Swen Deobald
 - 30. Januar 2020

Python

Sie brauchen einen Berater für Python und/oder möchten, dass wir Ihnen unser Angebot in diesem Umfeld vorstellen?

Jetzt kostenloses Beratungsgespräch vereinbaren!

Im Bereich Data Science stoßen Anwender immer wieder auf zwei Programmiersprachen: Python und R. Während R überwiegend zur Berechnung und Erstellung von Grafiken verwendet wird, dient Python als Allzweck-Werkzeug. Besonders Letztere kommt in der Praxis immer mehr Beachtung zu. Erfahren Sie daher, was hinter der Programmiersprache Python steckt, wozu sie verwendet wird und für wen sie geeignet ist.

Was ist Python?

Python ist eine universelle Open-Source-Programmiersprache, die in verschiedenen Bereichen Anwendung findet. Seit der Veröffentlichung durch Guido van Rossum im Jahr 1991, ist sie in der Web- und Software-Entwicklung weit verbreitet.

Der Name der Anwendung geht nicht, wie zunächst vermutet, auf die Schlangengattung Python, sondern auf die englische Comedy-Truppe Monty Python zurück. In der Dokumentation sind daher auch Anspielungen auf berühmte Sketche aus dem Flying Circus zu finden.

Python zeichnet sich vor allem durch seine Einfachheit und Übersichtlichkeit aus. Die einfach zu lernende Programmiersprache konzentriert sich auf eine übersichtliche Syntax und Grammatik. Sie kommt daher mit wenigen Schlüsselwörtern aus und ermöglicht eine anwenderfreundliche Programmierung. Darüber hinaus unterstützt Python mehrere Programmierparadigmen, wie die objektorientierte, aspektorientierte und funktionale Programmierung.

Wozu benötige ich die Programmiersprache?

Python kann nahezu die gleichen Aufgaben wie R erledigen. Im Wesentlichen wird die Sprache für die Integration von Datenanalyseaufgaben in Webanwendungen sowie die Einbindung von Statistikcode in Produktionsdatenbanken eingesetzt. Python kann aber auch weitaus mehr Aufgaben, wie zum Beispiel das Data Wrangling, Engineering, Feature Selection oder Web Scrapping übernehmen.

SAP Analytics Tools: On Premise vs. Cloud [E-Book]

Finden Sie hier notwendigen Informationen und einige Leitfragen, um prüfen zu können, ob Sie Ihre Analytics-Anwendungen On-Premise oder in der Cloud betreiben wollen.

Unser E-Book zum Thema SAP Analytics Tools

Von wem wird es genutzt?

In der Praxis wird Python vorzugsweise von Programmierern und Entwicklern genutzt. Vor allem Programmierer, die sich in die Datenanalyse vertiefen oder statistische Techniken anwenden wollen, greifen auf diese Programmiersprache zurück. Aber auch Entwickler aus dem Data Science-Bereich gebrauchen Python zur Datenanalyse und -auswertung. Beide Anwendergruppen schätzen insbesondere die Fähigkeit, dass sich das Modul in jeden Teil eines Workflows integrieren lässt.

Was benötige ich für Python?

Python ist für die meisten gängigen Betriebssysteme frei erhältlich. Aus diesem Grund sind auch keine gesonderten Voraussetzungen zur Nutzung erforderlich.

Die Anwendung stellt viele Python-IDEs zur Auswahl, die den Aufwand für die Organisation von Code, Ausgabe- und Notizdateien drastisch reduzieren. Jupyter Notebooks und Spyder sind hierfür zwei beliebte Tools. Allerdings wird auch Jupyter Lab immer gebräuchlicher.

Wichtige Packages und Libraries

Zu den wichtigsten Packages und Libraries gehören:

  • Pandas zur einfachen Datenmanipulation
  • SciPy und NumPy für das wissenschaftliche Rechnen
  • Scikit-Lernen für Maschinelles Lernen
  • Matplotlib und seaborn zur Erstellung von Grafiken
  • caret zur Entwicklung von Vorhersagemodellen
  • statsmodels, um Daten zu untersuchen, statistische Modelle zu schätzen und statistische Tests und Unit-Tests durchzuführen

Nachteile im Vergleich zu R

Im Vergleich zu R weist Python nach wie vor einige Schwachstellen auf. Bereits vor Jahren haben Anwender die Bibliotheken für die Datenanalyse und das maschinelle Lernen bemängelt. Daher holt Python immer weiter auf. Die Programmiersprache verfügt neuerdings über eine innovative API für maschinelles Lernen oder künstliche Intelligenz. Dennoch besitzt sie weniger Bibliotheken als R.

Auch die Anfälligkeit der Anwendung ist ein nicht zu verachtender Kritikpunkt. Es sind kontinuierliche, rigorose Tests erforderlich, um Fehler frühzeitig aufdecken zu können. Diese würden sich andernfalls auf die Laufzeit auswirken und unerwünschte Ergebnisse mit sich bringen.

Python

Die Visualisierung der Ergebnisse ist ein weiterer negativer Aspekt, denn diese ist im Gegensatz zu R viel komplizierter. Auch die Ergebnisdarstellung ist nicht sehr zufriedenstellend. Die Grafiken werden meist nicht ansprechend und informativ präsentiert.

Trotz alledem vereinfacht Python die Reproduzierbarkeit und Zugänglichkeit. Daher ist auch eine Einbettung der Python-Programme in andere Sprachen möglich. Auf diese Weise können zuvor erwähnte Schwächen umgangen werden.

Fazit

R und Python sind zwei Programmiersprachen, die jeweils ihre Vor- und Nachteile mit sich bringen. Aufgrund ihrer Vielzahl an Bibliotheken eignen sich dennoch beide Sprachen zur Analyse von Daten und optischen Aufbereitung von Ergebnissen. Denn die Lücke zwischen R und Python wird immer kleiner, sodass der Großteil der Arbeit von beiden Sprachen erledigt werden kann.

Letztendlich hängt die Wahl von verschiedenen Faktoren ab. Was sind die Ziele des Benutzers? Wie viel Zeit kann der Anwender in das Programm investieren? Welches ist das meistgenutzte Werkzeug in ihrem Unternehmen oder in ihrer Branche? Wählen Sie die Programmiersprache, die Ihren Anforderungen entspricht und gleichzeitig das Werkzeug ist, welches Ihre Kollegen nutzen. Es ist besser, wenn Sie alle die gleiche Sprache sprechen.

Falls Sie mal selbst ein wenig Python Erfahrung sammeln wollen und Interesse daran haben, wie mit Python KI-Modelle erstellt und trainiert werden können, empfehle ich Ihnen unseren KI-Praxisworkshop.

Swen Deobald

Swen Deobald

Mein Name ist Swen Deobald und ich bin begeisterter SAP Analytics Berater. Als Fachbereichsleiter von Compamind unterstütze ich Sie mit meinem Team bei allen Fragen rund um SAP Analytics, Business Warehouse, BusinessObjects und der SAP Analytics Cloud.

Sie haben Fragen? Kontaktieren Sie mich!


Das könnte Sie auch interessieren:

SAP Analytics Tool
SAP Analytics

Das könnte Sie auch interessieren

In diesem Beitrag möchte ich auf die Fragestellung eingehen, in wie weit die SAP Analytics Cloud ein SAP BW überflüssig macht und in wie weit sie als Frontend lediglich das SAP BW ergänzt.

weiterlesen

Sie möchten ein Google Spreadsheet Dokument als Datenquelle für die SAP Analytics Cloud anbinden? Nichts leichter als das!

weiterlesen

Time Series Forecasting ermöglicht es, sichere Entscheidungen durch Zeitreihen- und Prognoseverfahren zu treffen. Daten aus Zeitreihen enthalten einen Wert über die Zeit, z.B. Umsatz nach Monat oder Anrufvolumen nach Woche.

weiterlesen

Unsere Produkte zu Python

Ihr Daten sind ‚all over the place‘? Es gibt keine klare Struktur? Änderungen und Reportings sind aufwendig? Wir analysieren mit Ihnen gemeinsam, wie Sie dieses Problem mit der SAP Analytics Cloud lösen können!

Mehr Informationen

Jede Entscheidung des Geschäftsführers und der  Mitarbeiter wirkt sich auf das Unternehmen aus. Mit welchen Folgen? Machen Sie aus Bauchentscheidungen KPI-gestützte Prozesse – mit der SAP Analytics Cloud!

Mehr Informationen

SAP Analytics Updates im Reporting-Umfeld sind verwirrend und sowohl Manager als auch Entwickler behalten kaum den Überblick. Lassen Sie sich nicht ins Boxhorn jagen! Bevor Sie Ihre wertvolle Zeit verschwenden, lassen Sie sich die Updates doch einfach übersichtlich und verständlich […]

Mehr Informationen

Schreiben Sie einen Kommentar

Bitte füllen Sie alle mit * gekennzeichneten Felder aus. Ihre E-Mail Adresse wird nicht veröffentlicht.





Angebot anfordern
Expert Session
Preisliste anfordern