Übungen

Code in Englisch, Prosa/Antworten Deutsch. Lösungen: loesungen.md.

Aufgabe 1 – Seed in Aktion

Führe folgenden Code zweimal aus, einmal mit random_state=42, einmal ohne:

import pandas as pd
cohort = pd.read_csv("https://schradern.github.io/data-science-coach/data/kohorte.csv")
sample = cohort.sample(n=30, random_state=42)   # oder: cohort.sample(n=30)
print(sample["patient_id"].tolist())

a) Was beobachtest du? Warum ist das für publizierte Analysen relevant? b) Setze zusätzlich numpy.random.seed(42) ganz am Anfang. Ändert das etwas an der Stichprobe? Begründe, warum random_state und np.random.seed() unabhängig sind.

Aufgabe 2 – Paketversionen dokumentieren

Schreibe ein kleines Python-Skript (oder führe es in der Konsole aus), das die installierten Versionen von numpy, pandas und scikit-learn ausgibt. Nutze dafür importlib.metadata.version("paketname").

Frage: Warum reicht import numpy als Dokumentation nicht aus? Nenne ein konkretes Beispiel, wie eine Versionsänderung ein Analyseergebnis beeinflussen kann.

Aufgabe 3 – .gitignore verstehen und den Blanket-Fehler finden

Eine Kollegin legt diese .gitignore an, um Patientendaten zu schützen:

*.csv
*.xlsx
data/roh/

Das Projekt folgt der Struktur aus dem README (§2) und enthält u. a.:

• data/roh/patienten.csv (Rohdaten, dürfen nie ins Repo)
• data/aufbereitet/ergebnisse.csv (durch Skript erzeugt, sollen committet werden)
• code/analyse.py
• berichte/tabelle1.xlsx

a) Welche dieser Dateien ignoriert Git? Welches Problem entsteht dadurch speziell für data/aufbereitet/ergebnisse.csv?

b) Korrigiere die .gitignore so, dass nur die Rohdaten ignoriert werden, die aufbereiteten Ergebnisse aber versioniert werden. (Tipp: gezielt data/roh/ ausschließen statt pauschal nach Dateityp, siehe README §3.)

c) Warum ist es wichtig, .gitignore vor dem ersten Commit anzulegen, und nicht erst, wenn man merkt, dass eine Datei versehentlich getrackt wird?

Aufgabe 4 – Projektstruktur beurteilen

Gegeben ist folgende Ordnerstruktur:

analyse_sept_2024/
├── finale_version_3_WIRKLICHFINAL.xlsx
├── skript_neu.py
├── skript_alt.py
├── skript_alt2.py
└── rohdaten_alle_patienten.csv

a) Benenne mindestens vier Probleme dieser Struktur. b) Entwerfe eine bessere Struktur mit sinnvollen Ordnern, nummerierten Skripten und einer .gitignore-Datei.

Aufgabe 5 – Quarto-Dokument lesen

Öffne code/bericht_beispiel.qmd und beantworte:

a) Wo und wie wird der Seed gesetzt? b) Welche YAML-Einstellung stellt sicher, dass der Code im gerenderten Bericht sichtbar ist? c) Was braucht jemand auf einem anderen Rechner, um den Bericht identisch zu rendern?

Bonus

Erweitere bericht_beispiel.qmd um einen neuen Chunk, der die mediane Verweildauer je Aufnahmegrund als Tabelle ausgibt. Render das Dokument, falls Quarto installiert ist:

quarto render module/22-reproduzierbare-berichte/code/bericht_beispiel.qmd