Sie sind hier
E-Book

Data Science mit Python

Das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib und Scikit-Learn

AutorJake VanderPlas
Verlagmitp Verlags GmbH & Co. KG
Erscheinungsjahr2017
Seitenanzahl552 Seiten
ISBN9783958456969
FormatPDF
Kopierschutzkein Kopierschutz
GerätePC/MAC/eReader/Tablet
Preis42,99 EUR
Die wichtigsten Tools für die Datenanalyse und-bearbeitung im praktischen Einsatz Python effizient für datenintensive Berechnungen einsetzen mit IPython und Jupyter Laden, Speichern und Bearbeiten von Daten und numerischen Arrays mit NumPy und Pandas Visualisierung von Daten mit Matplotlib Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools: IPython und Jupyter für datenintensive Berechnungen NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt. Leserstimme zum Buch: »Wenn Sie Data Science mit Python betreiben möchten, ist dieses Buch ein hervorragender Ausgangspunkt. Ich habe es sehr erfolgreich beim Unterrichten von Informatik- und Statistikstudenten eingesetzt. Jake geht weit über die Grundlagen der Open-Source-Tools hinaus und erläutert die grundlegenden Konzepte, Vorgehensweisen und Abstraktionen in klarer Sprache und mit verständlichen Erklärungen.« - Brian Granger, Physikprofessor, California Polytechnic State University, Mitbegründer des Jupyter-Projekts

Jake VanderPlas ist seit Langem User und Entwickler von SciPy. Derzeit ist er als interdisziplinärer Forschungsdirektor an der Universität Washington tätig, führt eigene astronomische Forschungsarbeiten durch und berät dort ansässige Wissenschaftler, die in vielen verschiedenen Fachgebieten arbeiten.

Kaufen Sie hier:

Horizontale Tabs

Blick ins Buch
Inhaltsverzeichnis
Cover1
Titel3
Impressum4
Inhaltsverzeichnis5
Einleitung13
Über den Autor18
Kapitel 1: Mehr als normales Python: IPython19
1.1 Shell oder Notebook?19
1.1.1 Die IPython-Shell starten20
1.1.2 Das Jupyter-Notebook starten20
1.2 Hilfe und Dokumentation in IPython21
1.2.1 Mit ? auf die Dokumentation zugreifen22
1.2.2 Mit ?? auf den Quellcode zugreifen23
1.2.3 Module mit der Tab-Vervollständigung erkunden24
1.3 Tastaturkürzel in der IPython-Shell26
1.3.1 Tastaturkürzel zum Navigieren27
1.3.2 Tastaturkürzel bei der Texteingabe27
1.3.3 Tastaturkürzel für den Befehlsverlauf28
1.3.4 Sonstige Tastaturkürzel29
1.4 Magische Befehle in IPython29
1.4.1 Einfügen von Codeblöcken mit %paste und %cpaste29
1.4.2 Externen Code ausführen mit %run31
1.4.3 Messung der Ausführungszeit von Code mit %timeit31
1.4.4 Hilfe für die magischen Funktionen anzeigen mit ?, %magic und %lsmagic32
1.5 Verlauf der Ein- und Ausgabe32
1.5.1 Die IPython-Objekte In und Out33
1.5.2 Der Unterstrich als Abkürzung und vorhergehende Ausgaben34
1.5.3 Ausgaben unterdrücken34
1.5.4 Weitere ähnliche magische Befehle35
1.6 IPython und Shell-Befehle35
1.6.1 Kurz vorgestellt: die Shell36
1.6.2 Shell-Befehle in IPython37
1.6.3 Werte mit der Shell austauschen37
1.7 Magische Befehle für die Shell38
1.8 Fehler und Debugging39
1.8.1 Exceptions handhaben: %xmode39
1.8.2 Debugging: Wenn das Lesen von Tracebacks nicht ausreicht41
1.9 Profiling und Timing von Code44
1.9.1 Timing von Codeschnipseln: %timeit und %time45
1.9.2 Profiling kompletter Skripte: %prun46
1.9.3 Zeilenweises Profiling mit %lprun47
1.9.4 Profiling des Speicherbedarfs: %memit und %mprun48
1.10 Weitere IPython-Ressourcen50
1.10.1 Quellen im Internet50
1.10.2 Bücher50
Kapitel 2: Einführung in NumPy51
2.1 Die Datentypen in Python52
2.1.1 Python-Integers sind mehr als nur ganzzahlige Werte53
2.1.2 Python-Listen sind mehr als nur einfache Listen54
2.1.3 Arrays feststehenden Typs in Python56
2.1.4 Arrays anhand von Listen erzeugen56
2.1.5 Neue Arrays erzeugen57
2.1.6 NumPys Standarddatentypen58
2.2 Grundlagen von NumPy-Arrays59
2.2.1 Attribute von NumPy-Arrays60
2.2.2 Indizierung von Arrays: Zugriff auf einzelne Elemente61
2.2.3 Slicing: Teilmengen eines Arrays auswählen62
2.2.4 Arrays umformen65
2.2.5 Arrays verketten und aufteilen66
2.3 Berechnungen mit NumPy-Arrays: universelle Funktionen68
2.3.1 Langsame Schleifen68
2.3.2 Kurz vorgestellt: UFuncs70
2.3.3 NumPys UFuncs im Detail70
2.3.4 UFunc-Features für Fortgeschrittene75
2.3.5 UFuncs: mehr erfahren77
2.4 Aggregationen: Minimum, Maximum und alles dazwischen77
2.4.1 Summieren der Werte eines Arrays77
2.4.2 Minimum und Maximum78
2.4.3 Beispiel: Durchschnittliche Größe der US-Präsidenten80
2.5 Berechnungen mit Arrays: Broadcasting82
2.5.1 Kurz vorgestellt: Broadcasting82
2.5.2 Für das Broadcasting geltende Regeln84
2.5.3 Broadcasting in der Praxis87
2.6 Vergleiche, Maskierungen und boolesche Logik88
2.6.1 Beispiel: Regentage zählen89
2.6.2 Vergleichsoperatoren als UFuncs90
2.6.3 Boolesche Arrays verwenden91
2.6.4 Boolesche Arrays als Maskierungen94
2.7 Fancy Indexing97
2.7.1 Fancy Indexing im Detail97
2.7.2 Kombinierte Indizierung98
2.7.3 Beispiel: Auswahl zufälliger Punkte99
2.7.4 Werte per Fancy Indexing modifizieren101
2.7.5 Beispiel: Daten gruppieren102
2.8 Arrays sortieren104
2.8.1 Schnelle Sortierung in NumPy: np.sort und np.argsort105
2.8.2 Teilsortierungen: Partitionierung107
2.8.3 Beispiel: k nächste Nachbarn107
2.9 Strukturierte Daten: NumPys strukturierte Arrays112
2.9.1 Strukturierte Arrays erzeugen113
2.9.2 Erweiterte zusammengesetzte Typen114
2.9.3 Record-Arrays: strukturierte Arrays mit Pfiff115
2.9.4 Weiter mit Pandas115
Kapitel 3: Datenbearbeitung mit Pandas117
3.1 Pandas installieren und verwenden117
3.2 Kurz vorgestellt: Pandas-Objekte118
3.2.1 Das Pandas-Series-Objekt118
3.2.2 Das Pandas-DataFrame-Objekt122
3.2.3 Das Pandas-Index-Objekt126
3.3 Daten indizieren und auswählen127
3.3.1 Series-Daten auswählen127
3.3.2 DataFrame-Daten auswählen131
3.4 Mit Pandas-Daten arbeiten135
3.4.1 UFuncs: Indexerhaltung136
3.4.2 UFuncs: Indexanpassung137
3.4.3 UFuncs: Operationen mit DataFrame und Series139
3.5 Handhabung fehlender Daten140
3.5.1 Überlegungen zu fehlenden Daten141
3.5.2 Fehlende Daten in Pandas141
3.5.3 Mit null-Werten arbeiten145
3.6 Hierarchische Indizierung149
3.6.1 Mehrfach indizierte Series149
3.6.2 Methoden zum Erzeugen eines MultiIndex153
3.6.3 Indizierung und Slicing eines MultiIndex156
3.6.4 Multi-Indizes umordnen159
3.6.5 Datenaggregationen mit Multi-Indizes162
3.7 Datenmengen kombinieren: concat und append164
3.7.1 Verkettung von NumPy-Arrays165
3.7.2 Einfache Verkettungen mit pd.concat165
3.8 Datenmengen kombinieren: Merge und Join169
3.8.1 Relationale Algebra170
3.8.2 Join-Kategorien170
3.8.3 Angabe der zu verknüpfenden Spalten173
3.8.4 Mengenarithmetik bei Joins176
3.8.5 Konflikte bei Spaltennamen: das Schlüsselwort suffixes177
3.8.6 Beispiel: Daten von US-Bundesstaaten178
3.9 Aggregation und Gruppierung183
3.9.1 Planetendaten183
3.9.2 Einfache Aggregationen in Pandas184
3.9.3 GroupBy: Aufteilen, Anwenden und Kombinieren186
3.10 Pivot-Tabellen195
3.10.1 Gründe für Pivot-Tabellen195
3.10.2 Pivot-Tabellen von Hand erstellen196
3.10.3 Die Syntax von Pivot-Tabellen197
3.10.4 Beispiel: Geburtenraten199
3.11 Vektorisierte String-Operationen204
3.11.1 Kurz vorgestellt: String-Operationen in Pandas204
3.11.2 Liste der Pandas-Stringmethoden206
3.11.3 Beispiel: Rezeptdatenbank211
3.12 Zeitreihen verwenden215
3.12.1 Kalenderdaten und Zeiten in Python215
3.12.2 Zeitreihen in Pandas: Indizierung durch Zeitangaben219
3.12.3 Datenstrukturen für Zeitreihen in Pandas220
3.12.4 Häufigkeiten und Abstände222
3.12.5 Resampling, zeitliches Verschieben und geglättete Statistik224
3.12.6 Mehr erfahren229
3.12.7 Beispiel: Visualisierung von Fahrradzählungen in Seattle229
3.13 Leistungsstarkes Pandas: eval() und query()236
3.13.1 Der Zweck von query() und eval(): zusammengesetzte Ausdrücke236
3.13.2 Effiziente Operationen mit pandas.eval()237
3.13.3 DataFrame.eval() für spaltenweise Operationen239
3.13.4 Die DataFrame.query()-Methode241
3.13.5 Performance: Verwendung von eval() und query()242
3.14 Weitere Ressourcen242
Kapitel 4: Visualisierung mit Matplotlib245
4.1 Allgemeine Tipps zu Matplotlib246
4.1.1 Matplotlib importieren246
4.1.2 Stil einstellen246
4.1.3 show() oder kein show()? – Anzeige von Diagrammen246
4.1.4 Grafiken als Datei speichern248
4.2 Zwei Seiten derselben Medaille250
4.3 Einfache Liniendiagramme251
4.3.1 Anpassen des Diagramms: Linienfarben und -stile254
4.3.2 Anpassen des Diagramms: Begrenzungen256
4.3.3 Diagramme beschriften258
4.4 Einfache Streudiagramme260
4.4.1 Streudiagramme mit plt.plot() erstellen260
4.4.2 Streudiagramme mit plt.scatter() erstellen263
4.4.3 plot kontra scatter: eine Anmerkung zur Effizienz265
4.5 Visualisierung von Fehlern265
4.5.1 Einfache Fehlerbalken265
4.5.2 Stetige Fehler267
4.6 Dichtediagramme und Konturdiagramme268
4.6.1 Visualisierung einer dreidimensionalen Funktion268
4.7 Histogramme, Binnings und Dichte272
4.7.1 Zweidimensionale Histogramme und Binnings274
4.8 Anpassen der Legende277
4.8.1 Legendenelemente festlegen279
4.8.2 Legenden mit Punktgrößen280
4.8.3 Mehrere Legenden282
4.9 Anpassen von Farbskalen283
4.9.1 Farbskala anpassen284
4.9.2 Beispiel: Handgeschriebene Ziffern288
4.10 Untergeordnete Diagramme290
4.10.1 plt.axes: Untergeordnete Diagramme von Hand erstellen290
4.10.2 plt.subplot: Untergeordnete Diagramme in einem Raster anordnen292
4.10.3 plt.subplots: Das gesamte Raster gleichzeitig ändern293
4.10.4 plt.GridSpec: Kompliziertere Anordnungen294
4.11 Text und Beschriftungen296
4.11.1 Beispiel: Auswirkungen von Feiertagen auf die Geburtenzahlen in den USA296
4.11.2 Transformationen und Textposition299
4.11.3 Pfeile und Beschriftungen300
4.12 Achsenmarkierungen anpassen303
4.12.1 Vorrangige und nachrangige Achsenmarkierungen304
4.12.2 Markierungen oder Beschriftungen verbergen305
4.12.3 Anzahl der Achsenmarkierungen verringern oder erhöhen306
4.12.4 Formatierung der Achsenmarkierungen307
4.12.5 Zusammenfassung der Formatter- und Locator-Klassen310
4.13 Matplotlib anpassen: Konfigurationen und Stylesheets311
4.13.1 Diagramme von Hand anpassen311
4.13.2 Voreinstellungen ändern: rcParams312
4.13.3 Stylesheets314
4.14 Dreidimensionale Diagramme in Matplotlib318
4.14.1 Dreidimensionale Punkte und Linien319
4.14.2 Dreidimensionale Konturdiagramme320
4.14.3 Drahtgitter- und Oberflächendiagramme322
4.14.4 Triangulation von Oberflächen323
4.15 Basemap: geografische Daten verwenden326
4.15.1 Kartenprojektionen328
4.15.2 Zeichnen eines Kartenhintergrunds332
4.15.3 Daten auf einer Karte anzeigen334
4.15.4 Beispiel: Kalifornische Städte335
4.15.5 Beispiel: Oberflächentemperaturen337
4.16 Visualisierung mit Seaborn339
4.16.1 Seaborn kontra Matplotlib339
4.16.2 Seaborn-Diagramme341
4.17 Weitere Ressourcen357
4.17.1 Matplotlib357
4.17.2 Weitere Grafikbibliotheken für Python357
Kapitel 5: Machine Learning359
5.1 Was ist Machine Learning?360
5.1.1 Kategorien des Machine Learnings360
5.1.2 Qualitative Beispiele für Machine-Learning-Anwendungen361
5.1.3 Zusammenfassung369
5.2 Kurz vorgestellt: Scikit-Learn369
5.2.1 Datenrepräsentierung in Scikit-Learn370
5.2.2 Scikit-Learns Schätzer-API372
5.2.3 Anwendung: Handgeschriebene Ziffern untersuchen380
5.2.4 Zusammenfassung385
5.3 Hyperparameter und Modellvalidierung385
5.3.1 Überlegungen zum Thema Modellvalidierung385
5.3.2 Auswahl des besten Modells389
5.3.3 Lernkurven396
5.3.4 Validierung in der Praxis: Rastersuche399
5.3.5 Zusammenfasssung401
5.4 Merkmalserstellung401
5.4.1 Kategoriale Merkmale402
5.4.2 Texte als Merkmale403
5.4.3 Bilder als Merkmale404
5.4.4 Abgeleitete Merkmale405
5.4.5 Vervollständigung fehlender Daten407
5.4.6 Pipelines mit Merkmalen408
5.5 Ausführlich: Naive Bayes-Klassifikation409
5.5.1 Bayes-Klassifikation409
5.5.2 Gauß’sche naive Bayes-Klassifikation410
5.5.3 Multinomiale naive Bayes-Klassifikation413
5.5.4 Einsatzgebiete für naive Bayes-Klassifikation416
5.6 Ausführlich: Lineare Regression417
5.6.1 Einfache lineare Regression417
5.6.2 Regression der Basisfunktion419
5.6.3 Regularisierung423
5.6.4 Beispiel: Vorhersage des Fahrradverkehrs427
5.7 Ausführlich: Support Vector Machines432
5.7.1 Gründe für Support Vector Machines433
5.7.2 Support Vector Machines: Maximierung des Randbereichs434
5.7.3 Beispiel: Gesichtserkennung443
5.7.4 Zusammenfassung Support Vector Machines447
5.8 Ausführlich: Entscheidungsbäume und Random Forests448
5.8.1 Gründe für Random Forests448
5.8.2 Schätzerensembles: Random Forests454
5.8.3 Random-Forest-Regression455
5.8.4 Beispiel: Random Forest zur Klassifikation handgeschriebener Ziffern457
5.8.5 Zusammenfassung Random Forests459
5.9 Ausführlich: Hauptkomponentenanalyse460
5.9.1 Kurz vorgestellt: Hauptkomponentenanalyse460
5.9.2 Hauptkomponentenanalyse als Rauschfilter467
5.9.3 Beispiel: Eigengesichter469
5.9.4 Zusammenfassung Hauptkomponentenanalyse472
5.10 Ausführlich: Manifold Learning473
5.10.1 Manifold Learning: »HELLO«473
5.10.2 Multidimensionale Skalierung (MDS)475
5.10.3 MDS als Manifold Learning477
5.10.4 Nichtlineare Einbettungen: Wenn MDS nicht funktioniert479
5.10.5 Nichtlineare Mannigfaltigkeiten: lokal lineare Einbettung480
5.10.6 Überlegungen zum Thema Manifold-Methoden482
5.10.7 Beispiel: Isomap und Gesichter483
5.10.8 Beispiel: Visualisierung der Strukturen in Zifferndaten487
5.11 Ausführlich: k-Means-Clustering490
5.11.1 Kurz vorgestellt: der k-Means-Algorithmus490
5.11.2 k-Means-Algorithmus: Expectation-Maximization492
5.11.3 Beispiele497
5.12 Ausführlich: Gauß’sche Mixture-Modelle503
5.12.1 Gründe für GMM: Schwächen von k-Means503
5.12.2 EM-Verallgemeinerung: Gauß’sche Mixture-Modelle507
5.12.3 GMM als Dichteschätzung511
5.12.4 Beispiel: GMM zum Erzeugen neuer Daten verwenden515
5.13 Ausführlich: Kerndichteschätzung518
5.13.1 Gründe für Kerndichteschätzung: Histogramme518
5.13.2 Kerndichteschätzung in der Praxis522
5.13.3 Beispiel: Kerndichteschätzung auf Kugeloberflächen524
5.13.4 Beispiel: Nicht ganz so naive Bayes-Klassifikation527
5.14 Anwendung: Eine Gesichtserkennungs-Pipeline532
5.14.1 HOG-Merkmale533
5.14.2 HOG in Aktion: eine einfache Gesichtserkennung534
5.14.3 Vorbehalte und Verbesserungen539
5.15 Weitere Machine-Learning-Ressourcen541
5.15.1 Machine Learning in Python541
5.15.2 Machine Learning im Allgemeinen541
Stichwortverzeichnis543

Weitere E-Books zum Thema: Netzwerke - Clouds - Datenbanken

Sichere Netzwerkkommunikation

E-Book Sichere Netzwerkkommunikation
Grundlagen, Protokolle und Architekturen Format: PDF

Netzwerke werden in allen Bereichen der IT eingesetzt, und es gibt zahlreiche Technologien zur sicheren Netzwerkkommunikation. Doch welche der verfügbaren Techniken lassen sich kombinieren und in der…

Sichere Netzwerkkommunikation

E-Book Sichere Netzwerkkommunikation
Grundlagen, Protokolle und Architekturen Format: PDF

Netzwerke werden in allen Bereichen der IT eingesetzt, und es gibt zahlreiche Technologien zur sicheren Netzwerkkommunikation. Doch welche der verfügbaren Techniken lassen sich kombinieren und in der…

Sichere Netzwerkkommunikation

E-Book Sichere Netzwerkkommunikation
Grundlagen, Protokolle und Architekturen Format: PDF

Netzwerke werden in allen Bereichen der IT eingesetzt, und es gibt zahlreiche Technologien zur sicheren Netzwerkkommunikation. Doch welche der verfügbaren Techniken lassen sich kombinieren und in der…

Sichere Netzwerkkommunikation

E-Book Sichere Netzwerkkommunikation
Grundlagen, Protokolle und Architekturen Format: PDF

Netzwerke werden in allen Bereichen der IT eingesetzt, und es gibt zahlreiche Technologien zur sicheren Netzwerkkommunikation. Doch welche der verfügbaren Techniken lassen sich kombinieren und in der…

Microsoft ISA Server 2006

E-Book Microsoft ISA Server 2006
Leitfaden für Installation, Einrichtung und Wartung Format: PDF

Im Januar 2005 ist mein erstes Buch zum Thema ISA Server 2004 erschienen. Die Erstauflage war bereits nach wenigen Monaten ausverkauft, was offensichtlich bedeutet, dass der Bedarf nach Informationen…

Microsoft ISA Server 2006

E-Book Microsoft ISA Server 2006
Leitfaden für Installation, Einrichtung und Wartung Format: PDF

Im Januar 2005 ist mein erstes Buch zum Thema ISA Server 2004 erschienen. Die Erstauflage war bereits nach wenigen Monaten ausverkauft, was offensichtlich bedeutet, dass der Bedarf nach Informationen…

Veritas Storage Foundation®

E-Book Veritas Storage Foundation®
High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Veritas Storage Foundation®

E-Book Veritas Storage Foundation®
High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Veritas Storage Foundation®

E-Book Veritas Storage Foundation®
High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Weitere Zeitschriften

FESTIVAL Christmas

FESTIVAL Christmas

Fachzeitschriften für Weihnachtsartikel, Geschenke, Floristik, Papeterie und vieles mehr! FESTIVAL Christmas: Die erste und einzige internationale Weihnachts-Fachzeitschrift seit 1994 auf dem ...

Archiv und Wirtschaft

Archiv und Wirtschaft

"Archiv und Wirtschaft" ist die viermal jährlich erscheinende Verbandszeitschrift der Vereinigung der Wirtschaftsarchivarinnen und Wirtschaftsarchivare e. V. (VdW), in der seit 1967 rund 2.500 ...

Atalanta

Atalanta

Atalanta ist die Zeitschrift der Deutschen Forschungszentrale für Schmetterlingswanderung. Im Atalanta-Magazin werden Themen behandelt wie Wanderfalterforschung, Systematik, Taxonomie und Ökologie. ...

Deutsche Tennis Zeitung

Deutsche Tennis Zeitung

Die DTZ – Deutsche Tennis Zeitung bietet Informationen aus allen Bereichen der deutschen Tennisszene –sie präsentiert sportliche Highlights, analysiert Entwicklungen und erläutert ...

DHS

DHS

Die Flugzeuge der NVA Neben unser F-40 Reihe, soll mit der DHS die Geschichte der "anderen" deutschen Luftwaffe, den Luftstreitkräften der Nationalen Volksarmee (NVA-LSK) der ehemaligen DDR ...