{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "cell-0",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "# Wirtschaftsinformatik 2 - Wochenaufgabe 7\n",
    "\n",
    "In dieser Woche besch\u00e4ftigen wir uns weiter mit den M\u00f6glichkeiten von Pandas' DataFrames.\n",
    "Dazu kommt insbesondere das Filtern von Daten, was sich sehr gut mit den bisherigen\n",
    "M\u00f6glichkeiten kombinieren l\u00e4sst, Statistiken zu berechnen. Das Filtern erlaubt jetzt insbesondere die Berechnung von *bedingten Statistiken*, d.h. Statistiken f\u00fcr Teile\n",
    "der Daten.\n",
    "\n",
    "\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cell-1",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "## Aufgabe (Statistiken mit Pandas DataFrame)\n",
    "\n",
    "In dieser Aufgabe geht es um Daten von Fahrradk\u00e4ufern. Unter der URL\n",
    "[https://data.hsbo.de/bike-sales.csv](https://data.hsbo.de/bike-sales.csv).\n",
    "\n",
    "findet sich eine Tabelle mit m\u00f6glichen Kunden eines Fahrradvertriebs. Neben Eigenschaften\n",
    "wie *Einkommen* und *Bildung* finden sich Spalten \u00fcber den *Beruf*, *Hausbesitz*, *Region* oder die *Pendel-Entfernung*.\n",
    "\n",
    "Aus Marketing-Sicht ist es hilfreich, derartige Kundendaten zu untersuchen, um z.B.\n",
    "Personen zu identifizieren, die als m\u00f6gliche K\u00e4ufer angeschrieben oder mit Werbung\n",
    "kontaktiert werden k\u00f6nnen.\n",
    "\n",
    "  - Lesen Sie die Daten in einen DataFrame ein.\n",
    "  - Ermitteln Sie die Anzahl der Datens\u00e4tze (Zeilen)\n",
    "  - Wie ist das durchschnittliche Alter und Einkommen von Kunden, die ein Fahrrad gekauft haben?\n",
    "  - Wieviel verheiratete M\u00e4nner mit Kindern haben ein Fahrrad gekauft?\n",
    "\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cell-2",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "## Aufgabe (Marketing, Buyer Persona)\n",
    "\n",
    "Im Marketing wird h\u00e4ufig der Begriff *Buyer Persona* benutzt um *typische K\u00e4ufer*\n",
    "zu erfassen und f\u00fcr Marketingzwecke zu nutzen. Entwickeln Sie eine eigene Buyer Persona\n",
    "indem Sie vier charakterisierende Eigenschaften ausw\u00e4hlen und ermitteln Sie, wieviele\n",
    "Kunden in dem Datensatz dieser Persona entsprechen. Wieviel davon haben ein Fahrrad gekauft?\n",
    "\n",
    "Als Beispiel:\n",
    "\n",
    "  - Geschlecht: *weiblich*\n",
    "  - Alter: 30-50\n",
    "  - Einkommen: Mehr als 40000\n",
    "  - Autos: Weniger als 2"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.12.7"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}