Was ist Pandas in Python?

Posted onAutorMartin Grellmann

Pandas ist eine Open-Source-Bibliothek, die in der Programmiersprache Python geschrieben ist und die leistungsstarke, flexible und einfach zu verwendende Datenstrukturen bereitstellt. Python ist eine der beliebtesten Programmiersprachen der Welt und bekannt für ihre einfache Lesbarkeit und Vielseitigkeit, was sie perfekt für Anfänger und Experten gleichermaßen macht.

Inhaltsverzeichnis

Die Pandas-Bibliothek ist speziell für die Datenanalyse und -manipulation konzipiert. Das bedeutet, dass sie dir hilft, Daten zu verstehen, zu reinigen und darauf aufzubauen. Pandas bietet eine einfache Möglichkeit, mit “DataFrames” zu arbeiten, die du dir als Tabellen vorstellen kannst, ähnlich wie in Excel. Diese DataFrames sind sehr flexibel und erlauben es dir, mit Daten in Python auf eine sehr intuitive Weise zu arbeiten.

Ein großartiges Feature von Pandas ist, dass es sehr gut mit anderen Python-Bibliotheken zusammenarbeitet. Zum Beispiel, wenn du grafische Darstellungen von deinen Daten erstellen möchtest, kannst du Pandas problemlos mit Matplotlib oder Seaborn, zwei weit verbreitete Grafikbibliotheken in Python, kombinieren.

Aber was macht Pandas so besonders? Im Grunde genommen macht Pandas das Arbeiten mit Daten in Python so einfach wie möglich. Es nimmt viele der komplexeren Aspekte der Datenverarbeitung und -analyse auf sich und ermöglicht es dir, dich auf das Wesentliche zu konzentrieren: die Daten selbst und was sie dir sagen.

Daher ist Pandas ein unverzichtbares Werkzeug für jeden, der in der Welt der Datenanalyse, des Maschinenlernens, der Datenwissenschaft oder in jedem anderen Bereich, in dem Daten eine Rolle spielen, arbeitet oder arbeiten möchte. Es ist nicht übertrieben zu sagen, dass Pandas einer der Hauptgründe dafür ist, dass Python eine so wichtige Sprache in diesen Bereichen geworden ist.

Obwohl Pandas eine leistungsstarke Bibliothek ist, bleibt sie dennoch zugänglich und benutzerfreundlich, was sie zu einem idealen Einstiegspunkt für Anfänger in der Datenverarbeitung und -analyse macht.

Warum wir Pandas verwenden

Pandas ist ein unverzichtbares Werkzeug in der Datenanalyse und im Datenmanagement. Es bietet zahlreiche Funktionen, die das Arbeiten mit Daten in Python effizient und effektiv machen. Aber warum sollten wir Pandas verwenden? Hier sind einige Gründe:

  1. Handhabung großer Datensätze: Pandas ist in der Lage, große Mengen von Daten zu verarbeiten und zu analysieren. Diese Fähigkeit ist besonders wichtig in der heutigen Welt, in der Daten in unglaublicher Geschwindigkeit generiert werden.
  2. Flexible Datenstruktur: Pandas bietet zwei Hauptdatenstrukturen – die Series und den DataFrame. Diese Strukturen sind sowohl flexibel als auch intuitiv und erleichtern das Arbeiten mit Daten.
  3. Effiziente Datenmanipulation: Mit Pandas kannst du Daten auf vielfältige Weise manipulieren, z.B. Datensätze sortieren, filtern, zusammenführen, umbenennen, transformieren und vieles mehr. Du kannst auch fehlende Daten behandeln und statistische Analysen durchführen.
  4. Integration mit anderen Bibliotheken: Pandas integriert sich nahtlos mit vielen anderen Python-Bibliotheken wie Matplotlib, Seaborn, Numpy, Scipy und vielen mehr. Das macht es zu einem zentralen Bestandteil des Python-Ökosystems für die Datenanalyse.
  5. Import und Export verschiedener Datenformate: Pandas kann eine Vielzahl von Dateiformaten lesen und schreiben, einschließlich CSV, Excel, SQL-Datenbanken, JSON und viele mehr. Dies ist besonders nützlich, wenn du mit unterschiedlichen Datenquellen arbeitest.
  6. Leistung: Pandas ist für seine Leistung und Effizienz bekannt. Es ist in der Lage, Operationen schnell auszuführen, auch auf großen Datensätzen.

Zusammengefasst ist Pandas eine leistungsstarke, vielseitige und effiziente Bibliothek für die Datenverarbeitung und -analyse in Python. Sie bietet eine umfangreiche Palette an Funktionen, die es dem Benutzer ermöglichen, die Kontrolle über seine Daten zu übernehmen und aus ihnen wertvolle Informationen und Erkenntnisse zu gewinnen. Es ist kein Wunder, dass es eines der am häufigsten verwendeten Werkzeuge in der Datenwissenschaft ist.

Installation von Pandas

Bevor du mit Pandas arbeiten kannst, musst du es zuerst auf deinem Computer installieren. Die Installation ist einfach und unkompliziert. Da Pandas eine Python-Bibliothek ist, benötigst du natürlich Python auf deinem Computer.

Python und Pandas sind auf den meisten Linux-Distributionen und MacOS standardmäßig vorinstalliert. Bei Windows kann es notwendig sein, sie manuell zu installieren. Ich werde dir zeigen, wie du Python und Pandas auf deinem System installieren kannst.

  1. Installation von Python: Python kannst du von der offiziellen Python-Website herunterladen und installieren: https://www.python.org/downloads/. Wähle die für dein Betriebssystem geeignete Version. Achte darauf, dass du während der Installation Python zur PATH-Umgebungsvariable deines Systems hinzufügst.
  2. Installation von Pandas: Nachdem Python installiert ist, kannst du Pandas mithilfe von pip installieren, dem Paket-Manager für Python. Öffne deine Konsole oder dein Terminal und gib den folgenden Befehl ein: pip install pandas Dieser Befehl sagt pip, dass es das Pandas-Paket aus dem Python Package Index (PyPI) herunterladen und auf deinem System installieren soll.

Das ist es schon! Jetzt hast du Python und Pandas auf deinem Computer installiert und bist bereit, damit zu arbeiten.

Um zu überprüfen, ob die Installation erfolgreich war, kannst du Python starten (indem du einfach “python” in dein Terminal oder deine Konsole eingibst) und versuchen, Pandas zu importieren:

import pandas as pd

Wenn du keinen Fehler siehst, wurde Pandas erfolgreich installiert und du kannst mit der Datenanalyse beginnen!

Hauptkomponenten von Pandas: Series und DataFrame

Die beiden Hauptkomponenten von Pandas sind die Series und der DataFrame. Beide sind unglaublich flexibel und leistungsfähig, wodurch das Arbeiten mit Daten in Python sehr effizient und intuitiv wird.

  1. Series: Eine Series in Pandas ist ein eindimensionales Array, das fähig ist, jeden Datentyp (integers, strings, floating point numbers, Python objects, etc.) zu halten. Eine einfache Art, darüber nachzudenken, ist, eine Series als eine einzelne Spalte in einer Tabelle zu betrachten. Jede Series hat einen Index, den du dir als Etiketten für die einzelnen Elemente vorstellen kannst. Der Index gibt dir eine leistungsstarke und flexible Möglichkeit, auf Daten zuzugreifen und sie zu manipulieren.
  2. DataFrame: Ein DataFrame ist eine zweidimensionale Datenstruktur. Du kannst dir einen DataFrame als eine Tabelle vorstellen, ähnlich wie eine Excel-Tabelle. Er besteht aus einer Reihe von Series, die den Spalten entsprechen und denselben Index teilen. Der DataFrame ist die am häufigsten verwendete Komponente in Pandas und bietet eine Vielzahl von Funktionen, um Daten zu verarbeiten und zu analysieren.

Eines der Schlüsselelemente von Pandas ist seine Fähigkeit, Daten auf verschiedene Weise zu indizieren und auszuwählen. Du kannst beispielsweise Daten nach ihrer Position auswählen (ähnlich wie in einem Array), nach ihrem Index (wie bei einem Dictionary) oder sogar mit Bedingungen (wie du es vielleicht aus SQL kennst).

Zusätzlich ermöglicht Pandas auch komplexe Manipulationen und Transformationen der Daten. Du kannst beispielsweise Spalten oder Zeilen hinzufügen oder löschen, Daten nach bestimmten Werten sortieren oder filtern, Daten gruppieren und aggregieren, um Zusammenfassungen zu erstellen, und vieles mehr.

Eines der besten Dinge an Pandas ist, dass all diese Operationen sehr effizient sind, auch bei großen Datenmengen. Dies macht Pandas zu einem sehr leistungsfähigen Werkzeug für die Datenanalyse und -verarbeitung in Python.

Zusammenfassend bieten die Series und der DataFrame in Pandas eine leistungsstarke und flexible Grundlage, um mit Daten in Python zu arbeiten. Sie ermöglichen eine breite Palette von Operationen, die von einfachen Zugriffen und Änderungen bis hin zu komplexen Analysen und Transformationen reichen.

Grundlegende Operationen mit Pandas

Pandas bietet eine Vielzahl von Funktionen für die Datenmanipulation und -analyse. Hier sind einige der grundlegenden Operationen, die du mit Pandas durchführen kannst:

  1. Daten erstellen: Du kannst mit Pandas ganz einfach Daten erstellen. Für eine Series, die eine eindimensionale Datenstruktur ist, könntest du zum Beispiel den folgenden Code verwenden: import pandas as pd s = pd.Series([1, 3, 5, np.nan, 6, 8]) Ein DataFrame, der eine zweidimensionale Datenstruktur ist und mehrere Spalten haben kann, könnte so erstellt werden: df = pd.DataFrame({ 'A': pd.Timestamp('20230102'), 'B': pd.Series(1, index=list(range(4)), dtype='float32'), 'C': np.array([3] * 4, dtype='int32'), 'D': pd.Categorical(["test", "train", "test", "train"]), 'E': 'foo' })
  2. Daten anzeigen: Mit Pandas kannst du deine Daten auf verschiedene Weisen anzeigen. Du kannst zum Beispiel die ersten oder letzten Zeilen deines DataFrames mit den Funktionen head() und tail() anzeigen. Du kannst auch die Indexe, Spalten und den Inhalt deines DataFrames mit den Funktionen index, columns und values anzeigen.
  3. Daten beschreiben: Mit der Funktion describe() kannst du ein statistisches Resümee deines DataFrames erhalten, einschließlich Durchschnitt, Median, Minima und Maxima, und vieles mehr.
  4. Daten sortieren: Du kannst deine Daten nach den Werten einer bestimmten Spalte oder nach dem Index sortieren.
  5. Daten auswählen: Pandas ermöglicht es dir, bestimmte Daten aus deinem DataFrame auszuwählen. Du kannst zum Beispiel eine einzelne Spalte, mehrere Spalten, bestimmte Zeilen oder Daten, die eine bestimmte Bedingung erfüllen, auswählen.
  6. Daten ändern: Du kannst die Daten in deinem DataFrame ändern. Du kannst zum Beispiel neue Spalten hinzufügen, bestehende Spalten ändern oder löschen, oder bestimmte Werte ändern.
  7. Daten zusammenfügen: Mit Pandas kannst du mehrere DataFrames zusammenfügen, entweder indem du sie nebeneinander stellst oder indem du sie aneinander hängst.
  8. Fehlende Daten behandeln: Pandas bietet verschiedene Funktionen, um fehlende Daten zu behandeln. Du kannst zum Beispiel fehlende Werte ignorieren, sie durch andere Werte ersetzen, oder die Zeilen oder Spalten, die sie enthalten, löschen.

Dies sind nur einige der grundlegenden Operationen, die du mit Pandas durchführen kannst. Pandas bietet noch viele weitere Funktionen, die es dir ermöglichen, deine Daten effektiv zu verwalten und zu analysieren.

Datenimport und -export mit Pandas

In der Datenanalyse ist es oft notwendig, Daten aus verschiedenen Quellen zu importieren und die Ergebnisse der Analyse zu exportieren. Pandas erleichtert diese Prozesse durch seine leistungsstarke Funktionalität zum Importieren und Exportieren von Daten.

Datenimport mit Pandas

Pandas unterstützt das Lesen einer Vielzahl von Dateiformaten, sodass du Daten aus vielen verschiedenen Quellen importieren kannst. Einige der unterstützten Formate sind:

  • CSV: pandas.read_csv('pfad/zur/datei.csv')
  • Excel: pandas.read_excel('pfad/zur/datei.xlsx')
  • SQL: pandas.read_sql_query('SQL-Abfrage', Verbindungsobjekt)
  • JSON: pandas.read_json('pfad/zur/datei.json')

In diesen Beispielen ist 'pfad/zur/datei.csv' der Pfad zur Datei, die du lesen möchtest. Das Ergebnis dieser Funktionen ist ein DataFrame, der die Daten aus der Datei enthält.

Datenexport mit Pandas

Ebenso wie du Daten in Pandas importieren kannst, kannst du auch die Ergebnisse deiner Datenanalyse in verschiedene Formate exportieren. Hier sind einige Beispiele:

  • CSV: dein_dataframe.to_csv('pfad/zur/datei.csv')
  • Excel: dein_dataframe.to_excel('pfad/zur/datei.xlsx')
  • JSON: dein_dataframe.to_json('pfad/zur/datei.json')

In diesen Beispielen ist dein_dataframe der DataFrame, den du speichern möchtest, und 'pfad/zur/datei.csv' ist der Pfad zur Datei, die du erstellen möchtest.

Durch den Import und Export von Daten ermöglicht Pandas eine reibungslose Integration mit anderen Teilen deines Datenanalyse-Workflows. Du kannst Daten aus einer Vielzahl von Quellen laden, sie mit Pandas verarbeiten und dann die Ergebnisse in einem Format speichern, das von anderen Werkzeugen oder Personen genutzt werden kann. Dadurch ist Pandas nicht nur ein leistungsfähiges Werkzeug für die Datenanalyse, sondern auch ein wertvolles Werkzeug für die Datenverarbeitung und -manipulation.

Datenreinigung mit Pandas

Datenbereinigung ist ein entscheidender Schritt in der Datenanalyse. Nicht alle Daten, die wir erhalten, sind perfekt. Sie können Lücken, Fehler, Duplikate oder unnötige Informationen enthalten. Die Aufgabe der Datenreinigung besteht darin, diese Probleme zu erkennen und zu beheben, um sicherzustellen, dass die Daten für die Analyse bereit sind. Pandas bietet eine Vielzahl von Funktionen, die diesen Prozess erleichtern.

  1. Behandlung von fehlenden Daten: In realen Datensätzen fehlen oft Daten. Pandas stellt Funktionen wie isnull() und notnull() zur Verfügung, um fehlende Daten zu erkennen. Du kannst fehlende Daten mit der Methode fillna() füllen oder mit dropna() entfernen.
  2. Entfernung von Duplikaten: Duplikate können das Ergebnis einer Datenanalyse verzerren. Mit der Funktion duplicated() kannst du Duplikate erkennen und mit der Funktion drop_duplicates() entfernen.
  3. Datentyp-Konvertierung: Manchmal musst du den Datentyp einer Spalte ändern, um bestimmte Operationen durchführen zu können. Die Methode astype() kann verwendet werden, um den Datentyp einer Spalte in Pandas zu ändern.
  4. Umbenennen und Ersetzen von Werten: Du kannst Spalten in Pandas mit der Methode rename() umbenennen. Die Methode replace() kann verwendet werden, um einen Wert durch einen anderen zu ersetzen.
  5. Outlier-Erkennung und -Behandlung: Outliers, oder Ausreißer, sind Werte, die stark von anderen Werten abweichen. Sie können das Ergebnis einer Datenanalyse beeinflussen. Pandas hat keine integrierte Funktion zur Erkennung von Ausreißern, aber es ist möglich, sie mithilfe statistischer Methoden zu erkennen und zu behandeln.

Durch diese Funktionen ermöglicht Pandas eine effiziente und effektive Datenreinigung. Saubere Daten sind eine Grundvoraussetzung für eine qualitativ hochwertige Datenanalyse, und mit Pandas kannst du sicherstellen, dass deine Daten bereit für die nächsten Schritte sind.

Datenanalyse mit Pandas

Datenanalyse ist der Prozess, durch den wir Muster, Beziehungen und Erkenntnisse aus Rohdaten extrahieren. Pandas ist ein hervorragendes Werkzeug für diese Aufgabe, da es eine Vielzahl von Methoden bietet, um Daten zu erkunden, zu analysieren und zu visualisieren. Hier sind einige der wichtigsten Funktionen zur Datenanalyse in Pandas mit Beispielen:

  1. Deskriptive Statistiken: Mit Pandas kannst du schnell deskriptive Statistiken für deine Daten berechnen. Hierbei handelt es sich um Maße wie Durchschnitt, Median, Min/Max-Werte, Standardabweichung usw. import pandas as pd # Angenommen, wir haben einen DataFrame df mit den Noten der Studenten. df = pd.DataFrame({'Noten': [78, 85, 96, 80, 86]}) print(df['Noten'].mean()) # Durchschnitt print(df['Noten'].median()) # Median print(df['Noten'].std()) # Standardabweichung Diese Funktionen sind sehr nützlich, um einen ersten Einblick in die Daten zu bekommen und zu verstehen, wie sie verteilt sind.
  2. Gruppierung von Daten (GroupBy): Manchmal ist es nützlich, Daten auf der Grundlage bestimmter Kriterien zu gruppieren und dann Berechnungen auf diesen Gruppen durchzuführen. Pandas macht dies mit der Funktion groupby() einfach. # Angenommen, wir haben einen DataFrame df mit den Daten von Studenten. df = pd.DataFrame({ 'Name': ['Anna', 'Tom', 'Anna', 'Tom'], 'Fach': ['Mathematik', 'Mathematik', 'Physik', 'Physik'], 'Noten': [85, 80, 90, 85] }) grouped = df.groupby('Name') print(grouped['Noten'].mean()) # Durchschnittsnoten für jeden Studenten Die groupby()-Methode ist sehr leistungsfähig und ermöglicht es uns, komplexe Aggregationen durchzuführen.
  3. Korrelationen: Korrelationen messen, wie stark zwei Variablen miteinander zusammenhängen. Mit Pandas kannst du die Korrelation zwischen den Spalten deines DataFrames berechnen. # Angenommen, wir haben einen DataFrame df mit verschiedenen Datenpunkten. df = pd.DataFrame({ 'Alter': [23, 24, 25, 26, 27], 'Gehalt': [35000, 36000, 37000, 38000, 39000] }) print(df.corr()) # Korrelationen zwischen den Spalten Korrelationen sind sehr nützlich, um zu verstehen, wie verschiedene Merkmale in unseren Daten miteinander zusammenhängen.

Diese sind nur einige der vielen Funktionen, die Pandas für die Datenanalyse bietet. Mit diesen Funktionen kannst du deine Daten aus verschiedenen Perspektiven verstehen und bedeutungsvolle Erkenntnisse gewinnen.

Anwendungsfälle und Beispiele

Pandas findet breite Anwendung in vielen Bereichen. Hier sind einige Beispiele, um das Potenzial von Pandas zu veranschaulichen:

  • Datenanalyse: Man kann Pandas für die explorative Datenanalyse verwenden. Dies beinhaltet das Bereinigen, Transformieren und Analysieren roher Daten. Pandas hat eingebaute Funktionen, um grundlegende statistische Analysen durchzuführen, Daten zu sortieren, Daten zu gruppieren und vieles mehr. Es kann zum Beispiel zur Analyse von Verkaufsdaten, Benutzeraktivitäten auf einer Website, Umfrageergebnissen, wissenschaftlichen Messdaten und ähnlichen Anwendungen verwendet werden.
  • Datenvisualisierung: Zusammen mit Bibliotheken wie Matplotlib und Seaborn kann Pandas dazu verwendet werden, die Daten zu visualisieren und so Muster, Trends und Beziehungen zu identifizieren. Ob du einfache Liniendiagramme, komplexe Scatterplots oder sogar Heatmaps erstellen möchtest, Pandas kann die Daten effizient und effektiv für diese Bibliotheken vorbereiten.
  • Maschinelles Lernen: In der Welt des maschinellen Lernens sind Daten entscheidend, und Pandas wird oft verwendet, um diese Daten zu verarbeiten und vorzubereiten. Viele maschinelle Lernalgorithmen benötigen Daten in einem bestimmten Format, und Pandas macht das Konvertieren von Daten in dieses Format zum Kinderspiel.
  • Automatisierung: Hast du jemals immer wiederkehrende Aufgaben mit Excel-Tabellen durchgeführt? Mit Pandas kannst du viele dieser Aufgaben automatisieren, wodurch du Zeit sparst und Fehler vermeidest.

Als konkretes Beispiel könnten wir ein Szenario betrachten, in dem ein Unternehmen seine Verkaufsdaten analysieren möchte. Mit Pandas könnten sie leicht die Gesamtverkäufe berechnen, die Durchschnittsverkäufe, die Verkäufe pro Kategorie, und so weiter. Sie könnten diese Daten dann verwenden, um zu sehen, welche Produkte sich gut verkaufen, welche nicht, und um Entscheidungen für die Zukunft zu treffen.

Alternativen zu Pandas

  1. Modin: Modin nutzt Dask und Ray, um die Ausführung von Pandas-Operationen zu beschleunigen. Es ist besonders effektiv für große Datensätze und kann einige Operationen, wie die Erstellung neuer Spalten mit der map-Funktion, deutlich schneller ausführen als Standard-Pandas​​.
  2. PandaPy: PandaPy ist eine schnellere Alternative zu Pandas für kleinere Datensätze (weniger als 50.000 Zeilen, aber möglicherweise bis zu 500.000 Zeilen). Es bietet effizienteren Speicherverbrauch, insbesondere bei gemischten Datentypen. PandaPy kann für allgemeine Spaltenoperationen ähnlich wie Pandas verwendet werden​​.
  3. Numpy: Für einige spezifische Operationen, wie z.B. das Berechnen von Quantilen, kann Numpy effizienter als Pandas sein. Numpy ist in der Regel schneller und kann eine sinnvolle Alternative für bestimmte mathematische Operationen sein​​.
  4. Polars: Polars ist eine leistungsstarke Alternative zu Pandas, die auf Rust und Arrow basiert. Es bietet beeindruckende Geschwindigkeiten bei Datenoperationen wie Filtern, Gruppieren, Selbst-Joins und Fensterfunktionen. Polars ist besonders effizient bei parallelen Operationen und großen Datensätzen​​.
  5. Vaex: Vaex ist eine weitere Alternative, die für die Arbeit mit sehr großen Datensätzen konzipiert ist. Es verwendet lazy evaluation und speichert Daten in einem speicher-effizienten Format, was es ideal für Datensätze macht, die zu groß sind, um ganz in den Speicher geladen zu werden. Vaex ist besonders effizient bei Gruppierungs- und Join-Operationen​​.
  6. DuckDB: DuckDB ist eine eingebettete Datenbank, die sich besonders für analytische Abfragen eignet. Es ist einfach zu installieren und zu verwenden, und es unterstützt SQL-Abfragen direkt auf CSV- oder Parquet-Dateien. DuckDB ist eine gute Wahl, wenn Sie eine SQL-Schnittstelle für die Datenanalyse bevorzugen​​.

Jede dieser Alternativen hat ihre eigenen Stärken und eignet sich am besten für bestimmte Szenarien. Beispielsweise ist Modin ideal für große Datensätze, während PandaPy und Numpy für kleinere Datensätze oder spezielle mathematische Operationen geeignet sind. Polars und Vaex bieten hohe Leistung bei der Arbeit mit großen Datensätzen, und DuckDB ist eine ausgezeichnete Option für diejenigen, die SQL-Abfragen bevorzugen.

Fazit

Pandas ist eine leistungsstarke, flexible und nutzerfreundliche Bibliothek, die zum Standardwerkzeug für die Datenmanipulation und -analyse in Python geworden ist. Sie bietet eine intuitive und effiziente Art und Weise, um Daten zu reinigen, zu analysieren und zu visualisieren. Ob du ein erfahrener Datenwissenschaftler bist oder gerade erst anfängst, in die Welt der Daten einzutauchen, Pandas hat Tools und Funktionen, die dir helfen können, effektiver und effizienter zu arbeiten.

Obwohl es eine gewisse Lernkurve gibt, wie bei jedem leistungsstarken Werkzeug, lohnt sich die Investition. Die Fähigkeit, mit Pandas effektiv arbeiten zu können, ist eine Fähigkeit, die in vielen Berufen und Branchen sehr gefragt ist. Es kann dir helfen, einen Job zu bekommen, besser in deinem aktuellen Job zu werden, oder einfach nur, um deine eigenen Projekte und Ideen zu verwirklichen.

Am wichtigsten ist, dass du durch das Lernen und Verwenden von Pandas in der Lage sein wirst, das volle Potenzial von Daten zu nutzen und sie in aussagekräftige Erkenntnisse und Aktionen zu verwandeln. Und in der heutigen datengetriebenen Welt ist das eine unglaublich wertvolle Fähigkeit.