Summary  
The chapter introduces the two-dimensional DataFrame structure for storing heterogeneous data with labeled rows and columns, and demonstrates how to construct a DataFrame from a dictionary and print it.  

General domain of usage  
Data analysis

Zusammenfassend ist eine `Series` eine **eindimensionale** Datenstruktur, ähnlich einer Liste oder einer Spalte in einer Tabelle. Sie enthält Daten des **gleichen Typs**, wobei jedes Element durch einen **Index** gekennzeichnet ist.

Im Gegensatz dazu ist ein `DataFrame` eine vielseitige **zweidimensionale** Struktur in Pandas, ähnlich einer Tabelle oder einem Spreadsheet, mit Zeilen und Spalten. Es kann Daten **verschiedener Typen** enthalten, wobei jede Spalte als `Series` fungiert. Wie ein Spreadsheet enthält ein `DataFrame` sowohl einen Index als auch Spaltenbeschriftungen, was es ideal für die Verarbeitung großer, strukturierter Datensätze macht.

Um ein `DataFrame`-Objekt zu erstellen, müssen Sie ein `dictionary` in Verbindung mit dem `.DataFrame()`-Konstruktor verwenden.

import pandas as pd
people_data = {'name' : ['Ann', 'Alex', 'Kevin', 'Kate'], 
          'age' : [35, 12, 24, 45]}

people_df = pd.DataFrame(people_data)
print(people_df)

> Hinweis
>
> Wenn Sie explizit angeben möchten, dass die Variable ein DataFrame darstellt, können Sie `df` im Variablennamen einfügen, wie in diesem Beispiel gezeigt (`people_df`).

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist auch darauf ausgelegt, große Datensätze zu verarbeiten, indem sie Datenstrukturen wie DataFrame und Series verwendet. Dies macht sie zu einem unverzichtbaren Werkzeug für Data Science. In diesem Leitfaden lernen Sie eine Reihe von statistischen Funktionen kennen, einschließlich der Berechnung von Korrelationen, Modi, Mediane sowie maximalen und minimalen Werten innerhalb eines Datensatzes. Sie lernen auch, wie man mit fehlenden Werten umgeht und spezifische Werte manipuliert sowie entfernt.

In diesem Abschnitt werden wir die Grundlagen der Series- und DataFrame-Strukturen erkunden. Sie werden auch die Unterschiede zwischen diesen beiden Strukturtypen kennenlernen.

Daten können in verschiedenen Formaten vorliegen, wie CSV, JSON, SQL, HTML und mehr. Mit Pandas sind Sie nicht auf ein einzelnes Format beschränkt – Sie können mit Daten aus einer Vielzahl von Dateitypen arbeiten. In diesem Kapitel konzentrieren wir uns speziell auf die Formate CSV und TXT.

Hier lernen Sie, wie Sie Rohdaten verarbeiten, indem Sie überflüssige Informationen entfernen und Nullwerte in einem Datensatz verwalten.

Datenrahmen

Lösung

Awesome!

Datenrahmen

Lösung

Awesome!