Inhalte des Fachs

1.    Installation von Python, Git und Erstellung eines GitHub-Profils. Weitere Anweisungen werden zu Beginn des Semesters folgen.
2.    Einführung in die Programmierung mit Python: Listen, Strings, Dictionaries, Schleifen, Funktionen, Grundlagen der objektorientierten Programmierung.
3.    Vektorisierte Berechnungen und Arrays: die Grundlagen von numpy.
4.    Pandas zum Laden, Bereinigen und Aufbereiten von Daten.
5.    Visualisierung von Daten (Liniendiagramme, Balkendiagramme, Streudiagramme, usw.) mit matplotlib und plotly.
6.    Datengestützte Entscheidungen treffen: die lineare und logistische Regression mit Scikit-Learn.
7.    Wie man die Analyse effektiv kommuniziert. Darstellung und Präsentation der Datenergebnisse.

Qualifikationsziele des Fachs

Ziel des Kurses ist es, den Studierenden eine Einführung in der Programmiersprache Python für die Data Analytics (deutsch Datenanalyse) zu bieten. Mit dem Begriff Data Analytics ist der Prozess der Analyse von Rohdaten gemeint, um aussagekräftige und umsetzbare Erkenntnisse zu erzielen. Zunächst machen sich die Studierenden mit den grundlegenden Werkzeugen der Programmierung in Python vertraut. Die Studierenden lernen den Umgang mit Listen, Strings, Dictionaries, Schleifen und Funktionen in Python. Darüber hinaus werden die Studierenden die grundlegenden Libraries für die Datenarbeit kennenlernen, wie z. B. numpy für das wissenschaftliche Rechnen, pandas für das Data Wrangling (d. h. die Bereinigung und Aufbereitung von Daten) und matplotlib und plotly für die Datenvisualisierung. In einem nächsten Schritt lernen die Studierenden die Regressionsanalyse kennen. Die Regressionsanalyse ist das grundlegende statistische Instrument zur Untersuchung quantitativer Zusammenhänge zwischen Variablen. Die Studierenden lernen, wie man lineare und logistische Regressionen mit scikit-learn durchführt und deren Ergebnisse richtig interpretiert um eine Reihe von empirischen Problemen zu lösen. Die Studierenden setzen dann die erworbenen Kompetenzen bei der Analyse realer Datensätze (z. B. makroökonomische Daten, Finanzdaten) ein. Am Ende des Seminars werden die Studierenden in der Lage sein, kompetent und selbstständig mit Daten zu arbeiten, um statistisch fundierten Erkenntnisse zu gewinnen und zu präsentieren.

Verwendbarkeit des Fachs

Grundlagen für die empirische Arbeit mit Python, einsetzbar z. B. in der Bachelorarbeit. Vorbereitung auf fortgeschrittene Veranstaltungen in Python mit Schwerpunkt Data Analytics und Data Science.

Dieses Modul wird belegt durch folgende Studiengänge: Business Administration, IBAEX, Economics, Wirtschaftsrecht, DFS, Unternehmensgründung und -nachfolge.

Art der Prüfung/ Voraussetzung für die Vergabe von Leistungspunkten

Die Prüfung ist eine kombinierte Prüfungsleistung und setzt sich aus einer schriftlichen Prüfungsleistung in Form eines Gruppenprojekts (bis zu 3 Studierenden) mit einer Gewichtung von 60% und eine mündliche Prüfungsleistung mit einer Gewichtung von 40%. Die schriftliche Prüfungsleistung besteht aus der Entwicklung eines empirischen Projekts in Python, bei dem die Studierenden die im Seminar erworbenen Kompetenzen anwenden müssen. Der von den Studierenden entwickelte Quellcode muss fehlerfrei und auf anderen Rechnern vollständig reproduzierbar sein. Die mündliche Prüfungsleistung besteht aus einer Gruppenpräsentation (10 Minuten pro Person) wo die Studierenden ihre Erkenntnisse präsentieren müssen. Außerdem müssen die Studierenden in der Lage sein, ihren Python-Code kompetent zu beschreiben und technische Fragen zu ihren Programmierentscheidungen zu beantworten.

Literaturangaben und Lernressourcen

Downey, A.B. (2014), Programmieren lernen mit Python. Einstieg in die Programmierung, 2. Auflage, O’Reilly.
McKinney, W. (2022), Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd Edition, O’Reilly. https://wesmckinney.com/book/ 
Zahlreiche weitere Ressourcen sind kostenlos online verfügbar und werden im Laufe des Semesters auf Moodle verlinkt.

Lehr- und Lernformen

Die Lehrveranstaltung besteht aus Präsentationen des Dozenten und anwendungsbezogenen Lerneinheiten. Übungsaufgaben werden von TeilnehmerInnen an eigenen Laptops (allein oder in kleineren Gruppen) gelöst. Eine aktive Beteiligung an der Lehrveranstaltung ist erwartet.

Voraussetzungen für die Teilnahme

Semester 1-3 abzgl. 15 ECTS

Grundkenntnisse der deskriptiven Statistik und der linearen Regression sind erwünscht, aber nicht notwendig. Es ist keine vorherige Programmierer-fahrung gefragt, aber für eine erfolgreiche Teilnahme am Kurs sind ein starkes Interesse am Programmieren und an der empirischen Arbeit sehr wichtig. Der Kurs ist auf Deutsch, aber ein Großteil der verwendeten Literatur ist nur auf Englisch verfügbar. Gute Englischkenntnisse sind daher erforderlich.