Arbeiten zusammen:
- Jamie Beu
- Julianne Kitzinger
- Arian Temouri


Fehlende Daten:
- 59513b5256dc16e99c505915cdd84aa1
- 6948c64227d75cd50901c246be88e264
- a22ad77be0d478b5fe34d1167d4dbb3a
- a96f7c881d27b739c38b81da2058a2fb
- c6679ce22dfd5646f81d40a8dbb0236b
 
Beispiele:

>[!danger]
>```C
>void (*(*f[])())()
>```
>*defines **f** as an array of unspecified size of pointers to functions that return pointers to functions that return void*

Congyu Ding
Annemike Rörig


```python
def fakultaet_generator(n: int) -> int:
    """
    Generiert mittels ChatGPT (26.11.2025)
    
    Prompt: "..."
    
    - Berechnung der Fakultät
    - Robuste Fehlerbehandlung
    - Benötigt für Berechnung XXX
    """
    
    # Robuste Fehlerbehandlung bei Werten kleiner 0
    if n < 0:
	    raise ValueError("Die Fakultät ist nur für nicht-negative Zahlen definiert.")
	    
	# Berechnung der Fakultät mittels aufmultiplizieren
    ergebnis = 1
    for i in range(1, n + 1):
        ergebnis *= i
        yield ergebnis
```


Ideen:
- Stock Market Simulation (Animal Crossing)
- Gini Index
938-828
791-748



```python
# Binäre Variable: Vegan = 1, Nicht-Vegan = 0
df['ist_vegan'] = (df['Ernährung'] == 'Vegan').astype(int)

# Filter: mindestens 2 Instagram-Accounts UND mindestens einer privat
h2_data = df[
	(df['Instagram_Anzahl'] >= 2) & (df['Instagram_Privat'] == 'Ja')
	]

# Gruppen
vegan_mit = h2_data['ist_vegan']
vegan_ohne = df[
	(df['Instagram_Anzahl'] < 2) | (df['Instagram_Privat'] != 'Ja')
	]['ist_vegan']

# Independent t-test
t_stat, p_value = ttest_ind(vegan_mit, vegan_ohne)

vegan_pct_mit = vegan_mit.mean() * 100
vegan_pct_ohne = vegan_ohne.mean() * 100
```


$$\text{Birth Rate} = \frac{B}{P} * 1000$$

# Projekte
- [Social Media Addiction](https://www.kaggle.com/datasets/adilshamim8/social-media-addiction-vs-relationships)
- [Movies & Shows](https://www.kaggle.com/datasets/shivamb/amazon-prime-movies-and-tv-shows)




Annemike Rörig anschreiben


result                  
------------------------------------------
 Dania Arshad: 126.5 / 282 44.9%
 Jamie Beu: 240 / 282 85.1%
 Michael Biermann: 258.5 / 282 91.7%
 Antonia Lilli Elsner: 234 / 282 83.0%
 Lillian Fitzner: 248.5 / 282 88.1%
 Nicole Funke: 267.5 / 282 94.9%
 Julia Gebel: 269 / 282 95.4%
 Alexandra Geworsky: 232 / 282 82.3%
 Zoe Giese: 260.5 / 282 92.4%
 Jule Hansen: 258 / 282 91.5%
 Annelie Hartkopp: 167 / 282 59.2%
 Hermine Hesse: 177 / 282 62.8%
 Mirja Jordan: 228 / 282 80.9%
 Julianne Kitzinger: 243 / 282 86.2%
 Wenyu Liu: 161.5 / 282 57.3%
 Daniel Lock: 235.5 / 282 83.5%
 Tim Matschulla: 207.5 / 282 73.6%
 Franka Milbrandt: 264 / 282 93.6%
 Linda Plöger: 244 / 282 86.5%
 Adrian Reis: 179.5 / 282 63.7%
 Annemike Rörig: 194 / 282 68.8%
 Kenji Sato: 249.5 / 282 88.5%
 Helene Scheler: 192 / 282 68.1%
 Fiona Schmitz: 244 / 282 86.5%
 Marie-Christine Schmitz: 236 / 282 83.7%
 Jenna Seeger: 237.5 / 282 84.2%
 Jette Siever: 240.5 / 282 85.3%
 Josefine Sinkemat: 187 / 282 66.3%
 Agatha Stark: 194.5 / 282 69.0%
 Ye Sun: 234 / 282 83.0%
 Arian Temouri: 239 / 282 84.8%
 Alexander Trey: 259.5 / 282 92.0%
 Denis Weber: 230 / 282 81.6%
 Elina Winkler: 243 / 282 86.2%
 Fabian Zirkel: 265 / 282 94.0%