mit Jupyter-Notebooks: Korrelationsanalysen mit Geodaten
Jupyter-Notebooks gehören zum Grundgerüst vieler Data-Science-Analysen. Zusammenhänge zwischen Daten lassen sich mit Heatmaps und thematischen Karten erkunden.
In diesem Teil geht es um Korrelationen und Geodaten. Korrelationsanalysen machen Zusammenhänge zwischen Variablen sichtbar. Für die Darstellung eignen sich Heatmaps und Scatterplots. Geodaten sind gut in Form von Karten abzubilden. Das Paket GeoPandas erleichtert die Arbeit mit Geodaten in Python und erweitert die von pandas verwendeten Datentypen, um räumliche Operationen zu ermöglichen.
Der bereits im ersten Teil des Artikels genutzte DataFrame von Eurostat stellt neben dem Konsumentenvertrauen noch weitere Indikatoren bereit. Daraus erwächst die Frage, ob diese Indikatoren voneinander unabhängig sind oder ob es eine Beziehung zwischen ihnen gibt.
Das war die Leseprobe unseres heise-Plus-Artikels "Datenvisualisierung mit Jupyter-Notebooks: Korrelationsanalysen mit Geodaten".
Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.
Immer mehr Wissen. Das digitale Abo für IT und Technik.
Nur bis zum 31. Mai: heise+ 1 Jahr für nur 1,90 pro Woche lesen. Unbegrenzter Zugriff auf alle heise+ Artikel inklusive allen Digital-Magazinen.Länger lesen, mehr sparen: heise+ 1 Jahr lang für nur 1,90 € pro Woche lesen und brandaktuelles IT- und Tech-Wissen sichern. Zugriff auf alle heise+ Artikel inklusive der Digital-Magazine. Nur bis zum 31. Mai!