71 lines
4.8 KiB
Markdown
71 lines
4.8 KiB
Markdown
## 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):**
|
||
Funktioniert nur ohne Netzwerkausfall.
|
||
Beispiel: Einzelner MySQL-Server.
|
||
- **CP (Konsistenz + Partitionstoleranz):**
|
||
Bleibt bei Ausfall konsistent, aber nicht immer erreichbar.
|
||
Beispiel: HBase, MongoDB (strikte Konsistenz).
|
||
- **AP (Verfügbarkeit + Partitionstoleranz):**
|
||
Immer erreichbar, aber Daten können kurz inkonsistent sein.
|
||
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.
|
||
```
|