python und pandas

Was ist Python?

• Allgemeine Programmiersprache mit klarer Syntax | • Sehr verbreitet in Data Science, Automatisierung und Webentwicklung | • Großes Ökosystem mit NumPy, pandas und scikit-learn

Was ist der Unterschied zwischen Liste und Tupel?

• Listen sind veränderbar | • Tupel sind unveränderbar | • Tupel eignen sich für feste Strukturen

Was ist ein Dictionary?

• Speichert Schlüssel-Wert-Paare | • Schlüssel müssen hashbar und eindeutig sein | • Zugriff erfolgt typischerweise über den Schlüssel

Was ist ein Set?

• Ungeordnete Sammlung eindeutiger Werte | • Gut für Mengenoperationen und Duplikatentfernung | • Unterstützt Schnittmenge, Vereinigung und Differenz

Was bedeutet mutability?

• Veränderbare Objekte können nach Erstellung geändert werden | • Listen und Dictionaries sind mutable | • Strings und Tupel sind immutable

Was ist der Unterschied zwischen == und is?

• == vergleicht Werte | • is vergleicht Objektidentität | • Für None verwendet man meist is None

Was ist eine List Comprehension?

• Kompakte Syntax zur Erzeugung von Listen | • Kann Transformation und Filter kombinieren | • Soll lesbar bleiben und nicht zu komplex werden

Was ist eine Funktion?

• Wiederverwendbarer Codeblock mit klarer Aufgabe | • Kann Parameter erhalten und Werte zurückgeben | • Verbessert Struktur und Testbarkeit

Was ist der Unterschied zwischen Parameter und Argument?

• Parameter stehen in der Funktionsdefinition | • Argumente werden beim Aufruf übergeben | • Beispiel: def f(x) und f(5)

Was ist Scope?

• Bestimmt, wo Variablen sichtbar sind | • Lokale Variablen gelten innerhalb einer Funktion | • Globale Variablen sollten sparsam genutzt werden

Was ist ein Default-Argument?

• Vorgegebener Parameterwert | • Wird genutzt, wenn kein Argument übergeben wird | • Mutable Default-Argumente vermeiden

Warum sind mutable Default-Argumente problematisch?

• Das Objekt wird nur einmal erzeugt | • Änderungen bleiben zwischen Funktionsaufrufen erhalten | • Besser None verwenden und Objekt innerhalb erzeugen

Was ist *args?

• Sammelt zusätzliche Positionsargumente | • Wird als Tupel bereitgestellt | • Nützlich für flexible Funktionssignaturen

Was ist **kwargs?

• Sammelt zusätzliche benannte Argumente | • Wird als Dictionary bereitgestellt | • Nützlich für flexible Konfiguration

Was ist eine Lambda-Funktion?

• Kurze anonyme Funktion | • Gut für einfache Transformationen | • Komplexe Logik besser als normale Funktion schreiben

Was ist Exception Handling?

• Fängt Laufzeitfehler kontrolliert ab | • Typische Struktur: try, except, finally | • Nicht pauschal alle Fehler verschlucken

Was macht finally?

• Wird unabhängig vom Fehler ausgeführt | • Gut für Aufräumarbeiten | • Beispiel: Datei oder Verbindung schließen

Was ist ein Context Manager?

• Verwaltet Ressourcen automatisch | • Typisch mit with verwendet | • Beispiel: Dateien sicher öffnen und schließen

Was ist ein Iterator?

• Objekt, das Elemente nacheinander liefert | • Implementiert iter und next | • Wird in for-Schleifen verwendet

Was ist ein Generator?

• Erzeugt Werte bei Bedarf | • Verwendet yield | • Speichereffizient für große Datenmengen

Was ist der Unterschied zwischen shallow copy und deep copy?

• Shallow copy kopiert äußere Struktur | • Verschachtelte Objekte werden weiter geteilt | • Deep copy kopiert rekursiv

Was ist eine Klasse?

• Bauplan für Objekte | • Definiert Attribute und Methoden | • Hilft, zusammengehörige Logik zu strukturieren

Was ist ein Objekt?

• Instanz einer Klasse | • Enthält Zustand und Verhalten | • Mehrere Objekte können aus derselben Klasse entstehen

Was ist Vererbung?

• Klasse übernimmt Verhalten einer anderen Klasse | • Kann Code wiederverwenden | • Komposition ist oft flexibler

Was ist Polymorphie?

• Gleiche Schnittstelle kann unterschiedliche Implementierungen haben | • Erleichtert austauschbare Komponenten | • Beispiel: verschiedene Modelle mit predict

Was ist ein Decorator?

• Funktion, die Verhalten einer anderen Funktion erweitert | • Wird mit @syntax verwendet | • Beispiele: Logging oder Zugriffskontrolle

Was ist ein Modul?

• Python-Datei mit Funktionen, Klassen oder Variablen | • Kann importiert werden | • Fördert Wiederverwendung

Was ist ein Package?

• Sammlung zusammengehöriger Module | • Strukturiert größere Projekte | • Kann über pip installiert werden

Was ist eine virtuelle Umgebung?

• Isoliert Python-Abhängigkeiten pro Projekt | • Verhindert Versionskonflikte | • Beispiele: venv oder conda

Was ist pip?

• Paketmanager für Python | • Installiert Bibliotheken aus Paketquellen | • Versionen sollten für Reproduzierbarkeit festgehalten werden

Was ist requirements.txt?

• Liste von Python-Abhängigkeiten | • Kann mit pip install -r genutzt werden | • Für stabile Builds sollten Versionen klar definiert sein

Was ist NumPy?

• Bibliothek für numerische Berechnungen | • Zentrale Struktur ist das ndarray | • Schneller als Python-Schleifen für viele Array-Operationen

Was ist ein NumPy-Array?

• Mehrdimensionales homogenes Datenobjekt | • Elemente haben typischerweise denselben Datentyp | • Unterstützt vektorisierte Operationen

Was bedeutet Vektorisierung?

• Operationen auf ganzen Arrays statt Python-Schleifen | • Nutzen optimierter Bibliotheksroutinen | • Meist schneller und kompakter

Was ist Broadcasting?

• Erlaubt Operationen zwischen Arrays kompatibler Form | • Kleinere Dimensionen werden logisch erweitert | • Vermeidet unnötige Kopien

Was ist pandas?

• Bibliothek für tabellarische Datenanalyse | • Zentrale Objekte sind Series und DataFrame | • Baut auf NumPy auf

Was ist eine Series?

• Eindimensionale beschriftete Datenstruktur | • Hat Werte und Index | • Kann unterschiedliche Datentypen je Series enthalten

Was ist ein DataFrame?

• Zweidimensionale tabellarische Datenstruktur | • Spalten können verschiedene Datentypen haben | • Ähnelt einer Tabelle in SQL

Was ist der Index in pandas?

• Beschriftet Zeilen | • Muss nicht eindeutig sein | • Kann für Auswahl, Alignment und Joins genutzt werden

Was ist der Unterschied zwischen loc und iloc?

• loc wählt nach Labels | • iloc wählt nach Positionen | • Bei loc sind Endpunkte bei Slices meist inklusive

Wie filtert man Zeilen in pandas?

• Boolesche Maske verwenden | • Mehrere Bedingungen mit & oder | verknüpfen | • Klammern um einzelne Bedingungen setzen

Was macht groupby?

• Teilt Daten in Gruppen | • Erlaubt Aggregation oder Transformation | • Folgt dem Prinzip split-apply-combine

Was ist der Unterschied zwischen agg und transform?

• agg reduziert Gruppen auf Kennzahlen | • transform liefert Ergebnis in ursprünglicher Zeilenlänge | • transform eignet sich für gruppenbezogene Features

Was macht apply?

• Wendet Funktion auf Series, DataFrame oder Gruppen an | • Sehr flexibel | • Oft langsamer als spezialisierte vektorisierte Methoden

Wann sollte man apply vermeiden?

• Wenn vektorisierte Alternative existiert | • Bei großen Datenmengen wegen Performance | • Explizite pandas-Methoden sind meist klarer

Was macht merge?

• Verbindet DataFrames über Schlüssel | • Unterstützt inner, left, right und outer | • Kardinalität sollte vorher geprüft werden

Was ist der Unterschied zwischen merge, join und concat?

• merge verbindet über Spalten oder Index | • join ist indexorientiert | • concat hängt Objekte entlang einer Achse zusammen

Was macht concat?

• Kombiniert DataFrames zeilen- oder spaltenweise | • Achse wird mit axis gesteuert | • Indizes können erhalten oder neu aufgebaut werden

Wie erkennt man Duplikate in pandas?

• duplicated markiert doppelte Zeilen | • subset definiert relevante Schlüssel | • keep steuert, welche Zeile markiert wird

Wie entfernt man Duplikate?

• drop_duplicates verwenden | • Vorher definieren, welche Zeile behalten wird | • Sortierreihenfolge kann entscheidend sein

Wie behandelt man fehlende Werte in pandas?

• isna zur Erkennung | • dropna zum Entfernen | • fillna oder Imputation zum Ersetzen

Was ist der Unterschied zwischen NaN und None?

• None ist allgemeines Python-Objekt | • NaN ist numerischer Missing-Wert | • pandas vereinheitlicht Missingness je nach Datentyp

Was macht astype?

• Konvertiert Datentypen | • Nützlich für Kategorien, Zahlen oder Strings | • Fehlerhafte Werte müssen vorher behandelt werden

Wie konvertiert man unsaubere Zahlenwerte robust?

• pd.to_numeric verwenden | • errors='coerce' setzt ungültige Werte auf NaN | • Danach Missingness prüfen

Wie arbeitet man mit Datumswerten in pandas?

• pd.to_datetime zur Konvertierung | • dt-Accessor für Jahr, Monat oder Differenzen | • Zeitzonen bei Bedarf explizit behandeln

Was macht pivot?

• Formt Long- in Wide-Format um | • Benötigt eindeutige Kombinationen | • Bei Duplikaten eher pivot_table verwenden

Was macht melt?

• Formt Wide- in Long-Format um | • Hilfreich für Visualisierung und Modellierung | • Trennt Identifikations- und Wertespalten

Was ist chained assignment?

• Mehrstufige Auswahl mit potenziell unsicherer Zuweisung | • Kann SettingWithCopyWarning erzeugen | • Besser .loc in einem Schritt verwenden

Was ist Copy-on-Write in pandas?

• Optimiert Kopierverhalten | • Reduziert unerwartete Seiteneffekte | • Ändert aber nicht die Notwendigkeit klarer Zuweisungen

Wie verbessert man pandas-Performance?

• Vektorisierung nutzen | • Datentypen optimieren | • Unnötige apply-Schleifen und Kopien vermeiden

Wann sind kategorische Datentypen sinnvoll?

• Bei wiederkehrenden wenigen Kategorien | • Können Speicher sparen | • Erlauben definierte Reihenfolge

Wie liest man große Dateien effizient ein?

• Nur benötigte Spalten laden | • Datentypen vorgeben | • Bei Bedarf chunkweise verarbeiten

Was ist chunking?

• Datei wird in Teilmengen verarbeitet | • Reduziert Speicherbedarf | • Erfordert oft schrittweise Aggregation

Was ist method chaining?

• Mehrere Transformationen werden direkt verknüpft | • Kann Datenfluss lesbar machen | • Zu lange Ketten sollten aufgeteilt werden

Was macht pipe?

• Übergibt DataFrame an benutzerdefinierte Funktion | • Unterstützt lesbare Transformationsketten | • Gut für modulare Datenpipelines

Wie testet man Datenverarbeitungscode?

• Kleine deterministische Testdaten verwenden | • Erwartete Spalten, Zeilen und Werte prüfen | • Randfälle und Fehlerfälle testen

Was ist Logging?

• Strukturierte Protokollierung von Programmereignissen | • Besser als unkontrollierte print-Ausgaben | • Hilft bei Debugging und Betrieb

Was ist ein Unit Test in Python?

• Testet eine kleine isolierte Funktion | • Soll schnell und reproduzierbar sein | • Typische Werkzeuge: pytest oder unittest

Was ist pytest?

• Beliebtes Python-Testframework | • Einfache Assertions und Fixtures | • Gut für Unit- und Integrationstests

Was ist eine Fixture?

• Wiederverwendbare Testvorbereitung | • Stellt Daten oder Objekte bereit | • Reduziert Duplikation in Tests

Was ist ein Type Hint?

• Dokumentiert erwartete Datentypen | • Verbessert Lesbarkeit und Tool-Unterstützung | • Wird zur Laufzeit nicht automatisch erzwungen

Was ist ein Docstring?

• Dokumentation direkt an Funktion, Klasse oder Modul | • Beschreibt Zweck, Parameter und Rückgabe | • Hilft Nutzern und Entwicklungswerkzeugen

Was bedeutet PEP 8?

• Stilrichtlinie für Python-Code | • Fördert einheitliche Formatierung | • Lesbarkeit ist wichtiger als dogmatische Perfektion

Wie erklärt man Python-Code im Interview?

• Ziel zuerst benennen | • Datenstruktur und Komplexität erklären | • Randfälle und Fehlerbehandlung erwähnen

Was ist bei einer pandas-Aufgabe im Interview wichtig?

• Datentypen und Missing Values prüfen | • Joins und Duplikate kontrollieren | • Lesbare, vektorisierte Lösung bevorzugen