Final version for SS 2020

Preprocessing/Lego-Sets/Lego Sets Preprocessing.ipynb

@@ -98,7 +98,7 @@
    },
    "source": [
     "Wie Sie nun wissen sollten, werden die Daten der Lego-Sets als [``DataFrame``](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html#pandas.DataFrame) gespeichert.  \n",
-    "Ein ``DataFrame`` ist eine tabellarische Datenstruktur in pandas, die einen geordneten Satz von Spalten enthält. Jede Spalte kann einen anderen Daetntyp haben (numerisch, string, boolesch usw.). Ein ``DataFrame`` hat sowohl einen Zeilenindex als auch einen Spaltenindex.\n",
+    "Ein ``DataFrame`` ist eine tabellarische Datenstruktur in pandas, die einen geordneten Satz von Spalten enthält. Jede Spalte kann einen anderen Datentyp haben (numerisch, string, boolesch usw.). Ein ``DataFrame`` hat sowohl einen Zeilenindex als auch einen Spaltenindex.\n",
     "\n",
     "Um einen schnellen Blick auf die Datenstruktur werfen zu können, bietet pandas die Funktionen [``head()``](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.head.html) und [``tail()``](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.tail.html#pandas.DataFrame.tail), um sich die ersten oder letzten Zeilen der Struktur anzeigen zu lassen."
    ]
@@ -547,7 +547,7 @@
     "Diese Abbildung können wir leicht mithilfe von ``map()`` vornehmen:\n",
     "\n",
     "````python\n",
-    "some_dataFrame.map({'key1': 'value1', 'key2': 'value2'}, na_action='ignore')\n",
+    "some_dataFrame = some_dataFrame.map({'key1': 'value1', 'key2': 'value2'}, na_action='ignore')\n",
     "````\n",
     "__Hinweis:__ Da wir die fehlenden Werte (``na``) noch nicht eingefüllt haben, sollte das Argument ``na_action='ignore'`` gesetzt werden, damit die ``na`` Werte einfach durchgereicht werden."
    ]
@@ -650,7 +650,7 @@
     "categorical_column = some_dataFrame['non_categorical_column'].astype('category')\n",
     "```\n",
     "\n",
-    "Die kategoriale Variable kann dann wiederum in einen numerischen Typ gewandelt werden, indem wir uns den Code der ausgeben lassen, der jeder Stufe der Variable zugewiesen wird:\n",
+    "Die kategoriale Variable kann dann wiederum in einen numerischen Typ gewandelt werden, indem wir uns den Code ausgeben lassen, der jeder Stufe der Variable zugewiesen wird:\n",
     "\n",
     "```python\n",
     "numerical_categorical_column = categorical_column.cat.codes\n",
@@ -778,15 +778,15 @@
    "source": [
     "# Verwenden Sie str.extract() und den String r'(?:(?P<high>\\d+)(?:” high))' um die erste Höhenangabe in Inch zu extrahieren\n",
     "\n",
-    "# Die Breite finden Sie mit r'(?:(?P<high>\\d+)(?:” high))'\n",
+    "# Die Breite finden Sie mit r'(?:(?P<wide>\\d+)(?:” wide))'\n",
     "\n",
     "# Die Länge finden Sie mit r'(?:(?P<long>\\d+)(?:” long))'\n",
     "\n",
     "# Fügen Sie die Dimensionen als neue Spalten 'height', 'width', 'length' in den DataFrame lego_data ein\n",
     "\n",
     "\n",
     "\n",
-    "# Entefernen Sie die Spalte 'prod_long_desc'\n"
+    "# Entfernen Sie die Spalte 'prod_long_desc'\n"
    ]
   },
   {
@@ -852,7 +852,7 @@
     "\n",
     "```python\n",
     "some_dataFrame[columns].mean() # Gibt Mittelwerte der Spalten <columns> zurück\n",
-    "some_dataFrame[columns].mode() # Gibt häufigste Werte der Spalten <columns> zurück ACHTUNG: Rückgabewert ist nicht skalar\n",
+    "some_dataFrame[columns].mode() # Gibt häufigste Werte der Spalten <columns> zurück ACHTUNG: Rückgabewert ist nicht skalar!\n",
     "some_dataFrame[columns].fillna(value) # Füllt alle fehlenden Werte in den Spalten <columns> mit <value> auf\n",
     "```\n",
     "\n"
@@ -932,7 +932,6 @@
   }
  ],
  "metadata": {
-  "celltoolbar": "Edit Metadata",
   "kernelspec": {
    "display_name": "Python 3",
    "language": "python",