Python: die Sprache, die sich wie ein Rezept liest
Wenn jemand sagt, Python sehe aus wie Pseudocode, ist das nicht übertrieben. Die Syntax verlangt Einrückung und bevorzugt sprechende Namen, deshalb bleibt ein gut geschriebenes Python-Skript fast lesbar für Menschen, die nie programmiert haben.
Dieser Leitfaden erklärt, warum Python zur Lieblingssprache von Wissenschaftlern, Ingenieuren und Start-ups im deutschsprachigen Raum geworden ist, vom Fraunhofer-Institut bis zu N26.
Warum Python überall ist
Python wurde 1991 von Guido van Rossum entwickelt und priorisierte von Anfang an die Lesbarkeit. Den großen Schub brachte ab 2012 die Welle von Data Science und Künstlicher Intelligenz. Bibliotheken wie NumPy, pandas, scikit-learn und später PyTorch und TensorFlow machten Python zum De-facto-Standard für Machine Learning.
Aber Python ist nicht nur KI. Es wird genutzt, um Büroaufgaben zu automatisieren, Excel-Daten im großen Stil zu verarbeiten, Web-Backends mit Django oder FastAPI zu bauen und Linux-Server zu administrieren. Beim Deutschen Wetterdienst etwa läuft ein Teil der Modellaufbereitung mit Python.
Was du als Erstes installierst
Auf macOS und Linux ist eine Version vorinstalliert, aber es lohnt sich, eine eigene über pyenv oder direkt von python.org zu installieren. Unter Windows lädst du den offiziellen Installer und setzt das Häkchen bei "Add Python to PATH". Anschließend brauchst du einen Editor: VS Code mit der offiziellen Python-Erweiterung ist die einfachste Kombination.
Lege für jedes Projekt eine virtuelle Umgebung an. Mit python -m venv .venv isolierst du Abhängigkeiten und vermeidest, dass zwei Projekte sich um verschiedene Versionen derselben Bibliothek streiten. Aktivierung: source .venv/bin/activate unter Linux/macOS, .venv\Scripts\activate unter Windows.
Das Wesentliche der Syntax
Variablen brauchen kein Schlüsselwort: name = "Anna" reicht. Blöcke nutzen statt geschweifter Klammern die Einrückung, in der Regel vier Leerzeichen. Eine Funktion definierst du mit def und rufst sie mit Klammern auf. Eine Liste schreibst du in eckigen Klammern, ein Dictionary in geschweiften.
Der Operator in ist äußerst praktisch: if "Apfel" in lieblingsobst prüft Zugehörigkeit. List Comprehensions wie [x*2 for x in zahlen if x > 0] erledigen in einer Zeile, was andere Sprachen in fünf brauchen. Ist man einmal daran gewöhnt, will man nicht mehr zurück.
Zwei reale Fälle, damit es greifbar wird
Fall eins: Eine Steuerkanzlei in München bekommt monatlich 300 Rechnungen als PDF. Mit pdfplumber und etwas pandas extrahiert ein 80-Zeilen-Skript die Beträge, sortiert sie nach Mehrwertsteuersatz und erzeugt eine Excel-Datei, die bereit für die Umsatzsteuermeldung ist. Manueller Zeitaufwand vorher: drei Tage. Nachher: acht Minuten.
Fall zwei: Ein Onlineshop in Wien will vorhersagen, wann ein Artikel ausverkauft ist. Mit scikit-learn passt er eine Regression auf zwei Jahre Verkaufshistorie an und erhält eine Warnung mit einer Woche Vorlauf. Das Modell kommt mit 150 Zeilen Code aus und trainiert in unter einer Minute.
Häufige Anfängerfehler
Tabulatoren und Leerzeichen für die Einrückung zu mischen erzeugt schwer auffindbare Fehler. Konfiguriere deinen Editor so, dass er immer vier Leerzeichen verwendet. Ein weiterer Klassiker ist das Verändern einer Liste, während man darüber iteriert. Wenn du filtern willst, baue über eine Comprehension eine neue Liste.
Lerne früh die Ausnahmebehandlung mit try/except. Nutze sie nicht, um Fehler zu verstecken, sondern um kontrolliert zu reagieren, wenn eine Datei fehlt oder eine API zu langsam ist. Und öffne Dateien immer mit with open(...) as f, damit sie sich beim Verlassen des Blocks selbst schließen.
Verwandte Werkzeuge
Häufige Fragen
- Was ist der Unterschied zwischen Python 2 und Python 3?
- Python 2 erhält seit 2020 keinen Support mehr. Verwende immer Python 3 (aktuell 3.12 oder neuer). Der sichtbarste Unterschied: print wurde von einer Anweisung zu einer Funktion, also print("Hallo") statt print "Hallo".
- Ist Python langsam?
- Für reines Python ja, verglichen mit C oder Rust. Aber die Bibliotheken für rechenintensive Aufgaben (NumPy, pandas, PyTorch) sind in C geschrieben und stark optimiert. Für Datenverarbeitung und Machine Learning ist die reale Geschwindigkeit hervorragend. Wer extrem niedrige Latenz braucht, greift zu Go oder Rust.
- Eignet sich Python für Webseiten?
- Ja. Django passt zu größeren Projekten, die ein fertiges Admin-Backend brauchen (Intranet, E-Commerce, CMS). FastAPI glänzt für moderne APIs mit automatischer Doku und Validierung über Type Hints. Flask bleibt eine minimalistische Option, wenn du nur zwei Routen brauchst.
- Welche Bücher oder Ressourcen empfehlt ihr?
- Für Einsteiger: "Automate the Boring Stuff with Python" (kostenlos online) deckt echte Büroaufgaben ab. Für Datenanalyse ist das Buch von Wes McKinney die Referenz. Im deutschsprachigen Raum gibt es gute Kurse beim Rheinwerk Verlag und auf openHPI.
- Muss ich gut in Mathe sein, um Python zu nutzen?
- Für Automatisierung oder Web nicht mehr als für einen Taschenrechner. Für Data Science auf Grundniveau reicht Schulmathematik. Für fortgeschrittenes Machine Learning lohnt es sich, lineare Algebra und Statistik aufzufrischen, aber du kannst vortrainierte Modelle einsetzen, ohne Mathe anzufassen.