4  Green IT – Datenvisualisierungsprojekt

Im Unterricht wurde der ökologische Fussabdruck der IT besprochen. Zwei zentrale Erkenntnisse:

• Rechenzentren sind für ca. 1.5 % des weltweiten Stromverbrauchs verantwortlich.

• Die Energieeffizienz wird als Power Usage Effectiveness (PUE) gemessen.

  (\(\text{PUE}=\frac{\text{Gesamtstromverbrauch RZ}}{\text{Stromverbrauch IT}}\))

4.1 Lernziele

Am Ende dieses Projekts können Sie: - PUE-Kennzahlen berechnen und interpretieren - Professionelle Datenvisualisierungen mit matplotlib erstellen - Trends bei der weltweiten Elektroschrott-Erzeugung und -Wiederverwertung analysieren - Datenanalyse mit realen Nachhaltigkeitsherausforderungen verknüpfen

In diesem Notebook berechnen Sie die PUE-Werte verschiedener Unternehmen und visualisieren (und interpretieren) Elektroschrott-Daten.

4.2 Aufgabe 1: Power Usage Effectiveness (PUE)

# --- Setup (nicht verändern) ---
import pandas as pd
import matplotlib.pyplot as plt

# --- Daten: PUE-Werte grosser Cloud-Anbieter ---
# Quellen: siehe Referenztabelle unten
data_centers = {
    "Name": [
        "Google (weltweit, 2024)",
        "AWS (weltweit, 2024)",
        "Microsoft (weltweit, 2022)",
        "Meta (Luleå, 2024)",
        "Branchendurchschnitt (2024)"
    ],
    "PUE": [
        1.09,   # Google Environmental Report 2025
        1.15,   # AWS Sustainability Report 2024
        1.18,   # Microsoft Azure Blog (2022)
        1.07,   # Meta/DCPulse (Luleå, Schweden)
        1.56    # Uptime Institute Survey 2024
    ]
}
df_dc = pd.DataFrame(data_centers)

4.2.1 Gute Visualisierungspraxis

Bevor Sie mit dem Programmieren beginnen, beachten Sie: 1. Klare Beschriftungen: Achsen immer beschriften und einen Titel hinzufügen. 2. Farbbedeutung: Farben zur Informationsvermittlung nutzen (grün = gut, rot = schlecht). 3. Referenzlinien: Linien für Richtwerte einzeichnen (z. B. PUE = 1.0). 4. Legende: Erklären, was Farben oder Symbole bedeuten.

# TODO 1: Erstellen Sie ein horizontales Balkendiagramm (barh) der PUE-Werte.
#
# HINWEISE:
# - Verwenden Sie df_dc["Name"] für die y-Achsen-Beschriftungen
# - Verwenden Sie df_dc["PUE"] für die x-Achsen-Werte
# - Für bedingte Einfärbung der Balken erstellen Sie eine Liste:
#   colors = ['green' if pue < 1.2 else 'orange' if pue < 1.4
#             else 'red' for pue in df_dc["PUE"]]
# - Fügen Sie eine vertikale Linie hinzu: plt.axvline(x=1.0, color='black',
#   linestyle='--', label='Theoretisches Optimum')
# - Vergessen Sie nicht: plt.xlabel(), plt.ylabel(), plt.title(), plt.legend()

4.3 Aufgabe 2: Elektroschrott-Analyse

# --- Daten: Weltweiter Elektroschrott ---
# Quelle: Global E-Waste Monitor 2024
# (UNITAR/ITU), inkl. Prognosen
data_ewaste = {
    "Jahr": [
        2010, 2014, 2019, 2022, 2030
    ],
    "Elektroschrott_Mio_Tonnen": [
        34.0, 41.8, 53.6, 62.0, 82.0
    ],
    "Recyclingquote_Prozent": [
        23.5, 22.5, 17.4, 22.3, 20.0
    ]
}
df_ew = pd.DataFrame(data_ewaste)

# TODO 2: Erstellen Sie ein Liniendiagramm mit zwei y-Achsen:
# Elektroschrott (Mio. Tonnen) auf der linken Achse und
# Recyclingquote (%) auf der rechten Achse, über die Zeit.
#
# HINWEISE:
# - Verwenden Sie plt.plot() für beide Linien
# - Für die zweite y-Achse: ax2 = ax1.twinx()
# - Markieren Sie 2030 als Prognose mit einer gestrichelten
#   Linie oder einem anderen Marker (z. B. linestyle='--'
#   für Jahre >= 2030, oder plt.axvline(x=2030,
#   linestyle=':', label='Prognose'))
# - Beschriften Sie beide y-Achsen: ax1.set_ylabel("..."),
#   ax2.set_ylabel("...")
# - Fügen Sie eine Legende hinzu: ax1.legend(loc='upper left'),
#   ax2.legend(loc='upper right')


# TODO 3:
# (a) Berechnen Sie den nicht recycelten Elektroschrott 2022:
#     nicht_recycelt_tonnen = gesamt_2022 * (1 - recyclingquote / 100)
#
# (b) Berechnen Sie den Wert der nicht recycelten Materialien:
#     Wenn der Gesamtwert = 62 Mrd. USD und die Recyclingquote = 22.3 %,
#     dann nicht_recycelter_wert = 62 * (1 - 0.223) Mrd. USD
#
# Geben Sie beide Ergebnisse aus.

4.4 Quellenverzeichnis

Organisation	Bericht/Quelle	Jahr
Google	Environmental Report 2025	2025
AWS	Sustainability Report 2024	2024
Microsoft	Azure Blog (PUE-Kennzahlen)	2022
Meta	DCPulse (Rechenzentrum Luleå)	2024
Uptime Institute	Global Data Center Survey	2024
UNITAR/ITU	Global E-Waste Monitor 2024	2024

Links: - Google: https://sustainability.google/reports/ - AWS: https://sustainability.aboutamazon.com/ - Microsoft: https://azure.microsoft.com/en-us/blog/ - Meta: https://sustainability.fb.com/ - Uptime Institute: https://uptimeinstitute.com/ - UNITAR: https://ewastemonitor.info/