Better

formulas/Block 2.md

@@ -1,22 +1,70 @@
-Kleinere Aufgaben zur Programmierung mit Numpy und Pandas; Zuordnungen, Wahr/Falsch,
-Codeanpassungen.
-
-Data-Wrangling: Importieren, Bereinigen und Transformieren von Daten am Beispiel von Phyton, Plots
-
-Vertiefung Numpy und Pandas Beispielanwendungen: Umgang mit realistischen Datensätzen, Zeitreihen, Ausblick MLVerfahren
-
-Arten und Anwendungsbereiche verschiedener NoSQLDatenbanken, CAP-Theorem, Skalierung von NoSQLDatenbanken, Sharding, Übungen
-
 ## CAP-Theorem
 - • **Konsistenz (Consistency):** Alle Knoten zeigen zur gleichen Zeit die gleichen Daten an.
 - **Verfügbarkeit (Availability):** Jeder Anfrage wird garantiert eine Antwort geliefert – auch wenn sie nicht den aktuellsten Stand widerspiegelt.
 - **Partitionstoleranz (Partition Tolerance):** Das System funktioniert weiter, auch wenn Teile des Netzwerks ausfallen oder nicht miteinander kommunizieren können.
-- **CA (Konsistenz + Verfügbarkeit):**  
+- **CA (Konsistenz + Verfügbarkeit):** 
-    Funktioniert nur ohne Netzwerkausfall.  
+    Funktioniert nur ohne Netzwerkausfall. 
-    Beispiel: Einzelner MySQL-Server.
+    Beispiel: Einzelner MySQL-Server.
-- **CP (Konsistenz + Partitionstoleranz):**  
+- **CP (Konsistenz + Partitionstoleranz):** 
-    Bleibt bei Ausfall konsistent, aber nicht immer erreichbar.  
+    Bleibt bei Ausfall konsistent, aber nicht immer erreichbar. 
-    Beispiel: HBase, MongoDB (strikte Konsistenz).
+    Beispiel: HBase, MongoDB (strikte Konsistenz).
-- **AP (Verfügbarkeit + Partitionstoleranz):**  
+- **AP (Verfügbarkeit + Partitionstoleranz):** 
-    Immer erreichbar, aber Daten können kurz inkonsistent sein.  
+    Immer erreichbar, aber Daten können kurz inkonsistent sein. 
-    Beispiel: Cassandra, DynamoDB.
+    Beispiel: Cassandra, DynamoDB.
+```python
+pd.DataFrame(data: dict[str, Any]) -> DataFrame  # Erstellt DataFrame aus dict
+pd.read_csv(filepath_or_buffer: str, index_col: str | None = None, ...) -> DataFrame  # CSV/URL einlesen
+np.array(obj: Iterable[Any], dtype: type | None = None) -> ndarray  # Array aus Werten
+np.nan: float  # Not a Number (fehlender Wert)
+np.arange(stop: int) -> ndarray  # Array von 0 bis stop-1
+np.random.randn(*shape: int) -> ndarray  # Zufallszahlen (Normalverteilung)
+np.sin(x: float | ndarray), np.cos(x: float | ndarray) -> float | ndarray  # Sinus/Kosinus
+pd.date_range(start: str, periods: int, freq: str) -> DatetimeIndex  # Datumsreihe
+pd.cut(x: Series, bins: list[float], labels: list[str] | None = None) -> Categorical  # Werte in Intervalle
+pd.get_dummies(df: DataFrame, columns: list[str] | None = None) -> DataFrame  # One-Hot-Encoding
+DataFrame.info() -> None  # Übersicht zu DataFrame
+DataFrame.dtypes -> Series  # Spaltentypen
+DataFrame.head(n: int = 5) -> DataFrame  # Erste n Zeilen
+DataFrame.tail(n: int = 5) -> DataFrame  # Letzte n Zeilen
+DataFrame.columns -> Index  # Spaltennamen
+DataFrame.shape -> tuple[int, int]  # Form (Zeilen, Spalten)
+DataFrame.to_numpy() -> ndarray  # Als Numpy-Array
+DataFrame.set_index(keys: str | list[str]) -> DataFrame  # Setzt Index
+DataFrame.sort_index() -> DataFrame  # Sortiert nach Index
+DataFrame.copy() -> DataFrame  # Kopie erstellen
+DataFrame.describe() -> DataFrame  # Statistik
+DataFrame.count() -> Series  # Anzahl Werte pro Spalte
+DataFrame.min()/max()/mean()/std()/var() -> Series | float  # Statistische Werte
+DataFrame.cumsum() -> DataFrame  # Kumulierte Summe
+DataFrame.drop(labels: str | list[str], axis: int = 0) -> DataFrame  # Entfernt Zeilen/Spalten
+DataFrame.dropna() -> DataFrame  # Entfernt Zeilen mit NaN
+DataFrame.fillna(value: Any) -> DataFrame  # Füllt NaN
+DataFrame.interpolate() -> DataFrame  # Interpoliert NaN
+DataFrame.combine_first(other: DataFrame) -> DataFrame  # Füllt NaN aus anderem DF
+DataFrame.sample(n: int | None = None, frac: float | None = None, axis: int = 0) -> DataFrame  # Zufallsstichprobe
+DataFrame.loc[...] / .iloc[...] -> DataFrame | Series | scalar  # Zugriff per Label/Position
+DataFrame.groupby(by: str | list[str] | Callable) -> GroupBy  # Gruppiert nach Kriterium
+DataFrame.melt(id_vars: str | list[str]) -> DataFrame  # Spalten zu Zeilen
+DataFrame.pivot(index: str, columns: str) -> DataFrame  # Breite Tabelle
+DataFrame.pivot_table(values: str, index: str, columns: str, aggfunc: str | Callable) -> DataFrame  # Pivot-Tabelle
+DataFrame.replace(to_replace: Any, value: Any) -> DataFrame  # Werte ersetzen
+DataFrame.plot(...), .plot.line(...), .plot.scatter(...), .boxplot(...) -> Axes  # Plotten
+Series.value_counts() -> Series  # Zählt eindeutige Werte
+Series.count() -> int  # Anzahl Werte
+Series.map(func: Callable) -> Series  # Wendet Funktion an
+Series.str.lower() -> Series  # Kleinbuchstaben
+Series.str.contains(pat: str) -> Series  # Stringsuche
+Series.plot.hist(bins: int) -> Axes  # Histogramm
+GroupBy.agg(func: str | Callable) -> DataFrame  # Aggregation auf Gruppen
+GroupBy.sum()/min()/max()/describe() -> DataFrame  # Statistiken auf Gruppen
+GroupBy.__iter__() -> Iterator  # Über Gruppen iterieren
+plt.axvline(x: float, c: str | None = None) -> None  # Vertikale Linie
+plt.cm.Blues(x: float) -> tuple  # Farbe aus Colormap
+Axes.axhline(y: float, ...) -> None  # Horizontale Linie
+Axes.set_xticks(ticks: list[float]) -> None  # X-Ticks setzen
+Axes.set_ylabel(label: str), Axes.set_xlabel(label: str) -> None  # Achsenbeschriftung
+train_test_split(X: ndarray | DataFrame, y: ndarray | Series, train_size: float = ...) -> tuple  # Split in Train/Test
+LogisticRegression().fit(X: ndarray | DataFrame, y: ndarray | Series) -> LogisticRegression  # Modell trainieren
+LogisticRegression().score(X: ndarray | DataFrame, y: ndarray | Series) -> float  # Modellgüte
+LogisticRegression().predict_proba(X: ndarray | DataFrame) -> ndarray  # Vorhersagewahrscheinlichkeit    Beispiel: Cassandra, DynamoDB.
+```

formulas/Block3.md

@@ -6,14 +6,14 @@ Sonderzeichen (`*+?{}[]\|()`) mit `\` escapen.
 * **Logik & Gruppen:** `()` (Gruppe), `(?P<n>...)` (benannte Gruppe), `|` (ODER).
 * **Position:** `^` (Anfang), `$` (Ende), `\b` (Wortgrenze).
 **Beispiel**:
-```python
+```regex
 ^(?P<timestamp>\d{4}-\d{2}-\d{2}\s\d{2}:\d{2}:\d{2})\s\[(?P<level>INFO|WARN|ERROR)\]\s\(user:\s'(?P<user>[\w\.-]+@[\w\.-]+)'\)\s"(?P<message>.*?)"$
 ````
 ## XPath & JSONPath
 * **XPath (XML):** Navigation mit `/` (Kind), `//` (Nachfahre), `.` (aktuell), `..` (Eltern). Filtern mit `[...]`, z.B. `[@id='x']` (Attribut) oder `[1]` (Position). Werte mit `@attribut` oder `text()`.
 * **JSONPath (JSON):** Start mit `$`. Navigation mit `.` oder `['key']`. `..` (rekursiv), `[*]` (alle Array-Elemente). Filtern mit `[?(@...)]`, wobei `@` das aktuelle Element ist.
 **Beispiel**:
-```python
+```xml
 //course[@id='cds104']/lecturer[@type='external' and units > 5]/name/text()
 ```
 ```json