Bibliotheken und Frameworks
Python bietet eine Vielzahl von Bibliotheken und Frameworks, die die Entwicklung vereinfachen und beschleunigen. Diese Bibliotheken und Frameworks decken eine breite Palette von Anwendungen ab, von Datenanalyse und wissenschaftlichem Rechnen bis hin zu Webentwicklung und maschinellem Lernen.
10.1. Wichtige Bibliotheken
Hier sind einige der wichtigsten Bibliotheken, die du kennen solltest:
NumPy
- Beschreibung: Bibliothek für numerische Berechnungen.
- Anwendungsbereich: Mathematische Funktionen, lineare Algebra, Matrizenoperationen.
Beispiel:
import numpy as np
# Erstellen eines Arrays
array = np.array([1, 2, 3, 4, 5])
print(array)
# Berechnung des Mittelwerts
mittelwert = np.mean(array)
print(f"Mittelwert: {mittelwert}")
pandas
- Beschreibung: Bibliothek für Datenanalyse und -manipulation.
- Anwendungsbereich: Arbeiten mit Tabellen, Datenreinigung, Datenaggregation.
Beispiel:
import pandas as pd
# Erstellen eines DataFrame
daten = {
'Name': ['Alice', 'Bob', 'Charlie'],
'Alter': [25, 30, 35]
}
df = pd.DataFrame(daten)
print(df)
# Berechnung des Durchschnittsalters
durchschnittsalter = df['Alter'].mean()
print(f"Durchschnittsalter: {durchschnittsalter}")
matplotlib
- Beschreibung: Bibliothek für Datenvisualisierung.
- Anwendungsbereich: Erstellen von Diagrammen und Grafiken.
Beispiel:
import matplotlib.pyplot as plt
# Daten zum Plotten
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Erstellen eines einfachen Liniendiagramms
plt.plot(x, y)
plt.xlabel('x-Achse')
plt.ylabel('y-Achse')
plt.title('Einfaches Liniendiagramm')
plt.show()
scikit-learn
- Beschreibung: Bibliothek für maschinelles Lernen.
- Anwendungsbereich: Klassifikation, Regression, Clustering, Modellbewertung.
Beispiel:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# Laden des Iris-Datensatzes
iris = load_iris()
X = iris.data
y = iris.target
# Aufteilen in Trainings- und Testdaten
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Modell trainieren
modell = LogisticRegression(max_iter=200)
modell.fit(X_train, y_train)
# Vorhersagen treffen
y_pred = modell.predict(X_test)
# Genauigkeit des Modells berechnen
genauigkeit = accuracy_score(y_test, y_pred)
print(f"Genauigkeit: {genauigkeit}")
10.2. Überblick über Webframeworks
Webframeworks erleichtern die Entwicklung von Webanwendungen, indem sie eine Struktur und vorgefertigte Komponenten bereitstellen.
Flask
- Beschreibung: Ein leichtgewichtiges Webframework.
- Anwendungsbereich: Kleine bis mittelgroße Webanwendungen, APIs.
Beispiel:
from flask import Flask, jsonify
app = Flask(__name__)
@app.route('/')
def home():
return "Hallo, Welt!"
@app.route('/daten')
def daten():
return jsonify({"name": "Alice", "alter": 25})
if __name__ == '__main__':
app.run(debug=True)
Django
- Beschreibung: Ein umfangreiches Webframework.
- Anwendungsbereich: Große Webanwendungen, datengetriebene Websites.
Beispiel:
# Dies ist eine einfache Django-Projektstruktur:
# myproject/
# ├── manage.py
# ├── myproject/
# │ ├── __init__.py
# │ ├── settings.py
# │ ├── urls.py
# │ ├── asgi.py
# │ └── wsgi.py
# └── myapp/
# ├── __init__.py
# ├── admin.py
# ├── apps.py
# ├── models.py
# ├── tests.py
# └── views.py
# Beispiel einer einfachen Ansicht (views.py in myapp):
from django.http import HttpResponse
def home(request):
return HttpResponse("Hallo, Welt!")
# URL-Konfiguration (urls.py in myproject):
from django.contrib import admin
from django.urls import path
from myapp import views
urlpatterns = [
path('admin/', admin.site.urls),
path('', views.home, name='home'),
]