vault backup: 2026-01-09 12:12:53
This commit is contained in:
@@ -0,0 +1,261 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [x] Jorswiecks Part - doing the intro
|
||||
- [x] Umfrage
|
||||
- [x] Teilnehmer
|
||||
- [x] Studiengang
|
||||
- [x] Semester
|
||||
- [x] 3 CP oder 6 CP
|
||||
- [x] Ratefragen
|
||||
- [x] Strucktur des Kurses
|
||||
- [x] Spielregeln
|
||||
|
||||
![[Einführung.pdf]]
|
||||
|
||||
# Auswertung Umfrage
|
||||
|
||||
## Teilnehmer
|
||||
|
||||
**Bachelor / Master Verteilung**
|
||||
N = 38
|
||||
```chart
|
||||
type: pie
|
||||
id: BMA
|
||||
layout: column
|
||||
width: 40%
|
||||
```
|
||||
|
||||
| Studiengang | Anzahl |
|
||||
| ----------- | ------ |
|
||||
| Bachelor | 34 |
|
||||
| Master | 4 |
|
||||
^BMA
|
||||
|
||||
---
|
||||
**Studiengang**
|
||||
N = 36
|
||||
```chart
|
||||
type: bar
|
||||
id: studiengang
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Studiengang | Anzahl |
|
||||
| ---------------------- | ------ |
|
||||
| MeWi B.A. | 30 |
|
||||
| MeWi M.A. | 1 |
|
||||
| Ingeneurwissenschaften | 1 |
|
||||
| Sonstige | 4 |
|
||||
^studiengang
|
||||
|
||||
---
|
||||
**Semester**
|
||||
N = 37
|
||||
```chart
|
||||
type: bar
|
||||
id: semester
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Semester | Anzahl |
|
||||
| ------------------ | ------ |
|
||||
| Erstes / Zweites | 3 |
|
||||
| Drittes / Viertes | 28 |
|
||||
| Fünftes / Sechstes | 1 |
|
||||
| Siebtes / Achtes | 1 |
|
||||
| Über Neun | 4 |
|
||||
^semester
|
||||
|
||||
---
|
||||
## Wissensfragen
|
||||
**Programmiersprachen**
|
||||
N = 37
|
||||
```chart
|
||||
type: bar
|
||||
id: programmiersprachen
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Programmiersprache | Anzahl |
|
||||
| ------------------ | ------ |
|
||||
| C | 3 |
|
||||
| Brainf**k | 1 |
|
||||
| JavaScript | 18 |
|
||||
| Modula-2 | 0 |
|
||||
| HTML | 15 |
|
||||
^programmiersprachen
|
||||
|
||||
---
|
||||
**Vorlesungs Programmiersprache**
|
||||
N = 37
|
||||
```chart
|
||||
type: bar
|
||||
id: volprog
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Programmiersprache | Anzahl |
|
||||
| ------------------ | ------ |
|
||||
| JavaScript | 0 |
|
||||
| Python | 36 |
|
||||
| R | 0 |
|
||||
| Go | 0 |
|
||||
| Fortran 77 | 1 |
|
||||
^volprog
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: Python</span>
|
||||
|
||||
---
|
||||
**Erfinder Python**
|
||||
N = 38
|
||||
```chart
|
||||
type: bar
|
||||
id: erfinder
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Erfinder | Anzahl |
|
||||
| ----------------- | ------ |
|
||||
| Guido van Rossum | 6 |
|
||||
| Niklaus Wirth | 11 |
|
||||
| Ada Lovelace | 2 |
|
||||
| Alan Turing | 14 |
|
||||
| Katherine Johnson | 5 |
|
||||
^erfinder
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: Guido van Rossum</span>
|
||||
|
||||
---
|
||||
**Vorfreude auf ...**
|
||||
N = 38
|
||||
```chart
|
||||
type: bar
|
||||
id: vorfreude
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Antwort | Anzahl |
|
||||
| --------------------------- | ------ |
|
||||
| Diagramme | 10 |
|
||||
| automatisierte Datenanalyse | 16 |
|
||||
| Karten | 1 |
|
||||
| Dokumentationen | 2 |
|
||||
| Kuchendiagramme | 9 |
|
||||
^vorfreude
|
||||
|
||||
---
|
||||
## Ratefragen
|
||||
**Euler Summe**
|
||||
```python
|
||||
count = 0
|
||||
for i in range(101):
|
||||
count = count + 1
|
||||
print(count)
|
||||
```
|
||||
N = 38
|
||||
```chart
|
||||
type: bar
|
||||
id: euler
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Antwort | Anzahl |
|
||||
| ----------------------------- | ------ |
|
||||
| 7 | 4 |
|
||||
| 550 | 4 |
|
||||
| 5.050 | 4 |
|
||||
| 10.000 | 8 |
|
||||
| 1, 1, 2, 3, 5, 8, 13, 21, ... | 16 |
|
||||
^euler
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: 5.050</span>
|
||||
|
||||
---
|
||||
**String concat**
|
||||
```python
|
||||
message = "Python macht Spaß"
|
||||
print(message[13:17])
|
||||
```
|
||||
N = 37
|
||||
```chart
|
||||
type: bar
|
||||
id: string
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Antwort | Anzahl |
|
||||
| ------- | ------ |
|
||||
| ß apm | 4 |
|
||||
| Spa | 3 |
|
||||
| macht | 4 |
|
||||
| Spaß | 26 |
|
||||
| 0xcaffe | 0 |
|
||||
^string
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: Spaß</span>
|
||||
|
||||
---
|
||||
**List Comprehension**
|
||||
```python
|
||||
print([n*n for n in range(1,6)])
|
||||
```
|
||||
N = 37
|
||||
```chart
|
||||
type: bar
|
||||
id: list
|
||||
layout: row
|
||||
width: 90%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Antwort | Anzahl |
|
||||
| ------------- | ------ |
|
||||
| [1,2,3,4,5] | 4 |
|
||||
| [2,4,8,16,32] | 14 |
|
||||
| [1,4,9,16,25] | 19 |
|
||||
^list
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: [1,4,9,16,25]</span>
|
||||
|
||||
---
|
||||
**JavaScript**
|
||||
```javascript
|
||||
[]+{}
|
||||
```
|
||||
N = 37
|
||||
```chart
|
||||
type: pie
|
||||
id: js
|
||||
layout: row
|
||||
width: 40%
|
||||
beginAtZero: true
|
||||
```
|
||||
|
||||
| Antwort | Anzahl |
|
||||
| ---------------------------- | ------ |
|
||||
| [object Object] | 7 |
|
||||
| Das ist JavaScript... | 1 |
|
||||
| Error: cant add list and set | 26 |
|
||||
^js
|
||||
|
||||
<span style="color:rgb(0, 176, 80)">Richtig: [object Object] & Das ist JavaScript...</span>
|
||||
@@ -0,0 +1,68 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [x] Jupyter erklären
|
||||
- [x] assert statement
|
||||
- [x] Ausgabe - Tutorial 1
|
||||
|
||||
- [x] Print
|
||||
- [x] Kommentare
|
||||
- [x] Datentypen
|
||||
- [x] Integer
|
||||
- [x] Float
|
||||
- [x] Bool
|
||||
- [x] Sequentielle Datentypen
|
||||
- [x] Lists
|
||||
- [x] Dictionarys
|
||||
- [x] Tupel
|
||||
- [x] Sets
|
||||
- [x] Strings
|
||||
- [x] Docstrings
|
||||
- [x] Formatstrings
|
||||
- [x] Conditionals
|
||||
- [x] If-Else
|
||||
- [x] and, or, not
|
||||
- [x] isinstance
|
||||
- [x] While Loops
|
||||
- [x] Funktionen
|
||||
|
||||
-> Foo-Bar
|
||||
-> 99 Bottles of Beer
|
||||
https://www.99-bottles-of-beer.net/
|
||||
https://www.youtube.com/watch?v=FITjBet3dio
|
||||
|
||||
```python
|
||||
beer = 99
|
||||
while beer > -1:
|
||||
print()
|
||||
if beer == 0:
|
||||
print('''
|
||||
No more bottles of beer on the wall, no more bottles of beer.
|
||||
We've taken them down and passed them around;
|
||||
now we're drunk and passed out!
|
||||
''')
|
||||
elif beer == 1:
|
||||
print(beer, "bottle of beer on the wall,", beer, "bottle of beer.")
|
||||
print("Take one down and pass it around, no more bottles of beer on the wall.", end='')
|
||||
else:
|
||||
print(beer, "bottles of beer on the wall,", beer, "bottles of beer.")
|
||||
if beer - 1 == 1:
|
||||
print(f"Take one down and pass it around, {beer - 1} bottle of beer on the wall.")
|
||||
else:
|
||||
print(f"Take one down and pass it around, {beer - 1} bottles of beer on the wall.")
|
||||
|
||||
beer -= 1
|
||||
|
||||
```
|
||||
# Gruppen
|
||||
- MeWi 1 (0/5)
|
||||
- MeWi 2 (0/5)
|
||||
- MeWi 3 (0/5)
|
||||
- MeWi 4 (0/5)
|
||||
- MeWi 5 (0/5)
|
||||
- MeWi 6 (0/5)
|
||||
- DiMuK (0/5)
|
||||
- Ing (0/5)
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Tutorial 1
|
||||
- [ ] Ausgabe - Tutorial 2
|
||||
|
||||
- [ ] For loops - Container Loops
|
||||
- [ ] Zähl loops
|
||||
- [ ] Unterschied zu anderen Programmiersprachen
|
||||
- [ ] range
|
||||
- [ ] len
|
||||
- [ ] _
|
||||
- [ ] über liste loopen
|
||||
- [ ] Dictionarys
|
||||
- [ ] .items
|
||||
- [ ] .values
|
||||
- [ ] .keys
|
||||
- [ ] List Comprehension
|
||||
- [ ] Vergleich mit Mengenlehre
|
||||
- [ ] Dictionary Comprehension
|
||||
- [ ] System Interactionen
|
||||
- [ ] input
|
||||
- [ ] open
|
||||
- [ ] with Context
|
||||
- [ ] Import
|
||||
- [ ] std
|
||||
- [ ] as
|
||||
- [ ] from
|
||||
@@ -0,0 +1,12 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Tutorial 2
|
||||
- [ ] Ausgabe - Extended Applications
|
||||
|
||||
- [ ] Deep Dive Funktionen
|
||||
- [ ] Dataclasses -> Warum wir sonst kein OOP machen
|
||||
- [ ] Built In Module
|
||||
@@ -0,0 +1,14 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Extened Applications
|
||||
- [ ] Ausgabe - MatPlotLib, NumPy
|
||||
|
||||
- [ ] Arrays Allgemein -> Warum ist der erste Index 0
|
||||
- [ ] Warum NumPy
|
||||
- [ ] Random Numbers
|
||||
- [ ] Verschiedene Plots und ihre Wirkung
|
||||
- [ ] Sorting Allgemein
|
||||
@@ -0,0 +1,355 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen MatPlotLib, NumPy
|
||||
- [ ] Ausgabe - SciPy
|
||||
|
||||
- [ ] Bernoulli Distributions
|
||||
- [ ] Binomial Distributions
|
||||
- [ ] Normal Distributions
|
||||
- [ ] Regression
|
||||
|
||||
## Aufgabe - Erster eigener Plot Square Root
|
||||
|
||||
Analog zu voheriger Erklärung plotten Sie im folgenden die Funktion Square Root, Mathematisch definiert als $f(x) = \sqrt x; \quad x \geq 0$.
|
||||
|
||||
Gehen Sie dabei wie folgt vor:
|
||||
|
||||
1. Definieren Sie einen **geeigneten** [Linespace](https://numpy.org/doc/stable/reference/generated/numpy.linspace.html#numpy-linspace) für die Zahlenraum 0...100. (Tipp: Achten Sie auf die Definition! Die Wurzel ist nur für positive Zahlen definiert.)
|
||||
2. Berechnen Sie mittels der Funktion [np.sqrt](https://numpy.org/doc/stable/reference/generated/numpy.sqrt.html#numpy.sqrt) die Werte für die Wurzel.
|
||||
3. Plotten Sie das Ergebnis
|
||||
|
||||
```python
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# geeigneter Linespace für den Zahlenraum 0 bis 100
|
||||
x = np.linspace (0, 100, 500) # 500 Punkte für eine glatte Darstellung
|
||||
|
||||
# Berechnen der Wurzelfunktion
|
||||
y = np.sqrt(x)
|
||||
|
||||
# plotten der Ergebnisse
|
||||
plt.plot(x, y, label="f(x)= √x")
|
||||
plt.title("Plot der Wurzelfunktion")
|
||||
plt.xlabel("x")
|
||||
plt.ylabel("f(x)")
|
||||
plt.grid(True)
|
||||
plt.legend()
|
||||
plt.show()
|
||||
```
|
||||
Alea Schleier
|
||||
|
||||
|
||||
## Aufgabe[¶](https://jupyter2.ifn.ing.tu-bs.de:8000/user/instructor-einfhrung-in-die-prog/formgrader/submissions/14fa26f422cf4db2a97309e97b0bfdbd/?index=16#Aufgabe)
|
||||
|
||||
_6 Punkte_
|
||||
|
||||
Plote die Zufallszahlen eines _Permuted Congruent Generators_ mittels NumPy & MatPlotLib.
|
||||
|
||||
- Gegeben ist der Anfangszustand des Generators.
|
||||
- Nutze die Dokumentation und rufe den `default_rng` aus dem `numpy.random` Modul, **20** mal auf speichere die Werte in der variablen `pcgs`. _(Tipp: Nutze ein NumPy Array)_
|
||||
- Sortiere im nächsten Schritt die in `pcgs` gespeicherten Werte und speichere diese in `pcgs_sorted`
|
||||
- Plotte sinnvoll beide Array. Gestalte den Plot angemessen.
|
||||
|
||||
```python
|
||||
import numpy as np # Import NumPy
|
||||
import matplotlib.pyplot as plt # Import Matplotlib for plotting
|
||||
|
||||
# 1. Setting the random seed
|
||||
np.random.seed(42)
|
||||
|
||||
# 2. Generate 20 random numbers using the default_rng generator
|
||||
rng = np.random.default_rng() # Initialize the default random number generator
|
||||
pcgs = rng.random(20) # Generate 20 random numbers
|
||||
|
||||
# 3. Sort the generated numbers and store them in pcgs_sorted
|
||||
pcgs_sorted = np.sort(pcgs) # Sort the numbers
|
||||
|
||||
# 4. Print the generated arrays for verification
|
||||
print("PCGs:", pcgs)
|
||||
print("Sorted PCGs:", pcgs_sorted)
|
||||
|
||||
# 5. Plot both arrays
|
||||
plt.figure(figsize=(8, 6))
|
||||
plt.plot(pcgs, label='PCGs (Unsorted)', linestyle='dashed', marker='o')
|
||||
plt.plot(pcgs_sorted, label='PCGs (Sorted)', linestyle='solid', marker='x')
|
||||
plt.title('Permuted Congruent Generator: Unsorted vs Sorted')
|
||||
plt.xlabel('Index')
|
||||
plt.ylabel('Value')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
plt.show()
|
||||
```
|
||||
Abdalaziz Abunjaila
|
||||
|
||||
```python
|
||||
np.random.seed(42) # Setting a fixed start Value for the Generator
|
||||
pcgs: np.array = None
|
||||
pcgs_sorted: np.array = None
|
||||
|
||||
#mycode
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
rng = np.random.default_rng(seed=42)
|
||||
|
||||
pcgs = np.array([rng.random() for _ in range(20)])
|
||||
|
||||
pcgs_sorted = np.sort(pcgs)
|
||||
|
||||
plt.figure(figsize=(10, 5))
|
||||
|
||||
plt.plot(pcgs, label="PCG Zufallszahlen", color='blue', marker='o', linestyle='--')
|
||||
|
||||
plt.plot(pcgs_sorted, label="Sortierte PCG Zufallszahlen", color='green', marker='x', linestyle='-')
|
||||
|
||||
plt.title("PCG Zufallszahlen und sortierte PCG Zufallszahlen")
|
||||
plt.xlabel("Index")
|
||||
plt.ylabel("Wert")
|
||||
plt.legend()
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Donika Nuhiu
|
||||
|
||||
```python
|
||||
np.random.seed(42) # Setting a fixed start Value for the Generator
|
||||
pcgs: np.array = None
|
||||
pcgs_sorted: np.array = None
|
||||
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# Erstellen des Zufallsgenerators und Generation von 20 Zufallszahlen
|
||||
rng = np.random.default_rng() # Initialisiere den Permuted Congruent Generator
|
||||
pcgs = rng.random(20) # 20 Zufallszahlen erzeugen und in ein NumPy Array speichern
|
||||
|
||||
# Sortieren der Zufallszahlen
|
||||
pcgs_sorted = np.sort(pcgs)
|
||||
|
||||
# Plotten der Ergebnisse
|
||||
plt.figure(figsize=(10, 6))
|
||||
|
||||
# Original Zufallszahlen
|
||||
plt.plot(pcgs, marker='o', linestyle='-', color='blue', label='Original-Zufallszahlen')
|
||||
|
||||
# Sortierte Zufallszahlen
|
||||
plt.plot(pcgs_sorted, marker='x', linestyle='--', color='red', label='Sortierte Zufallszahlen')
|
||||
|
||||
# Gestalte den Plot
|
||||
plt.title("Vergleich: Original- und sortierte Zufallszahlen")
|
||||
plt.xlabel("Index")
|
||||
plt.ylabel("Zufallswert")
|
||||
plt.grid(True)
|
||||
plt.legend()
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Alea Schleier
|
||||
|
||||
```python
|
||||
np.random.seed(42) # Setting a fixed start Value for the Generator
|
||||
pcgs: np.array = None
|
||||
pcgs_sorted: np.array = None
|
||||
|
||||
# YOUR CODE HERE
|
||||
rng = np.random.default_rng(42)
|
||||
pcgs = rng.random(20)
|
||||
pcgs_sorted = np.sort(pcgs)
|
||||
|
||||
x = np.linspace(0, 20, num=20)
|
||||
|
||||
plt.plot(x, pcgs, color='c', label='Zufallszahlen')
|
||||
plt.plot(x, pcgs_sorted, color='b', label='Zufallszahlen (sortiert)')
|
||||
|
||||
plt.title('Zufallszahlen eines PCG')
|
||||
plt.xlabel('Index')
|
||||
plt.ylabel('Wert')
|
||||
|
||||
plt.xlim(0, 20)
|
||||
plt.ylim(0, 1.25)
|
||||
plt.xticks(np.arange(0, 20, step=3))
|
||||
plt.yticks(np.arange(0, 1.25, step=0.2))
|
||||
|
||||
mean_value = np.mean(pcgs)
|
||||
plt.axhline(y=mean_value, color='r', linestyle="dashed", label=f'Durchschnitt: {mean_value:.2f}')
|
||||
|
||||
plt.legend()
|
||||
plt.show()
|
||||
```
|
||||
Nova Eib
|
||||
|
||||
```python
|
||||
np.random.seed(42) # Setting a fixed start Value for the Generator
|
||||
pcgs: np.array = None
|
||||
pcgs_sorted: np.array = None
|
||||
|
||||
# YOUR CODE HERE
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
rng = np.random.default_rng(seed=42)
|
||||
|
||||
pcgs = rng.random(20)
|
||||
|
||||
pcgs_sorted = np.sort(pcgs)
|
||||
|
||||
plt.figure(figsize=(10, 6))
|
||||
|
||||
plt.plot(pcgs, 'o-', label='Unsortiert')
|
||||
|
||||
plt.plot(pcgs_sorted, 's-', label='Sortiert')
|
||||
|
||||
plt.title('Zufallszahlen eines Permuted Congruent Generators')
|
||||
plt.xlabel('Index')
|
||||
plt.ylabel('Wert')
|
||||
plt.grid(True)
|
||||
plt.legend()
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Izabel Mike
|
||||
|
||||
### Aufgabe[¶](https://jupyter2.ifn.ing.tu-bs.de:8000/user/instructor-einfhrung-in-die-prog/formgrader/submissions/f483499addec4dd8886a0ee278677732/?index=21#Aufgabe)
|
||||
|
||||
_5 Punkte_
|
||||
|
||||
Ihnen ist ein Datenset `sec_school` einer Hauptschule gegeben, welches die Klassenstufen von 5 bis 9 auf die Anzahl ihrer Schüler im Jahrgang mappt.
|
||||
|
||||
Definieren Sie einen Barplot. Gehen Sie dabei wie folgt vor:
|
||||
|
||||
1. Definieren Sie ein geeignetes Farbschema zur Darstellung der Daten.
|
||||
2. Extrahieren Sie die Schlüssel und Werte aus dem Datenset und übergeben Sie diese zusammen mit den Farbwerten an die Funktion `plt.bar`.
|
||||
3. Setzen Sie geeignete Werte für die X & Y-Achse.
|
||||
4. Setzen Sie einen geeigneten Titel für den Plot.
|
||||
5. Plotten Sie den Werte
|
||||
|
||||
```python
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
sec_school = {
|
||||
'5. Klasse': 29,
|
||||
'6. Klasse': 35,
|
||||
'7. Klasse': 25,
|
||||
'8. Klasse': 28,
|
||||
'9. Klasse': 31
|
||||
}
|
||||
|
||||
bar_colors = ["purple", "blue", "green", "orange", "red"]
|
||||
|
||||
plt.bar(sec_school.keys(), sec_school.values(), color=bar_colors)
|
||||
|
||||
plt.xlabel("Klassenstufen")
|
||||
plt.ylabel("Anzahl Schüler")
|
||||
plt.title("Anzahl der Schüler pro Klassenstufe in der Hauptschule")
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Donika Nuhiu
|
||||
|
||||
```python
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
sec_school = {
|
||||
'5. Klasse': 29,
|
||||
'6. Klasse': 35,
|
||||
'7. Klasse': 25,
|
||||
'8. Klasse': 28,
|
||||
'9. Klasse': 31
|
||||
}
|
||||
|
||||
colors = ['blue', 'green', 'orange', 'purple', 'red']
|
||||
|
||||
grades = list(sec_school.keys()) # Klassenstufen
|
||||
students= list(sec_school.values()) # Schüleranzahl
|
||||
|
||||
plt.bar (grades, students, color=colors)
|
||||
|
||||
plt.xlabel("Klassenstufen")
|
||||
plt.ylabel("Anzahl der Schüler")
|
||||
|
||||
plt.title("Schüleranzahl pro Klassenstufe in der Hauptschule")
|
||||
|
||||
plt.grid(axis='y', linestyle='--', alpha=0.7) # Gitterlinie zur besseren Lesbarkeit
|
||||
plt.show()
|
||||
```
|
||||
Alea Schleier
|
||||
|
||||
```python
|
||||
bar_colors = ["red", "orangered", "darkorange", "orange", "gold"]
|
||||
|
||||
plt.bar(sec_school.keys(), sec_school.values(), color=bar_colors)
|
||||
|
||||
plt.title("Klassenverteilung (Hauptschule)")
|
||||
plt.ylabel("Anzahl Kinder")
|
||||
plt.xlabel("Klassenstufen")
|
||||
|
||||
# Ich finde die Werte der x- und y-Achse schon passend, also mach mich wenn dann für meine Fehleinschätzung und nicht für meinen Analphabetismus fertig, ich habe den Punkt gelesen, danke
|
||||
|
||||
mean_value = np.mean(list(sec_school.values()))
|
||||
plt.axhline(y=mean_value, color='blue', linestyle="dashed", label=f'Durchschnitt: {mean_value:.2f}')
|
||||
|
||||
plt.legend()
|
||||
plt.show()
|
||||
```
|
||||
Nova Eib
|
||||
## Aufgabe[¶](https://jupyter2.ifn.ing.tu-bs.de:8000/user/instructor-einfhrung-in-die-prog/formgrader/submissions/a02d96d8a5c8452b91ac790b5fb5ce9b/?index=24#Aufgabe)
|
||||
|
||||
_5 Punkte_
|
||||
|
||||
Ihnen ist ein Datenset `sec_school` einer Hauptschule gegeben, welches die Klassenstufen von 5 bis 9 auf die Anzahl ihrer Schüler im Jahrgang mappt.
|
||||
|
||||
Definieren Sie einen Pieplot. Gehen Sie dabei wie folgt vor:
|
||||
|
||||
1. Definieren Sie ein geeignetes Farbschema zur Darstellung der Daten.
|
||||
2. Extrahieren Sie die Schlüssel und Werte aus dem Datenset und übergeben Sie diese zusammen mit den Farbwerten an die Funktion `plt.pie`. (Nutzen Sie zum Anzeigen der Prozentwerte)
|
||||
3. Lassen Sie die 6. Klasse 25% und die 9. Klasse 40% explodieren.
|
||||
4. Setzen Sie einen geeigneten Titel für den Plot.
|
||||
5. Plotten Sie den Werte.
|
||||
|
||||
```python
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
#geeignetes Farbschema definieren, Kontrastreiche Farben zur einfachen Unterscheidung
|
||||
colors = ['#ff6f61', '#6b5b95', '#88b04b', '#f7cac9', '#92a8d1']
|
||||
|
||||
#extrahieren der Werte und Schlüssel
|
||||
keys = list (sec_school.keys())
|
||||
values = list (sec_school.values())
|
||||
|
||||
#explodieren der 6. und 9. Klassenstufe
|
||||
explode = [0, 0.25, 0, 0, 0.4]
|
||||
|
||||
plt.pie(values, labels = keys, colors = colors, autopct = '%1.1f%%', startangle = 90, explode = explode)
|
||||
plt.title ('Verteilung der Schüler*innen auf die unterschiedlichen Klassenstufen')
|
||||
plt.axis ('equal')
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Lara Troschke
|
||||
|
||||
```python
|
||||
pie_colors = ["red", "orangered", "darkorange", "orange", "gold"]
|
||||
|
||||
plt.pie(sec_school.values(), labels=sec_school.keys(), autopct='%1.1f%%', explode=[0, 0.25, 0, 0, 0.4], colors=pie_colors)
|
||||
|
||||
plt.title("Klassenverteilung (Hauptschule)")
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Nova Eib
|
||||
|
||||
```python
|
||||
pie_colors = ["lightpink", "darkseagreen", "mistyrose", "cadetblue", "rosybrown"]
|
||||
|
||||
plt.pie(sec_school.values(), labels=sec_school.keys(), autopct='%1.1f%%', explode=[0, 0.25, 0, 0, 0.4], colors=pie_colors)
|
||||
|
||||
plt.title("Klassenverteilung einer Hauptschule")
|
||||
|
||||
plt.show()
|
||||
```
|
||||
Julia Limbach
|
||||
@@ -0,0 +1,11 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen SciPy
|
||||
- [ ] Ausgabe - Simulation
|
||||
|
||||
- [ ] Monte Carlo Theorie
|
||||
- [ ] Average Human Height erklären -> Warum Simulieren
|
||||
@@ -0,0 +1,12 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Simulation
|
||||
- [ ] Ausgabe - Pandas, Seaborn
|
||||
|
||||
- [ ] Dataframes -> Warum
|
||||
- [ ] Operationen auf Dataframes
|
||||
- [ ] Seaborn -> Plots erklären
|
||||
@@ -0,0 +1,12 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Pandas, Seaborn
|
||||
- [ ] Ausgabe - Folium
|
||||
- [ ] Weihnachten -> Kleinigkeit mitbringen
|
||||
|
||||
- [ ] Warum Folium
|
||||
- [ ] HTML überblick
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
|
||||
2023
|
||||
unbereinigt 18%
|
||||
bereinigt 6%
|
||||
Gender Gap Arbeitsmarkt 39%
|
||||
|
||||
**Unbereinigter** Gender Pay Gap
|
||||
|
||||
Der unbereinigte Gender Pay Gap wird als Differenz zwischen den durchschnittlichen Bruttostundenverdiensten von Frauen und Männern in Prozent des durchschnittlichen Bruttostundenverdiensts männlicher Beschäftigter definiert:
|
||||
|
||||
((Durchschnittlicher Bruttostundenverdienst der Männer – durchschnittlicher Bruttostundenverdienst der Frauen) / durchschnittlicher Bruttostundenverdienst der Männer) * 100.
|
||||
|
||||
$$\frac{\varnothing\text{Bruttostundenverdienst der Männer} - \varnothing\text{Bruttostundenverdienst der Frauen}}{\varnothing\text{Bruttostundenverdienst der Männer}}\cdot 100$$
|
||||
|
||||
Zu berücksichtigen ist, dass es sich hierbei um die Lohnlücke ohne Anpassungen handelt. Enthalten ist hier auch der Verdienstunterschied, der beispielsweise auf die Ausübung unterschiedlich bezahlter Berufe, unterschiedliche Karrierelevel oder Qualifikationen von Frauen und Männern zurückzuführen ist.
|
||||
|
||||
**Bereinigter** Gender Pay Gap
|
||||
|
||||
Der bereinigte Gender Pay Gap wurde für das Berichtsjahr 2018 letztmalig auf Basis der vierjährlichen Verdienststrukturerhebung berechnet. Hier wird jener Teil des Verdienstunterschieds herausgerechnet, der auf strukturelle Unterschiede zwischen den Geschlechtern zurückzuführen ist, wie Unterschiede im Hinblick auf Beruf, Branche, Beschäftigungsumfang, Qualifikation oder Karrierelevel.
|
||||
|
||||
Zu berücksichtigen ist hier, dass nicht über alle lohnrelevanten Einflussfaktoren Informationen zur Verfügung stehen. Beispielsweise fehlen Angaben zu Erwerbsunterbrechungen (zum Beispiel durch Elternzeit), mit denen der bereinigte Gender Pay Gap geringer ausgefallen wäre. Daher darf der Wert nicht mit Verdienstdiskriminierung gleichgesetzt werden, sondern gilt eher als "Obergrenze" für Verdienstdiskriminierung. Der bereinigte Gender Pay Gap wird seit 2006 alle vier Jahre für Deutschland, das frühere Bundesgebiet und die neuen Länder berechnet. Seit dem Jahr 2014 liegen zudem Ergebnisse zum bereinigten Gender Pay Gap nach Bundesländern sowie für alle Mitgliedstaaten der Europäischen Union (EU) vor.
|
||||
|
||||
https://www.destatis.de/DE/Themen/Arbeit/Verdienste/Verdienste-GenderPayGap/FAQ/gender-pay-gap-faq.html
|
||||
|
||||
https://www.emma.de/artikel/der-mindestlohn-ist-ein-frauenlohn-316683
|
||||
|
||||
https://www.factory-magazin.de/news/gender-pay-gap-frauen-verdienen-20-prozent-weniger
|
||||
|
||||
https://www.youtube.com/watch?v=zB_OApdxcno&t=741s
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
- [ ] Lösungen Data Analysis
|
||||
- [ ] Ausgabe - Projekte
|
||||
- [ ] Projekte Festlegen
|
||||
- [ ] Prüfungsparameter erklären
|
||||
@@ -0,0 +1,6 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
@@ -0,0 +1,6 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
@@ -0,0 +1,6 @@
|
||||
---
|
||||
parent: "[[Lecture]]"
|
||||
tags:
|
||||
- Lecture
|
||||
---
|
||||
# Content
|
||||
@@ -0,0 +1,8 @@
|
||||
---
|
||||
parent:
|
||||
tags:
|
||||
- exam
|
||||
---
|
||||
# Content
|
||||
- Janna Heiny
|
||||
- ing
|
||||
@@ -0,0 +1,11 @@
|
||||
---
|
||||
parent:
|
||||
tags:
|
||||
- exam
|
||||
---
|
||||
# Content
|
||||
|
||||
- Milena Krieger
|
||||
- Skofiare Berisha
|
||||
- meWi2
|
||||
- Dikum
|
||||
@@ -0,0 +1,11 @@
|
||||
---
|
||||
parent:
|
||||
tags:
|
||||
- exam
|
||||
---
|
||||
# Content
|
||||
|
||||
- Milena Krieger
|
||||
- Skofiare Berisha
|
||||
- meWi2
|
||||
- Dikum
|
||||
Reference in New Issue
Block a user