Programmieren mit offenen Daten - Deutschland
Programmieren mit offenen Daten - Deutschland
Programmieren mit offenen Daten - Deutschland
Offene Daten machen aus Zahlen, Tabellen und Messwerten ein spannendes Informatikprojekt: Du kannst Daten suchen, mit einem Programm einlesen, prüfen, filtern, vergleichen und anschließend als Diagramm oder Karte darstellen. In diesem aiMOOC arbeitest Du mit öffentlichen Datensätzen aus Deutschland und lernst dabei einen vollständigen Datenanalyse-Workflow kennen.
.svg)
Einleitung
Viele Behörden und öffentliche Einrichtungen in Deutschland veröffentlichen Daten, die von Menschen und Programmen weiterverwendet werden können. Solche Daten können zum Beispiel Bevölkerungszahlen, Umweltmesswerte, Verwaltungsgrenzen, Verkehrsangaben oder statistische Kennzahlen beschreiben. Werden Daten unter geeigneten Nutzungsbedingungen und in gut weiterverarbeitbaren Formaten veröffentlicht, spricht man von offenen Daten.
Für die Informatik sind offene Datensätze besonders interessant, weil Du mit echten Daten arbeitest. Statt nur erfundene Zahlen in einem Programm zu verwenden, kannst Du Fragen untersuchen wie: Wie unterscheiden sich Regionen? Wie verändert sich ein Messwert über die Zeit? Welche Werte fehlen? Welche Darstellung erklärt ein Ergebnis besonders gut?
Wichtig ist: Öffentlich auffindbar bedeutet nicht automatisch beliebig nutzbar. Prüfe deshalb immer die Lizenz, die Herkunft, den Aktualisierungsstand und die Beschreibung eines Datensatzes. Personenbezogene oder besonders sensible Daten dürfen nicht einfach veröffentlicht oder verarbeitet werden. Datenschutz bleibt auch bei Datenprojekten ein zentrales Thema.
Lernziele
Nach diesem aiMOOC kannst Du erklären, was offene Daten sind, geeignete öffentliche Datenquellen in Deutschland finden, Dateiformate unterscheiden, Datensätze mit Python einlesen und untersuchen, einfache Datenbereinigungen durchführen, Daten filtern und gruppieren, Diagramme erstellen und Ergebnisse kritisch interpretieren. Du kannst außerdem einschätzen, warum Lizenz, Datenschutz, Datenqualität, Metadaten und nachvollziehbare Dokumentation zu einem guten Datenprojekt gehören.
Für welche Klassenstufen eignet sich der aiMOOC?
Für die Klassen 7 bis 9 kannst Du mit heruntergeladenen CSV-Dateien, einfachen Filtern und Diagrammen arbeiten. In den Klassen 10 bis 13 kannst Du zusätzlich APIs, JSON, komplexere Datenbereinigung, Gruppierungen, statistische Kennzahlen, Karten und reproduzierbare Analysen einsetzen. Die Aufgaben lassen sich deshalb an unterschiedliche Vorkenntnisse anpassen.
Was sind offene Daten?
Open Data sind Daten, die so bereitgestellt werden, dass sie unter klaren Nutzungsbedingungen weiterverwendet werden können. Besonders wichtig sind dabei offene oder eindeutig geregelte Lizenzen, maschinenlesbare Formate, verständliche Metadaten und ein möglichst dauerhafter Zugang.
Bei offenen Verwaltungsdaten spricht man häufig von Open Government Data. Das nationale Datenportal GovData macht Datensätze und ihre Beschreibungen aus Bund, Ländern und Kommunen auffindbar. Dabei solltest Du bei jedem einzelnen Datensatz prüfen, wie offen er tatsächlich nutzbar ist.
Für die maschinelle Verarbeitung sind Formate wie CSV und JSON häufig günstiger als ein PDF. Ein PDF kann für Menschen gut lesbar sein, ist aber für Programme oft deutlich schwerer auszuwerten.
Lizenz und Nachnutzung
Eine Lizenz beantwortet die Frage, was Du mit einem Datensatz tun darfst. Bei offenen Daten begegnen Dir zum Beispiel Creative-Commons-Lizenzen, CC0 oder die Datenlizenz Deutschland. Manche Lizenzen verlangen eine Namensnennung. Andere erlauben eine besonders freie Nachnutzung.
Für Dein Schulprojekt solltest Du deshalb immer notieren: Wer stellt die Daten bereit? Unter welcher Lizenz stehen sie? Von wann stammen sie? Wo hast Du sie gefunden? Auf diese Weise bleibt Deine Analyse nachvollziehbar.
Metadaten
Metadaten sind Daten über Daten. Sie erklären zum Beispiel den Titel eines Datensatzes, den Herausgeber, den Zeitraum, die räumliche Abdeckung, Einheiten, Spaltennamen, Aktualisierungsintervalle oder Nutzungsbedingungen. Ohne gute Metadaten können Zahlen leicht falsch interpretiert werden.
Ein Wert von „42“ ist allein kaum aussagekräftig. Erst wenn Du weißt, ob damit 42 Personen, 42 Mikrogramm pro Kubikmeter, 42 Prozent oder 42 Kilometer gemeint sind, kannst Du sinnvoll weiterarbeiten.
Wichtige Datenquellen in Deutschland
GovData
GovData ist ein zentraler Einstiegspunkt für Verwaltungsdaten in Deutschland. Du kannst nach Themen, Regionen, Formaten und weiteren Merkmalen suchen. Besonders praktisch für Programmierprojekte sind Datensätze, die als CSV, JSON oder über eine API verfügbar sind.
Geeignete Schulthemen sind zum Beispiel Bevölkerung, Bildung, Umwelt, Regionen und Städte, Verkehr, Wirtschaft oder Wissenschaft.
Arbeitsidee: Suche bei GovData nach einem Thema aus Deiner Gemeinde oder Deinem Bundesland. Prüfe anschließend, welches Dateiformat angeboten wird und welche Lizenz angegeben ist.
Statistisches Bundesamt und GENESIS-Online
Das Statistische Bundesamt stellt über GENESIS-Online viele amtliche Statistiken bereit. Tabellen können für die Weiterverarbeitung heruntergeladen werden. Besonders interessant ist das Flat-File-CSV-Format, weil Daten und Metadaten strukturiert für eine maschinelle Auswertung bereitgestellt werden.
GENESIS-Online besitzt außerdem eine RESTful-JSON-Schnittstelle. Für aktuelle Programmierprojekte musst Du die jeweilige API-Dokumentation beachten, weil Methoden und Parameter genau vorgegeben sind.
Projektideen: Bevölkerungsentwicklung, Preisentwicklung, Bildung, Erwerbstätigkeit oder regionale Vergleiche.
Umweltbundesamt
Das Umweltbundesamt veröffentlicht viele Daten zur Umweltsituation in Deutschland. Besonders anschaulich sind die Luftdaten: Messstationen erfassen Luftschadstoffe, und die Daten können nach Zeit und Ort untersucht werden. Für Entwicklerinnen und Entwickler gibt es auch eine API.
Damit eignet sich das Angebot gut für ein Projekt, bei dem Du Messwerte vergleichst, Zeitreihen zeichnest oder eine einfache Umwelt-Daten-App planst.
Das Video zeigt eine ältere Auswertung von Luftqualitätsdaten. Nutze es vor allem, um zu beobachten, wie Messdaten erklärt und visualisiert werden. Für eine eigene Analyse solltest Du aktuelle Daten verwenden und den aktuellen Datenstand angeben.
Bundesamt für Kartographie und Geodäsie
Das Bundesamt für Kartographie und Geodäsie stellt über sein Geodatenzentrum auch kostenfreie Geodaten und Webdienste bereit. Dazu gehören beispielsweise Verwaltungsgebiete und weitere Geobasisdaten. Solche Daten kannst Du für Kartenprojekte einsetzen.
Bei Geodaten begegnen Dir zusätzliche Formate und Dienste, etwa GeoJSON, Shape-Dateien, WFS oder WMS. Für ein erstes Schulprojekt reicht es häufig aus, mit einer einfachen Tabelle mit Orten und Koordinaten oder einer vorbereiteten GeoJSON-Datei zu beginnen.
Vom Datensatz zur Erkenntnis
Ein gutes Datenprojekt folgt nicht nur dem Motto „Datei öffnen und Diagramm zeichnen“. Entscheidend ist ein nachvollziehbarer Ablauf.
- Fragestellung: Formuliere zuerst eine Frage, die mit Daten beantwortet werden kann.
- Datenquelle: Suche eine seriöse und möglichst offizielle Quelle.
- Lizenz: Prüfe die erlaubte Nachnutzung und notwendige Namensnennung.
- Datenimport: Lade die Datei oder rufe die Daten über eine API ab.
- Datenbereinigung: Prüfe fehlende Werte, falsche Datentypen, doppelte Zeilen und uneinheitliche Schreibweisen.
- Datenanalyse: Filtere, sortiere, gruppiere und berechne passende Kennzahlen.
- Datenvisualisierung: Wähle eine Darstellung, die zu Deiner Frage passt.
- Interpretation: Erkläre, was aus den Daten folgt und was nicht.
- Dokumentation: Halte Quelle, Datum, Lizenz, Verarbeitungsschritte und Einschränkungen fest.
Werkzeuge: Python, pandas und Jupyter
Python eignet sich gut für schulische Datenprojekte, weil die Sprache vergleichsweise leicht lesbar ist und viele Bibliotheken für Datenanalyse und Visualisierung bietet.
Die Bibliothek pandas arbeitet mit Tabellen in sogenannten DataFrames. Ein DataFrame kannst Du Dir wie eine programmierbare Tabelle vorstellen.
Mit Jupyter Notebooks kannst Du Programmcode, Erklärtexte und Ergebnisse in einem Dokument kombinieren. Das ist für Datenprojekte praktisch, weil andere Deinen Lösungsweg leichter nachvollziehen können.
CSV-Dateien einlesen
Eine CSV-Datei speichert tabellarische Daten als Text. Je nach Quelle werden Spalten zum Beispiel durch Kommas oder Semikolons getrennt. Bei deutschen Datensätzen ist ein Semikolon als Trennzeichen häufig anzutreffen.
Ein einfaches Beispiel mit pandas:
import pandas as pd
df = pd.read_csv("daten.csv", sep=";")
print(df.head())
print(df.columns)
print(df.isna().sum())
Mit head() siehst Du die ersten Zeilen. columns zeigt die Spaltennamen. Mit isna().sum() kannst Du prüfen, wie viele Werte fehlen.
Daten filtern und gruppieren
Angenommen, Deine Tabelle besitzt eine Spalte Kategorie und eine numerische Spalte Wert. Dann könnte eine einfache Analyse so aussehen:
gueltig = df[df["Wert"].notna()]
mittelwerte = (
gueltig
.groupby("Kategorie")["Wert"]
.mean()
.sort_values()
)
print(mittelwerte)
Die Spaltennamen in einem echten Datensatz werden meist anders heißen. Passe Deinen Code deshalb immer an die vorhandenen Metadaten an.
Daten über eine API abrufen
Eine API erlaubt es einem Programm, Daten automatisiert von einem anderen System abzurufen. Häufig werden die Daten als JSON übertragen.
Ein allgemeines Python-Muster sieht so aus:
import requests url = "HIER_API_URL_EINTRAGEN" antwort = requests.get(url, timeout=30) antwort.raise_for_status() daten = antwort.json() print(type(daten))
Dieses Beispiel ist bewusst allgemein. Lies vor einer echten Anfrage immer die API-Dokumentation. Manche APIs verwenden GET-Anfragen, andere POST-Anfragen. Sie können außerdem Parameter, Schlüssel oder besondere Nutzungsbedingungen verlangen.
Das Video verwendet eine NASA-API, erklärt aber grundlegende Schritte, die auch für deutsche offene Daten wichtig sind: Dokumentation lesen, Anfrage senden, JSON verstehen und Ergebnisse weiterverarbeiten.
Daten visualisieren
Ein Diagramm ist keine Dekoration, sondern ein Werkzeug zum Denken. Ein gutes Diagramm hilft dabei, Muster, Unterschiede oder Veränderungen zu erkennen.
Mit Matplotlib kannst Du aus einer pandas-Auswertung ein Diagramm erstellen:
import matplotlib.pyplot as plt
mittelwerte.plot(kind="bar")
plt.title("Durchschnittswerte nach Kategorie")
plt.xlabel("Kategorie")
plt.ylabel("Wert")
plt.tight_layout()
plt.show()
Für zeitliche Entwicklungen eignet sich oft ein Liniendiagramm. Für Vergleiche zwischen Kategorien kann ein Balkendiagramm sinnvoll sein. Ein Kreisdiagramm ist dagegen häufig schwieriger zu vergleichen und sollte nur verwendet werden, wenn Anteile eines Ganzen wirklich im Mittelpunkt stehen.
Gute Diagramme erkennen
Prüfe bei jeder Visualisierung die Achsen, Einheiten, Beschriftungen, Datenquelle und den betrachteten Zeitraum. Eine abgeschnittene Achse oder eine unpassende Skalierung kann Unterschiede größer oder kleiner wirken lassen, als sie tatsächlich sind.
Schreibe deshalb unter eine eigene Darstellung immer mindestens Quelle, Datenstand und eine kurze Erklärung, was zu sehen ist.
Datenqualität und kritisches Denken
Auch offizielle Daten sind nicht automatisch perfekt. Messstationen können zeitweise ausfallen. Tabellen können fehlende Werte enthalten. Definitionen können sich ändern. Gemeinden können zusammengelegt werden. Kategorien können im Lauf der Jahre anders abgegrenzt sein.
Bei der Analyse solltest Du deshalb fragen: Wie wurden die Daten erhoben? Welche Werte fehlen? Sind alle Zeiträume vergleichbar? Gibt es Ausreißer? Wurde die Definition einer Variable verändert? Sind die Daten aktuell genug für meine Fragestellung?
Ein Programm kann Daten sehr schnell verarbeiten. Ob die Verarbeitung inhaltlich sinnvoll ist, musst Du trotzdem selbst beurteilen.
Datenschutz, Fairness und Verantwortung
Offene Datenprojekte sollen keine Personen gefährden. Veröffentliche deshalb keine personenbezogenen Daten aus eigenen Klassenlisten, Umfragen oder Adresssammlungen. Auch scheinbar harmlose Kombinationen aus Alter, Ort und weiteren Merkmalen können Personen unter Umständen wiedererkennbar machen.
Achte außerdem auf Verzerrungen: Wenn ein Datensatz bestimmte Gruppen, Orte oder Zeiträume schlechter erfasst, kann auch Deine Auswertung verzerrt sein. Eine verantwortungsvolle Datenanalyse nennt solche Grenzen offen.
Ein mögliches Schulprojekt
Leitfrage: Wie unterscheiden sich ausgewählte Regionen in einem selbst gewählten Merkmal?
Du suchst zunächst einen passenden Datensatz bei GovData, GENESIS-Online, dem Umweltbundesamt oder einer anderen offiziellen Stelle. Danach dokumentierst Du Quelle und Lizenz. Anschließend lädst Du die Daten als CSV herunter oder rufst sie über eine API ab. Mit Python und pandas prüfst Du die Struktur, entfernst oder markierst ungeeignete Werte und wählst nur die Daten aus, die zu Deiner Fragestellung gehören.
Zum Schluss erstellst Du ein Diagramm oder eine Karte. Schreibe eine kurze Interpretation: Was zeigt die Darstellung? Welche Erklärung ist plausibel? Welche Aussage wäre mit den vorhandenen Daten nicht erlaubt? Welche zusätzlichen Daten wären nötig?
So wird aus „Programmieren mit Daten“ eine Verbindung aus Informatik, Statistik, Medienbildung und kritischem Denken.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was kennzeichnet offene Daten besonders? (Sie können unter klaren Nutzungsbedingungen weiterverwendet werden) (!Sie dürfen immer personenbezogene Informationen enthalten) (!Sie bestehen ausschließlich aus Bildern) (!Sie können nur von Behörden gelesen werden)
Welches Portal ist ein zentraler Einstiegspunkt für Verwaltungsdaten in Deutschland? (GovData) (!YouTube) (!Wikipedia Commons) (!Python Package Index)
Welches Format eignet sich häufig gut für tabellarische maschinenlesbare Daten? (CSV) (!JPEG) (!MP3) (!DOCX als einzig mögliche Form)
Was ist eine API? (Eine Programmierschnittstelle zum automatisierten Datenaustausch) (!Ein Diagrammtyp) (!Eine Datenschutzbehörde) (!Eine Tabellenüberschrift)
Wofür wird pandas in Python häufig verwendet? (Für die Verarbeitung und Analyse tabellarischer Daten) (!Für das Schneiden von Videos) (!Für das Zeichnen von Handkarten) (!Für die Verschlüsselung jeder Internetverbindung)
Was solltest Du vor der Weiterverwendung eines Datensatzes prüfen? (Die Lizenz) (!Nur die Schriftgröße) (!Nur den Dateinamen) (!Nur die Anzahl der Zeilen)
Warum sind Metadaten wichtig? (Sie erklären Bedeutung Herkunft und Struktur eines Datensatzes) (!Sie ersetzen alle Messwerte) (!Sie machen jede Analyse automatisch richtig) (!Sie löschen fehlende Werte selbstständig)
Was ist bei fehlenden Werten sinnvoll? (Sie erkennen und begründet behandeln) (!Sie immer durch die größte Zahl ersetzen) (!Sie grundsätzlich ignorieren ohne Prüfung) (!Die ganze Datei sofort löschen)
Welche Angabe gehört zu einer nachvollziehbaren Datenvisualisierung? (Die Datenquelle) (!Ein erfundener Messwert) (!Eine zufällige Achsenskalierung) (!Ein nicht erklärter Ausschnitt)
Was gehört zu einer verantwortungsvollen Datenanalyse? (Grenzen und Unsicherheiten der Daten benennen) (!Nur Ergebnisse zeigen die die eigene Vermutung bestätigen) (!Personenbezogene Daten ohne Prüfung veröffentlichen) (!Unpassende Werte heimlich entfernen)
Memory
| GovData | Zentrales Datenportal |
| CSV | Tabellenformat mit Trennzeichen |
| JSON | Hierarchische Schlüssel-Wert-Struktur |
| API | Programmierschnittstelle |
| pandas | Datenanalysebibliothek |
| Matplotlib | Diagrammbibliothek |
| Metadaten | Beschreibung eines Datensatzes |
| Lizenz | Regeln für die Nachnutzung |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Suchen und finden | Datenportal |
| Abrufen und laden | API oder Download |
| Prüfen und bereinigen | Datenqualität |
| Auswerten und vergleichen | Analyse |
| Darstellen und erklären | Visualisierung |
| Dokumentieren und teilen | Reproduzierbarkeit |
...
Kreuzworträtsel
| GovData | Wie heißt das zentrale deutsche Datenportal für Verwaltungsdaten? |
| Lizenz | Was regelt die erlaubte Nachnutzung eines Datensatzes? |
| Python | Welche Programmiersprache wird in diesem aiMOOC für Datenanalysen verwendet? |
| Pandas | Welche Python-Bibliothek verarbeitet Tabellen als DataFrames? |
| Metadaten | Wie heißen Informationen über Herkunft Struktur und Bedeutung eines Datensatzes? |
| Diagramm | Wie heißt eine grafische Darstellung von Daten? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Datenportal: Suche bei GovData einen Datensatz zu einem Thema, das Dich interessiert, und notiere Titel, Anbieter, Format, Datenstand und Lizenz.
- CSV: Öffne eine CSV-Datei zunächst in einem Texteditor und anschließend in einer Tabellenkalkulation. Beschreibe, wie Zeilen, Spalten und Trennzeichen dargestellt werden.
- Datenvisualisierung: Erstelle aus einem kleinen öffentlichen Datensatz ein Balken- oder Liniendiagramm und schreibe darunter Quelle und Datenstand.
- Lizenz: Gestalte eine Lernkarte, die erklärt, warum eine Lizenz bei offenen Daten wichtig ist.
Standard
- Python: Schreibe ein Programm, das eine CSV-Datei mit pandas einliest und die ersten Zeilen, Spaltennamen und fehlenden Werte ausgibt.
- Datenbereinigung: Dokumentiere an einem realen Datensatz mindestens drei Prüfungen zur Datenqualität und begründe jede Veränderung.
- Vergleich: Vergleiche zwei Regionen oder Zeiträume mit demselben Merkmal und erkläre, welche Darstellung für den Vergleich geeignet ist.
- Programmierschnittstelle: Untersuche die Dokumentation einer öffentlichen API und beschreibe Endpunkt, Parameter, Antwortformat und mögliche Fehlerfälle.
Schwer
- Data Storytelling: Entwickle eine kurze Datenstory mit Fragestellung, Datenquelle, Analyse, Visualisierung, Interpretation und Grenzen der Aussage.
- Geodaten: Erstelle mit offenen Geodaten eine einfache Karte, die mindestens ein Merkmal räumlich darstellt, und erläutere die verwendete Datenquelle.
- Reproduzierbarkeit: Gib Dein Analyseprojekt einer anderen Person. Prüft gemeinsam, ob sie mit Deiner Dokumentation zu demselben Ergebnis kommt, und verbessert anschließend die Dokumentation.
- Hackathon: Plant einen kleinen Open-Data-Hackathon in der Klasse. Entwickelt in Teams Ideen für Anwendungen zu Umwelt, Mobilität, Bevölkerung oder Bildung und präsentiert einen Prototyp oder ein Konzept.
|
|
Lernkontrolle
- Dateninterpretation: Zwei Gruppen erstellen aus demselben Datensatz unterschiedliche Diagramme. Erkläre, welche Gestaltungsentscheidungen die Wahrnehmung verändern können, und entwickle Kriterien für eine faire Darstellung.
- Datenqualität: In einer Zeitreihe fehlen mehrere Messwerte. Entwickle drei mögliche Strategien für den Umgang damit und bewerte, wann welche Strategie sinnvoll oder problematisch wäre.
- Quellenkritik: Zwei öffentliche Datenquellen liefern unterschiedliche Werte für scheinbar dieselbe Kennzahl. Entwickle einen Prüfplan, mit dem Du Ursachen wie Stichtag, Definition, Raumbezug oder Erhebungsmethode untersuchst.
- API oder Download: Entscheide für ein Projekt mit täglich aktualisierten Daten, ob ein manueller CSV-Download oder eine API geeigneter ist. Begründe Deine Entscheidung technisch und organisatorisch.
- Datenschutz: Eine Schülergruppe möchte Umfragedaten mit Alter, Wohnort und Freizeitverhalten veröffentlichen. Analysiere Risiken und entwickle eine datenschutzfreundlichere Alternative.
- Transfer: Entwirf eine eigene Forschungsfrage zu Deiner Region und beschreibe, welche Daten Du dafür benötigst, wie Du sie programmatisch verarbeiten würdest und welche Darstellung sich für das Ergebnis eignet.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur ein fertiges Diagramm zeigst, sondern den gesamten Datenweg nachvollziehbar machst.
- Fragestellung: Eine klar formulierte und mit Daten untersuchbare Frage.
- Quelle: Eine nachvollziehbare Angabe des Datenanbieters und des Fundorts.
- Lizenz: Eine kurze Prüfung der Nutzungsbedingungen.
- Datenstruktur: Eine Erklärung wichtiger Spalten, Einheiten und Metadaten.
- Programmcode: Verständlicher, kommentierter und ausführbarer Code.
- Datenbereinigung: Dokumentierte Entscheidungen zu fehlenden, fehlerhaften oder ungeeigneten Werten.
- Analyse: Sinnvolle Filter, Gruppierungen, Vergleiche oder Kennzahlen.
- Visualisierung: Eine passende und korrekt beschriftete grafische Darstellung.
- Interpretation: Eine begründete Antwort auf die Fragestellung.
- Kritische Reflexion: Grenzen, Unsicherheiten und mögliche Verzerrungen der Daten.
- Reproduzierbarkeit: Eine Dokumentation, mit der andere Deinen Weg nachvollziehen können.
OERs zum Thema
- GovData – Das Datenportal für Deutschland: Suche nach öffentlichen Datensätzen aus Bund, Ländern und Kommunen.
- GENESIS-Online – Open Data: Hinweise des Statistischen Bundesamtes zu Weboberfläche, CSV und API.
- Luftdaten des Umweltbundesamtes: Aktuelle und historische Messdaten sowie Informationen zum API-Zugriff.
- Geodatenzentrum des BKG: Geodaten, Kartendienste und ein eigener Open-Data-Bereich.
- Datenlizenzen bei GovData: Informationen zur Lizenzierung und Nachnutzung offener Daten.
Verknüpfte Lernbereiche