Sparpaket: Python & pandas – Unterrichtsreihe, Präsentation, Stundenentwürfe, Klausur

Diese vierteilige Unterrichtsreihe zum Thema Datenanalyse mit Python und pandas ist ideal auf die Anforderungen der Sekundarstufe II im Fach Informatik abgestimmt. Die Reihe vermittelt zentrale Kompetenzen in der Arbeit mit strukturierten Datensätzen, der Auswertung mit pandas und der Visualisierung mit matplotlib und seaborn. Die Struktur der Reihe orientiert sich an einem projektorientierten Lernansatz, der den gesamten Datenanalyseprozess vom Import bis zur Präsentation abbildet. Die vier enthaltenen Unterrichtseinheiten im Überblick: Einführung & Grundlagen der Datenanalyse mit pandas Die Schüler lernen, Daten in Python zu importieren, mit df.head(), df.info() und df.describe() zu analysieren und grundlegende Strukturen wie DataFrames und Series zu verstehen. Gruppenarbeit zur Bereinigung und Aggregation realer Datensätze In dieser Einheit wird mit realitätsnahen, fehlerbehafteten Datensätzen gearbeitet. Die Schülerinnen und Schüler identifizieren fehlende Werte, bereinigen Daten und wenden Gruppierungen und Aggregationen mit groupby() und pivot_table() an. Recherche und Visualisierung offener Datenquellen Es erfolgt eine eigenständige Recherche von Open-Data-Plattformen. Die Schüler analysieren selbstgewählte Datensätze und erstellen aussagekräftige Diagramme (Boxplot, Histogramm, Scatterplot, Heatmap). Eigenständige Projektarbeit mit vollständigem Analysezyklus Jede Schülerin und jeder Schüler bearbeitet eine vollständige Datenanalyse mit eigener Fragestellung, Datenaufbereitung, Visualisierung und Reflexion. Die Unterrichtseinheiten enthalten didaktisch strukturierte Aufgabenformate mit verschiedenen Anforderungsbereichen, digitale Tools und vielfältige Differenzierungsmöglichkeiten. Die Reihe eignet sich für den regulären Informatikunterricht sowie für prüfungsbezogene Vertiefung in Projektkursen oder Vorbereitung auf das Abitur. Vorteile dieser Unterrichtsreihe: Strukturierter Aufbau mit klar definierten Lernzielen Förderung von Medien-, Fach- und Urteilskompetenz Einsatz realer Datensätze für hohe Lebensweltorientierung Kombination aus Theorie und Praxis für nachhaltige Kompetenzentwicklung

Klassenstufen: Q1 (11./12. Jhg.), Q2 (12./13. Jhg.)

Diese PowerPoint-Präsentation im 16:9-Format bietet eine strukturierte, didaktisch klar gegliederte Einführung in das Thema Datenanalyse mit Python und pandas. Sie eignet sich ideal für den Einsatz im Informatikunterricht der gymnasialen Oberstufe und vermittelt zentrale Aspekte moderner Datenanalyse praxisnah, visuell unterstützt und in 12 übersichtlichen Folien. Die Präsentation behandelt die wichtigsten Inhalte der Datenanalyse mit Python auf Grundlage der leistungsstarken Bibliothek pandas. Zentrale SEO-relevante Stichworte wie DataFrame, pandas-Methoden, Visualisierung mit matplotlib und seaborn, Gruppierung und Aggregation, sowie Fehlermanagement in Python werden ausführlich und in alltagstauglichen didaktischen Zusammenhängen dargestellt. Die Präsentation gliedert sich entlang der Themenstruktur einer vierteiligen Unterrichtseinheit: Einführung in strukturierte Datenformate und den Aufbau eines DataFrames Datenimport und grundlegende Exploration mit pandas Umgang mit fehlenden Werten, Typkonvertierungen und Datenbereinigung Aggregation von Daten mittels groupby() und pivot_table() Erstellung und Interpretation von Diagrammen mit matplotlib Erweiterte statistische Visualisierung mit seaborn Recherche offener Datenquellen und Datenethik Umsetzung eigenständiger Projektarbeiten zur Datenanalyse Typische Fehlerquellen und Troubleshooting in der Datenverarbeitung Jede der Folien enthält mindestens fünf didaktisch relevante Stichpunkte mit je über 15 Wörtern, sodass auch in Vertretungsstunden oder bei spontaner Themeneinführung ein fundierter Unterrichtseinstieg gelingt. Durch die klare Struktur eignet sich das Material zur Einführung, Wiederholung oder Präsentation im Abiturvorbereitungskontext. Die Präsentation ist kompatibel mit Windows und macOS und lässt sich direkt in bestehende Unterrichtsreihen integrieren. Sie wurde speziell für die Anforderungen der gymnasialen Oberstufe im Fach Informatik konzipiert und bietet eine umfassende visuelle Grundlage zur Vermittlung datengestützter Methoden mit Python.

Klassenstufen: EF (10./11. Jhg.), Q1 (11./12. Jhg.)

Mit diesen Stundenentwürfen zur Datenanalyse mit Python und pandas erhalten Lehrkräfte im Fach Informatik der gymnasialen Oberstufe ein umfangreiches, direkt einsetzbares Konzept für eine Doppelstunde (90 Minuten). Die Materialien basieren auf der bewährten vierteiligen Unterrichtsreihe und bieten drei vollständige Stundenentwürfe, die sich perfekt ergänzen und alle Phasen des Datenanalyse-Prozesses abdecken. Inhalte der drei Stundenentwürfe: Einführung & Exploration: Import von CSV-Dateien in Jupyter Notebook mit pd.read_csv(), erste Strukturuntersuchung per df.head(), df.info() und df.describe(). Klare Lernziele: Die Schülerinnen und Schüler können strukturierte Datensätze importieren und grundlegende DataFrame-Eigenschaften analysieren. Datenbereinigung & Gruppierung: Identifikation fehlender Werte mit df.isnull().sum(), Bereinigungsstrategien via dropna(), fillna(), Dublettenentfernung mit drop_duplicates(). Anschließend Aggregation per groupby() und pivot_table(). Lernziel: SuS bereinigen reale Datensätze und erstellen aussagekräftige Gruppenstatistiken. Eigenständige Recherche & Visualisierung: Recherche offener Datenquellen (z. B. govdata.de, Kaggle), Import und Bereinigung eines selbstgewählten Datensatzes, erste Visualisierungen mit matplotlib und seaborn (Histogramme, Boxplots). Lernziel: SuS recherchieren Datensätze, wenden pandas-Methoden an und visualisieren Ergebnisse kompetent. Vorteile dieser Stundenentwürfe: Strukturierte Ablaufpläne: Jede Phase (Einstieg, Erarbeitung, Sicherung, Anwendung, Reflexion) ist klar beschrieben. Konkrete Handlungshinweise für Lehrkräfte: Hinweise zur Differenzierung, Gruppengröße, Materialvorbereitung und Zeitmanagement. Klare Lernziele: Für jede Doppelstunde werden fachliche und methodische Kompetenzen präzise formuliert. Pädagogische Vielfalt: Einsatz von Pair-Programming, Stationenlernen, Whiteboard-Impulsen und digitalen Tools (Jupyter Notebook, Kahoot). Differenzierungshinweise: Schwierigkeitsgrade für leistungsstarke und unterstützungsbedürftige Schülerinnen und Schüler, inklusive Materialien für berufliche Gymnasien.

Klassenstufen: EF (10./11. Jhg.), Q1 (11./12. Jhg.)

Diese Klausur zur Datenanalyse mit Python und pandas für die gymnasiale Oberstufe im Fach Informatik prüft alle wesentlichen Kompetenzen der vierteiligen Unterrichtsreihe und verbindet sie mit einer realitätsnahen Praxisaufgabe aus dem Umweltmonitoring. Die Klausur umfasst einen ausführlichen Text (ca. 850 Wörter) zur Analyse stündlicher Messdaten (NO₂, PM₁₀, O₃) aus fünf Berliner Messstationen sowie drei Aufgaben in den Anforderungsbereichen 1, 2 und 3. Aufbau und Inhalte der Klausur: Aufgabenstellung: Die Schülerinnen und Schüler importieren mehrere CSV-Dateien mit pd.read_csv(), führen eine vertikale Zusammenführung der Datensätze mittels pd.concat() durch und analysieren die Datenstruktur mit df.head(), df.info() und df.describe(). Datenbereinigung: Beschreibung und Anwendung der linearen Interpolation (interpolate(method='time')) und der Median-Imputation gruppiert nach Monat und Station. Zeitreihen-Aggregation: Resampling auf Monatsmittelwerte, Gruppierung mit groupby() nach Jahr und Monat, Feature Engineering (Wochentagsanalyse). Visualisierung: Einsatz von matplotlib für Linienplots und seaborn für Boxplots und Heatmaps. Interpretation: Reflexion zu Saisonalität, methodischen Verzerrungen und Datenethik. Drei Aufgaben im AFB: AFB 1 (20 Punkte): Benennen und Erklären zentraler pandas-Funktionen (Import und Exploration). AFB 2 (50 Punkte): Analysieren und Erläutern der beiden Bereinigungsstrategien, quantitative Erfassung fehlender Werte, alternative Verfahren. AFB 3 (30 Punkte): Diskutieren methodischer und ethischer Aspekte; Hypothese zur saisonalen NO₂-Variabilität entwickeln und empirische Überprüfungsstrategie skizzieren. Vorteile dieser Klausur: Realitätsnahe Datenanalyse: Umweltmonitoring-Daten fördern die Lebensweltorientierung. Kompetenzorientiert: Alle Anforderungsbereiche 1–3 gemäß Kernlehrplan Informatik abgedeckt. Ausführlicher Analyse-Text: Bietet ausreichend Kontext und anspruchsvolle fachliche Tiefe. Genaue Punkteverteilung: Fair und transparent mit detailliertem Erwartungshorizont. Flexibel einsetzbar: Kann in 90 Minuten bearbeitet oder auf zwei Einzelstunden verteilt werden.Keywords im Fokus: Klausur Datenanalyse Python pandas Umweltmonitoring Informatik NO2 PM10 O3 Analyse AFB 1 2 3 Klausur Jupyter Notebook Prüfungsaufgabe Mit dieser umfassenden Klausur prüfen Sie nicht nur reines Faktenwissen, sondern auch methodische Reflexion und ethische Urteilsfähigkeit im Bereich der Datenanalyse mit Python und pandas.

Klassenstufen: Q1 (11./12. Jhg.), Q2 (12./13. Jhg.)