Veröffentlicht | Letzte Aktualisierung:

Dr. Rachel Evans war frustriert über die unübersichtlichen Daten der klinischen Studie auf ihrem Bildschirm. Ihre jahrelange Forschung hing von korrekten Daten ab, doch ihre Tabellenkalkulationen waren voller Fehler. Diese Fehler drohten, ihre Studie zu einem neuen Diabetesmedikament zu ruinieren.

Die Datenaufbereitung kann bis zu 80 % der Arbeitszeit eines Forschers in Anspruch nehmen. Daher sind schnelle und effektive Bereinigungsmethoden für den Erfolg unerlässlich.

Die Analyse von Daten aus klinischen Studien erfordert Präzision. Unser Python-Tool zur Datenbereinigung mit Pandas bietet leistungsstarke Werkzeuge. Diese Werkzeuge helfen dabei, unstrukturierte Datensätze in saubere Forschungsgrundlagen zu verwandeln. Ziel ist es, die Datenaufbereitung zu beschleunigen und so wissenschaftliche Erkenntnisse schneller zu gewinnen.

In der klinischen Forschung ist die Datenqualität von entscheidender Bedeutung. Fehlerhafte Daten können zu Fehlentscheidungen führen und Patienten schaden¹ . Unser Leitfaden zeigt sieben Python-Pandas-Techniken, mit denen Sie Ihre Datenbereinigung optimieren können.

Wichtige Erkenntnisse

  • Meistern Sie Python Pandas für eine effiziente Datenbereinigung klinischer Studien
  • Reduziert Datenvorverarbeitung Zeit um bis zu 50 %
  • Identifizieren und beheben Sie häufige Dateninkonsistenzen
  • Erweiterte Implementierung Daten-Wrangling Techniken
  • Sicherstellung der Forschungsintegrität durch systematische Datenvalidierung

Daten klinischer Studien verstehen

Klinische Studien sind für die medizinische Forschung unerlässlich und liefern uns Erkenntnisse darüber , wie Behandlungen wirken und wie es den Patienten geht. Wir beginnen mit einem Blick auf das klinische Datenmanagement . Hierbei sind Präzision und die Sicherstellung der Datenqualität von entscheidender Bedeutung.

Daten aus klinischen Studien liefern entscheidende Informationen für den medizinischen Fortschritt. Fast 80 % der Gesundheitsorganisationen investieren in Datenanalysen. Sie erkennen das große Potenzial, das gute Forschungsdaten mit sich bringen können.²

Arten von Daten aus klinischen Studien

Forscher sammeln während Studien viele Arten von Daten. Dazu gehören:

  • Patientendaten
  • Krankengeschichte
  • Behandlungsprotokolle
  • Laborergebnisse
  • Berichte über unerwünschte Ereignisse

Bedeutung der Datenbereinigung

Die Datenbereinigung ist unerlässlich. Rund 80 % der klinischen Studien haben mit inkonsistenten Daten zu kämpfen. Zudem könnten 30 % der Daten Fehler enthalten² . Nur 60 % der Forschenden vertrauen ihren Daten².

Häufige Probleme bei Datensätzen klinischer Studien

Klinische Datensätze weisen häufig Probleme auf, die das Vertrauen in die Forschung beeinträchtigen. Dazu gehören fehlende Werte, uneinheitliche Formatierung und Ausreißer. Diese können die Analyse erheblich beeinflussen³.

Mangelhafte Datenqualität kann die Forschungskosten um bis zu 25 % erhöhen. Daher ist ein gutes klinisches Datenmanagement sowohl für den wissenschaftlichen als auch für den wirtschaftlichen Erfolg unerlässlich.²

Einrichten Ihrer Python-Umgebung

Für die Datenanalyse , beispielsweise in klinischen Studien, ist eine solide Python-Umgebung unerlässlich . Der Python-Schnellstartleitfaden für Data Science trägt dazu bei , Ihre Arbeit reibungsloser und produktiver zu gestalten.

Die Einrichtung Ihres Python-Arbeitsbereichs für die Datenanalyse umfasst mehrere wichtige Schritte. Diese Schritte helfen Ihnen, die pandas-Bibliothek und andere Tools reibungslos zu verwenden.

Installation wichtiger Pakete

Um mit der Analyse klinischer Daten zu beginnen, müssen Sie wichtige Python-Bibliotheken installieren:

  • Pandas: Die Hauptbibliothek für die Datenverarbeitung
  • NumPy: Die Basis für numerische Berechnungen
  • Matplotlib: Ein Tool zur Visualisierung von Daten
  • Scipy: Bietet Unterstützung für wissenschaftliches Rechnen

Strategien zum Importieren von Bibliotheken und Datensätzen

Das Importieren von Bibliotheken in Python erfordert die richtige Syntax. Forscher folgen in der Regel den Standardmethoden zum Importieren jeder Bibliothek:

  • Pandas als pd importieren: Die übliche Methode zum Importieren von Pandas
  • numpy als np importieren: So importieren Sie NumPy
  • importiere matplotlib.pyplot als plt: Zur Verwendung von Matplotlib für visuelle Darstellungen

Die Arbeit mit klinischen Daten erfordert Kenntnisse im korrekten Laden und Verarbeiten. Pandas erleichtert den Import verschiedener Dateitypen wie CSV, Excel und SQL- Datenbanken⁴.

Profi-Tipp: Überprüfen Sie Ihren Datenimport immer mit Methoden wie .head(), um die Struktur Ihres Datensatzes anzuzeigen.

Mit einer gut eingerichteten Python-Umgebung für die Datenanalyse können Forscher in komplexe klinische Studiendaten eintauchen 5.

Datenexploration und Erstinspektion

Die Datenvorverarbeitung ist entscheidend für das Verständnis klinischer Studiendaten. Wir werden leistungsstarke Methoden untersuchen , um Rohdaten in nützliche Erkenntnisse umzuwandeln. Dies gewährleistet die Datenqualität durch detaillierte Analyse⁶.

Zusammenfassende Statistiken, die die Eigenschaften des Datensatzes enthüllen

Pandas bietet leistungsstarke Werkzeuge für erste Datenprüfungen. Die `describe()` -Methode liefert detaillierte zusammenfassende Statistiken. Diese Statistiken zeigen wichtige Merkmale des Datensatzes auf, die durch Techniken zur Datenexploration weiter aufgedeckt werden können.

  • Identifizieren Sie Gesamtbeobachtungen und Variablen
  • Berechnen Sie Mittelwert, Median und Standardabweichung
  • Erkennen von Minimal- und Maximalwerten
  • Datenverteilung verstehen

Visualisierung von Datenverteilungen

Matplotlib ist ein erstklassiges Tool zur Visualisierung klinischer Studiendaten. Es unterstützt Forscher bei:

  1. Histogramme zeigen Häufigkeitsverteilungen
  2. Boxplots zur Aufdeckung statistischer Ausreißer
  3. Streudiagramme zur Untersuchung der Beziehungen zwischen Variablen
VisualisierungstechnikZweckWichtige Erkenntnis
HistogrammVerteilungsanalyseDatenverteilung verstehen
Box-PlotAusreißererkennungExtremwerte erkennen
StreudiagrammKorrelationsuntersuchungVariablenbeziehungen aufdecken

Eine effektive Datenqualitätssicherung beginnt mit einer gründlichen visuellen und statistischen Analyse.

Durch die Anwendung dieser Methoden können Forscher komplexe Daten aus klinischen Studien verständlich und nützlich machen.⁷

Identifizieren und Behandeln fehlender Daten

Fehlende Daten stellen ein großes Problem in der klinischen Forschung dar. Sie können die Zuverlässigkeit der Ergebnisse beeinträchtigen. Die Datenbereinigung ist daher entscheidend für die Aufrechterhaltung einer hohen Forschungsqualität<sup> 8 </sup>. Klinische Daten weisen häufig aus verschiedenen Gründen fehlende Werte auf, beispielsweise aufgrund von Fehlern oder Datenschutzproblemen <sup>8</sup>.

Es ist wichtig zu wissen, warum Daten fehlen. Dafür gibt es drei Hauptgründe:

  • MCAR (vollständig zufälliges Fehlen)
  • MAR (zufälliges Fehlen)
  • MNAR (Missing Not at Random)

Strategien zur Identifizierung fehlender Werte

Die Pandas-Bibliothek von Python eignet sich hervorragend zum Auffinden und Korrigieren fehlender Daten. Die Methode ` .isnull ()` zeigt an , wo Daten fehlen . Eine sorgfältige Datenbereinigung ist für die Forschung unerlässlich.

Techniken zur Imputation fehlender Daten

Es gibt verschiedene Möglichkeiten, mit fehlenden Daten umzugehen:

  1. Zeilenweises Löschen
  2. Spaltenweises Löschen
  3. Mittelwert-/Median-Imputation für Zahlen
  4. Modusimputation für Kategorien
ImputationsmethodeDateitypEmpfohlene Anwendungsgebiete
Listenweises LöschenAlle ArtenVerwenden Sie, wenn weniger als 5 % Daten fehlen10
Mittlere ImputationKontinuierlichGeeignet für normalverteilte Daten
ModusimputationKategorischBehält die häufigste Kategorie bei

Die Wahl der richtigen Methode zur Datenimputation ist knifflig. Keine Methode ist perfekt für den Umgang mit fehlenden Daten . Am besten testet man verschiedene Methoden für jeden Datensatz <sup>10</sup>.

Durch den Einsatz effektiver Datenbereinigungsmethoden können Forscher Verzerrungen reduzieren. Dies macht ihre Analysen klinischer Studien zuverlässiger⁸.

Datenkonsistenz und -formatierung

Die Datenaufbereitung ist entscheidend, um Datensätze klinischer Studien für die Analyse vorzubereiten. Es ist wichtig, Datenformate zu standardisieren und kategoriale Variablen korrekt zu verarbeiten. Dies sichert die Qualität der wissenschaftlichen Forschung<sup> 11</sup> . Durch den Einsatz geeigneter Datenvorverarbeitungstechniken können die Ergebnisse klinischer Studien zuverlässiger und verständlicher werden<sup> 12</sup>.

Standardisierung von Datenformaten

Formatierungsfehler können die Datenanalyse erheblich beeinträchtigen, insbesondere bei gemischten Datentypen¹¹ . Die Pandas-Bibliothek von Python bietet hervorragende Werkzeuge , um diese Probleme zu lösen:

  • Arbeiten jederzeit weiterbearbeiten können. Jede Präsentation und jeder KI-Avatar, den Sie von Grund auf neu erstellen oder hochladen, .astype() um Datentypen konsistent zu ändern
  • Verwenden .to_datetime() zur Standardisierung von Datumsformaten
  • Tragen Sie .to_numeric() um die Zahlen konsistent zu halten

Textformatierungsprobleme lassen sich mit String-Methoden wie .str.lower() , .str.replace() und .str.strip() beheben . Durch die Verwendung dieser Methoden können Forscher die Datenaufbereitung vereinfachen und Fehler reduzieren.

Umgang mit kategorialen Variablen

Kategorische Variablen erfordern bei der Datenaufbereitung besondere Sorgfalt. One-Hot-Encoding ist eine hervorragende Methode, um kategoriale Daten in ein für maschinelle Lernalgorithmen nutzbares Format umzuwandeln<sup> 12</sup> . Die Funktion `get_dummies()` in Pandas vereinfacht dies, indem sie für jede eindeutige Kategorie binäre Spalten erstellt<sup> 13</sup>.

Bei der Arbeit mit Daten aus klinischen Studien ist die Datenkonsistenz entscheidend, um falsche Analyseergebnisse zu vermeiden. Forscher sollten daher ihre Datenbereinigungsschritte dokumentieren und den Kontext ihrer Daten kennen<sup> 11</sup>.

Erkennung und Behandlung von Ausreißern

Daten aus klinischen Studien weisen häufig Extremwerte auf, die die Ergebnisse verfälschen können. Für qualitativ hochwertige Daten und präzise Analysen ist es daher entscheidend, diese Ausreißer zu verstehen und zu behandeln <sup>14</sup> . Unsere detaillierten Datenbereinigungsmethoden helfen dabei, diese problematischen Datenpunkte zuverlässig zu erkennen und zu verarbeiten.

Ausreißer können statistische Analysen verfälschen und die Zuverlässigkeit von Forschungsergebnissen beeinträchtigen <sup>14</sup> . Sie beeinflussen Kennzahlen wie die zentrale Tendenz und die Standardabweichung<sup> 14</sup> . Daher ist es für Forschende unerlässlich, geeignete Methoden anzuwenden, um diese Probleme zu erkennen und zu beheben.

Ausreißer mit Python identifizieren

Wir schlagen zwei Hauptmethoden zum Auffinden von Ausreißern vor:

  • Z-Score-Methode: Findet Ausreißer als Datenpunkte, die mehr als 3 Standardabweichungen vom Mittelwert entfernt sind15
  • Interquartilbereichsmethode (IQR): Betrachtet Ausreißer als Datenpunkte, die 1.5-mal so groß wie der IQR über Q3 oder unter Q1 liegen14

Techniken zum Umgang mit Ausreißern

Forscher haben mehrere Möglichkeiten, mit Ausreißern umzugehen:

  1. Quantilbasierte Kappung: Ersetzt Ausreißer durch 10. und 90. Perzentilwerte14
  2. Median-Ersetzung: Tauscht Extremwerte mit dem Median des Datensatzes aus14
  3. Visualisierungstechniken: Verwendet Boxplots, um Daten nach der Behandlung zu überprüfen14

Durch die Anwendung dieser Datenbereinigungsmethoden können Forscher die Datenqualität verbessern und ihre Analysen klinischer Studien zuverlässiger gestalten 15.

Erstellen überzeugender Datenvisualisierungen

Durch Datenvisualisierung werden komplexe Studieninformationen in klare Erkenntnisse umgewandelt 16 . Unsere Methode nutzt aussagekräftige Visualisierungen, um wichtige Ergebnisse zu vermitteln 17.

Die Datenvisualisierung in der klinischen Forschung hat sich stark verändert. Sie hilft nun dabei, Muster und Zusammenhänge in den Daten zu erkennen.

Wichtige Bibliotheken für die Visualisierung

Python verfügt über hervorragende Bibliotheken zur Datenvisualisierung :

  • Matplotlib: Die Grundlagen Visualisierungsbibliothek mit vielen Optionen17
  • Seaborn: Erstellt schöne statistische Grafiken16
  • Plotly: Erstellt interaktive Visualisierungen17

Effektive visuelle Strategien

Gute Datenvisualisierung erfordert einen durchdachten Plan. Forscher sollten:

  1. Wählen Sie die richtigen Plottypen
  2. Daten übersichtlich halten
  3. Halte es einfach
VariablentypEmpfohlene Visualisierung
Kategoriale EinzelvariableZähldiagramm
Kontinuierliche EinzelvariableHistogramm
Kontinuierlich/Kontinuierliche VariablenStreudiagramm

Profi-Tipp : Wählen Sie die beste Visualisierung für Ihre Daten 16.

Wichtige statistische Tests für die Analyse klinischer Studien

Für ein aussagekräftiges klinisches Datenmanagement ist eine präzise statistische Analyse unerlässlich. Forscher nutzen fundierte statistische Methoden, um ihre Ergebnisse zu überprüfen und wichtige medizinische Entscheidungen zu treffen <sup>18</sup> . Die Kenntnis der richtigen statistischen Tests ist entscheidend für die Genauigkeit klinischer Studienergebnisse <sup>19</sup>.

Klinische Datenanalyse Statistische Tests

Statistische Modellierung ist für die Analyse komplexer Daten und die Erstellung von Prognosen unerlässlich <sup>18</sup> . In klinischen Studien ist die Wahl des geeigneten statistischen Tests entscheidend für verlässliche Schlussfolgerungen. Datenanalysetechniken sind für Forschende unverzichtbar.

Auswahl des richtigen statistischen Tests

Bei der Analyse von Daten in der klinischen Forschung sind mehrere Faktoren wichtig:

  • Spezifische Forschungsfrage
  • Datenverteilung
  • Stichprobenumfang
  • Variablentypen
Statistischer TestLuftüberwachungPython-Funktion
Einstichproben-t-TestVergleichen Sie den Stichprobenmittelwert mit dem Populationsmittelwertscipy.stats.ttest_1samp()
Zweistichproben-t-TestVergleichen Sie die Mittelwerte zwischen zwei Gruppenscipy.stats.ttest_ind()
ANOVAVergleichen Sie Mittelwerte mehrerer Gruppenscipy.stats.f_oneway()

Testannahmen verstehen

Forscher müssen die Testvoraussetzungen auf statistische Gültigkeit prüfen. Das Signifikanzniveau von 0.05 wird häufig für Hypothesentests verwendet<sup> 20</sup> . Ein p-Wert unter 0.05 bedeutet, dass die Nullhypothese verworfen wird, was einen starken Hinweis auf Signifikanz liefert<sup> 20</sup>.

Python-Bibliotheken wie scipy und statsmodels bieten Werkzeuge für fortgeschrittene statistische Tests im klinischen Datenmanagement 18 . Diese Werkzeuge helfen Forschern, komplexe Analysen effizienter und genauer durchzuführen.

Fehlerbehebung bei allgemeinen Problemen

Forscher stehen bei der Arbeit mit Daten aus klinischen Studien oft vor großen Herausforderungen. Sie müssen komplexe Probleme lösen, um die Zuverlässigkeit ihrer Datenanalysen zu gewährleisten . Wir unterstützen sie bei der Bewältigung häufiger technischer Probleme, die bei der Datenbereinigung und -aufbereitung auftreten.

Probleme beim Zusammenführen von Dataframes und Datentypkonflikte stellen große Hürden in der klinischen Forschung dar. Wissenschaftler müssen daher wirksame Methoden entwickeln, um mit unerwarteten Datenproblemen umzugehen <sup>22</sup> . Wir empfehlen, detaillierte Validierungsprüfungen durchzuführen, um Fehler frühzeitig zu erkennen und fehlerhafte Analyseergebnisse zu vermeiden.

Die Verarbeitung großer klinischer Datensätze stellt eine weitere große Herausforderung dar. Forscher können Fehler vermeiden, indem sie intelligente Python-Bibliotheken nutzen und sorgfältig programmieren<sup> 21</sup> . Durch die Aufteilung großer Datensätze, eine effiziente Speichernutzung und die Wahl geeigneter Datentypen können sie ihre Datenpipelines zuverlässiger gestalten.

Die Behebung von Python-Fehlern erfordert sorgfältige Untersuchungen und Kenntnisse über Datenänderungen. Mit einem soliden Plan zur Fehlerbehebung können Forschende Probleme schnell lösen, die wichtige Forschungsprojekte verlangsamen könnten . Unser Leitfaden unterstützt Datenwissenschaftler dabei, komplexe Rechenprobleme souverän anzugehen.

FAQ

Was sind die größten Herausforderungen bei der Bereinigung von Daten aus klinischen Studien?

Der Umgang mit fehlenden Werten und die Sicherstellung der Datenkonsistenz sind zentrale Herausforderungen. Auch das Erkennen und Behandeln von Ausreißern, die Standardisierung von Datenformaten und die Wahrung der Datenintegrität sind entscheidend. Forscher müssen diese Herausforderungen bewältigen, um eine genaue Analyse der Ergebnisse klinischer Studien zu gewährleisten.

Warum gilt Python Pandas als unverzichtbar für die Bereinigung von Daten aus klinischen Studien?

Pandas bietet leistungsstarke Tools zur Datenmanipulation. Es hilft beim Umgang mit fehlenden Werten, der Konvertierung von Datentypen, der Erkennung von Ausreißern und der umfassenden Datenanalyse. Seine Vielseitigkeit vereinfacht die komplexe Datenbereinigung und reduziert den Zeitaufwand und die Fehlerquote bei der Verwaltung klinischer Studiendaten.

Wie kann ich fehlende Daten in meinem klinischen Studiendatensatz identifizieren?

Verwenden Sie die Pandas-Funktion isnull(), um fehlende Werte zu finden. Entfernen Sie anschließend Zeilen oder Spalten mit fehlenden Daten mit dropna(). Erwägen Sie die Verwendung von Mittelwert-, Median- oder Modusersetzung für die Imputation, um den Datensatz vollständig zu halten.

Was sind die besten Vorgehensweisen für den Umgang mit Ausreißern in klinischen Daten?

Verwenden Sie Z-Scores und den Interquartilsabstand (IQR), um Ausreißer zu erkennen. Wählen Sie je nach Kontext und Analyseauswirkung zwischen Entfernungs-, Transformations- oder Kappungsstrategien. Berücksichtigen Sie stets die wissenschaftliche Bedeutung von Extremwerten, bevor Sie Änderungen vornehmen.

Welche Python-Bibliotheken sind für die Visualisierung von Daten klinischer Studien am nützlichsten?

Matplotlib und Seaborn sind die besten Optionen für Visualisierungen. Sie bieten Tools zum Erstellen von Streudiagrammen, Boxplots, Histogrammen und mehr. Diese Visualisierungen helfen Forschern, komplexe Datenverteilungen und -beziehungen zu verstehen.

Wie stelle ich die Datenkonsistenz über verschiedene Variablen klinischer Studien hinweg sicher?

Verwenden Sie die Pandas-Funktion astype(), um Datentypen konsistent zu konvertieren. Setzen Sie get_dummies() für kategoriale Variablen ein. Implementieren Sie standardisierte Formatierungen, um Variablen für Analysen und Machine-Learning-Algorithmen vorzubereiten.

Welche statistischen Tests eignen sich am besten für die Datenanalyse klinischer Studien?

Zu den gängigen Tests gehören T-Tests zum Vergleich von Mittelwerten, ANOVA für Mehrfachvergleiche und Regressionsanalysen für Variablenbeziehungen. Die Wahl hängt von Ihrer Forschungsfrage, der Datenverteilung und den statistischen Testannahmen ab.

Wie kann ich häufige Probleme mit der Datenbereinigung in Python beheben?

Beheben Sie Merge-Konflikte durch die Überprüfung der Schlüsselausrichtungen. Beheben Sie Datentypinkonsistenzen durch Konvertierung. Nutzen Sie die Fehlerbehebung bei Speicherproblemen oder NaN-Werten. Entwickeln Sie einen systematischen Ansatz zur Identifizierung und Lösung von Datenpipeline-Problemen.

Was sind die wichtigsten Überlegungen zur Wahrung der Datenintegrität während der Bereinigung?

Dokumentieren Sie die Bereinigungsschritte detailliert. Verwenden Sie reproduzierbaren Code und validieren Sie Transformationen. Berücksichtigen Sie stets die Auswirkungen von Datenänderungen auf die Analyse. Bewahren Sie den ursprünglichen Datensatz und erstellen Sie eine bereinigte Version für die Analyse.

Wie lange dauert ein typischer Bereinigungsprozess der Daten klinischer Studien?

Die Dauer variiert je nach Komplexität des Datensatzes. Effiziente Python Pandas-Techniken können die Bereinigungszeit um bis zu 50 % reduzieren. Bei großen Datensätzen kann der Vorgang einige Stunden bis mehrere Tage dauern.

Quellenlinks

  1. https://kili-technology.com/data-labeling/machine-learning/cleaning-your-dataset-in-python-an-introduction
  2. https://moldstud.com/articles/p-exploring-the-essentials-of-clinical-data-management-using-python-a-complete-resource-for-researchers
  3. https://guides.library.stonybrook.edu/data-cleaning-and-wrangling/wrangling
  4. https://ourcodingclub.github.io/tutorials/pandas-python-intro/
  5. https://www.geeksforgeeks.org/medical-analysis-using-python-revolutionizing-healthcare-with-data-science/
  6. https://medium.com/@ugursavci/complete-exploratory-data-analysis-using-python-9f685d67d1e4
  7. https://www.geeksforgeeks.org/quick-guide-to-exploratory-data-analysis-using-jupyter-notebook/
  8. https://spotintelligence.com/2024/10/18/handling-missing-data-in-machine-learning/
  9. https://towardsdatascience.com/increase-productivity-data-cleaning-using-python-and-pandas-5e369f898012/
  10. https://www.analyticsvidhya.com/blog/2021/10/guide-to-deal-with-missing-values/
  11. https://www.linkedin.com/advice/0/how-can-you-handle-inconsistent-data-python-using-pukaf
  12. https://talent500.com/blog/data-preprocessing/
  13. https://realpython.com/python-for-data-analysis/
  14. https://www.analyticsvidhya.com/blog/2021/05/detecting-and-treating-outliers-treating-the-odd-one-out/
  15. https://www.analyticsvidhya.com/blog/2021/05/feature-engineering-how-to-detect-and-remove-outliers-with-python-code/
  16. https://pmc.ncbi.nlm.nih.gov/articles/PMC10728683/
  17. https://medium.com/@jinalg.tagline/mastering-data-visualization-in-python-a-comprehensive-guide-0164a8b61493
  18. https://www.qodo.ai/blog/statistical-modeling-with-python-how-to-top-libraries/
  19. https://phuse.s3.eu-central-1.amazonaws.com/Archive/2024/Connect/EU/Strasbourg/PAP_AD07.pdf
  20. https://medium.com/tomtalkspython/statistical-analysis-using-scipy-6db9fa891903
  21. https://www.osedea.com/insight/data-cleaning-with-python
  22. https://builtin.com/data-science/data-wrangling-pandas