Python Firmenschulung Intensiv

Mitarbeiter mit Vorkenntnissen in einer Programmiersprache

Dieser fünftägige Intensivkurs richtet sich an Entwicklerinnen und Entwickler, die bereits Erfahrungen mit einer oder mehreren Programmiersprachen gesammelt haben und nun einen fundierten Einstieg in die Python-Programmierung erhalten möchten. Die Schulung vermittelt praxisnah und kompakt die wichtigsten Sprachkonzepte, typische Anwendungsbereiche sowie den Umgang mit Dateien, Datenbanken und gängigen Bibliotheken für Datenverarbeitung und Analyse.

Im Mittelpunkt steht die Anwendung von Python im beruflichen Kontext: Die Teilnehmenden lernen die Sprache strukturiert kennen, festigen ihre Kenntnisse durch zahlreiche Beispiele und entwickeln ein sicheres Verständnis für typische Python-Idiome und Best Practices. Dank der kompakten Form eignet sich das Training ideal für Teams, die Python zügig und effizient für bestehende oder neue Projekte einsetzen möchten.

Tag 1 – Einstieg und Programmstruktur

Einführung in Python und typische Einsatzgebiete

Installation, Interpreter, virtuelle Umgebungen

Ausführen von Skripten, interaktive Nutzung

Erste Programme: Ein- und Ausgabe

Syntax, Einrückung, Kommentare

Variablen, Objekte, Mutabilität, Datentypen

Listen, Tupel und Dictionaries: Erstellung, Zugriff, Methoden

Kontrollstrukturen: Verzweigungen mit if, elif, else; Schleifen mit while und for, Einsatz von break, continue, else und pass;

Funktionen: Definition und Aufruf, lokale und globale Variablen, Parameterarten wie Positionsparameter, Schlüsselwortparameter

Tag 2 – Datentypen und Sprachmechanik

Datentypen und Klassen: Unterschiede und Zusammenhänge

Strings und Stringfunktionen wie split, join, replace, strip

Sortierung mit sort und sorted

Slicing bei Strings, Listen und Tupeln

Iteratoren und iterierbare Objekte

Mengen: Verwendung von set und frozenset

Typkonvertierung: zum Beispiel int zu str, dict zu list und umgekehrt

Referenzierung und Nebenwirkungen durch In-Place-Operationen

Verwendung von copy() und deepcopy() bei komplexen Objekten

Tag 3 – Dateien, CSV, JSON und Modularisierung

Arbeiten mit Dateien: Lesen und Schreiben von Text- und Binärdateien

Pfadoperationen mit os und pathlib

Umgang mit Zeichencodierungen

CSV-Dateien lesen und schreiben mit dem Modul csv

JSON-Daten laden und speichern mit dem Modul json

Fehlerbehandlung mit try und except

Modularisierung: Wiederverwendbarer Code durch Funktionen und Module, sinnvolle Projektstruktur, Einsatz von **main** und Paketstrukturen, Verwendung virtueller Umgebungen

Dekoratoren (Decorators): Funktionen erweitern ohne sie zu verändern

Lambda-Funktionen, map(), filter() und reduce() – funktionale Programmierung in Python

Iteratoren, Listenabstraktion, Mengenabstraktion und Generatoren verständlich erklärt

Verwendung von *args und **kwargs in Funktionsdefinitionen und Funktionsaufrufen

Seiteneffekte und Nebeneffekte in Python-Funktionen erkennen und vermeiden

Unterschiede und Einsatzgebiete von Iteratoren und Generatoren

Kontextmanager in Python: with-Statement, Ressourcenverwaltung und eigene Context Manager

Effiziente Datenverarbeitung mit itertools: Kombinationen, Permutationen, Gruppierung

Sortieren in Python mit sort() und sorted()

Benutzerdefinierte Sortierlogik mit key-Funktionen und lambda-Ausdrücken

Tag 4 – Objektorientierung und Datenbanken

Einführung in Klassen und Objekte in Python

Konstruktoren, Attribute, Instanz- und Klassenmethoden

Vererbung und Mehrfachvererbung

Zugriffsschutz über Namenskonventionen

Verwendung von Properties und Magic Methods

Zugriff auf Datenbanken mit sqlite3

Grundlegende SQL-Operationen: SELECT, INSERT, UPDATE, DELETE

Import von Daten aus CSV- und JSON-Dateien in die Datenbank

Kurzer Überblick über ORMs wie SQLAlchemy (optional)

Tag 5 – Wissenschaftliches Arbeiten mit Python

Einführung in NumPy: Arrays, Vektoroperationen, Slicing

Arbeiten mit pandas: Series, DataFrames, Import von CSV-Dateien, Datenaufbereitung

Filtern, Gruppieren und Aggregieren von Daten

Datenvisualisierung mit matplotlib

Projektbeispiel: Datenanalyse-Workflow mit pandas und Visualisierung

Kurzer Überblick über Jupyter Notebooks und deren Einsatz in der Datenanalyse

Abschluss, Fragen, Ausblick auf weiterführende Themen wie Webentwicklung oder Machine Learning