1. Einleitung#
1.1. Warum Programmieren lernen?#
Viele Geräte, mit denen wir es im modernen Leben zu tun haben, werden von Computern gesteuert, seien es Autos, Fernseher oder Smartphones, um nur ein paar Beispiele zu nennen. Um Auto fahren zu können, benötigt man sicherlich keine Computerkenntnisse und muss keine Programmiersprache beherrschen. Ein Smartphone kann man benutzen ohne selbst die zugehörigen Apps zu programmieren, auch wenn dies durchaus eine interessante und produktive Tätigkeit sein kann.
Ein weiteres Alltagsgerät, das nicht ohne Computer auskommt, ist die Digitalkamera, ganz gleich ob als eigenständiger Fotoapparat oder als Teil eines Smartphones. Man kann sich vorstellen, dass man das digitale Bild weiterbearbeiten möchte. Für viele Bildbearbeitungsaufgaben sind geeignete Programme verfügbar, aber es kann auch Fälle geben, in denen man selbst programmieren muss, zum Beispiel wenn man eine Exponentialfunktion auf einen Waschbären anwenden möchte (Abb. 1.1).
Abb. 1.1 Originalbild eines Waschbärs (links) und nach Anwendung einer Exponentialfunktion (rechts).#
Das Beispiel der Digitalkamera schlägt die Brücke vom Alltag ins Labor. Im Grunde genommen ist eine Digitalkamera nichts anderes als ein Messgerät, das optische Information in digitale Daten umwandelt und zur Verfügung stellt, sei es als Rohdaten oder in einer vorverarbeiteten Form. Im Labor wird es erforderlich sein, mit dem Messgerät zu kommunizieren, um Messdaten herunterzuladen. Häufig geschieht dies mit einem vom Hersteller zur Verfügung gestellten Programm, aber man kann sich auch vorstellen, dass man die Schnittstelle des Messgeräts, über die die Messdaten zur Verfügung gestellt werden, mit eigenem Programm anspricht.
Selbst wenn das Messgerät einen ersten Verarbeitungsschritt der Rohdaten durchführen sollte, sind im Allgemeinen weitere Auswertungen der Daten erforderlich, um wissenschaftlich relevante Informationen zu extrahieren. Hierfür stehen unter Umständen Softwarelösungen, meistens kommerzieller Art, zur Verfügung. Andererseits ist es häufig sinnvoll oder sogar erforderlich, die Verarbeitung der Daten mit einem eigenen Programm vorzunehmen. Damit hat man den Workflow unter Kontrolle. Gerade mit der in dieser Vorlesung verwendeten Programmiersprache Python steht mit dem Jupyter-Notebook auch ein Werkzeug zur Verfügung, dass für die Dokumentation der Datenanalyse hervorragend geeignet ist.
Ein solches Vorgehen, bei dem man selbst programmiert, schließt keineswegs aus, dass man auf Bausteine von anderen zurückgreift. Es ist nicht nötig und meistens auch nicht sinnvoll, das Rad neu zu erfinden. Will man beispielsweise seine Daten graphisch darstellen, so wird man ein Programm schreiben, um die Daten geeignet aufzubereiten und die Abbildung in der gewünschten Form zu erhalten, aber man wird deswegen nicht gleich ein eigenes Programmpaket zur Erzeugung von Abbildungen schreiben. Wir werden im Lauf der Vorlesung ein paar ausgewählte Programmpakete ansprechen, die im wissenschaftlichen Bereich häufig genutzt werden.
Nicht nur im experimentellen Bereich sind Programmierkenntnisse erforderlich, sondern auch in der theoretischen Arbeit. Will man als Ingenieur die Kräfte in einem Bauteil bestimmen, so ist diese Aufgabe im Allgemeinen so komplex, dass zu ihrer Lösung ein Programm geschrieben werden muss. Auch hier wird man auf vorhandene Programmpakete, z.B. für Finite-Elemente-Methoden, zurückgreifen können, aber das befreit einen nicht davon, auch selbst zu programmieren. Auch die Eigenschaften von neuen Materialien werden zunehmend zunächst mit Hilfe von Computern theoretisch berechnet. Die Bedeutung des Programmierens im naturwissenschaftlichen Bereich wird unter anderem daran deutlich, dass neben die Experimentalphysik und die Theoretische Physik inzwischen die computergestützte Physik oder Computational Physics getreten ist.
Letztlich wird man im natur- und ingenieurwissenschaftlichen Bereich früher oder später mit Programmieraufgaben konfrontiert sein und das Schreiben eines Computerprogramms gehört genauso zum Handwerkszeug wie der Umgang mit Papier und Bleistift. Nicht zuletzt werden Programmierkenntnisse auch an verschiedensten Stellen in der Industrie vorausgesetzt, wie wir weiter unten noch sehen werden.
Programmieren zu können ist aber nicht nur eine Notwendigkeit für Naturwissenschaftler, Programmieren kann auch einfach Spaß machen. So wie das Knobeln an einer wissenschaftlichen Aufgabe (hoffentlich) Spaß macht, gilt dies auch für die Suche nach einer eleganten und effizienten Lösung eines Problems auf dem Computer [1]. Zugegeben: Es kann durchaus nerven, wenn der Computer ständig Fehler anmahnt und dabei äußerst starrsinnig ist. Allerdings hat er praktisch immer recht. Da hilft es nur, die Fehlermeldungen ernst zu nehmen und ein bisschen Gelassenheit an den Tag zu legen. Dafür beschwert sich der Computer auch nicht, wenn er uns lästige Arbeit abnehmen muss, indem er zum Beispiel zuverlässig immer wieder die gleichen Programmanweisungen abarbeitet.
1.2. Warum Python?#
Das Ziel des Programmierens ist es, dem Computer zu erklären, was von ihm erwartet wird. Leider verstehen Computer nur Nullen und Einsen. Auch wenn es durchaus möglich ist, auf dieser Ebene ein Programm zu schreiben, ist es doch recht mühsam. Stattdessen gibt es eine Vielzahl von Programmiersprachen [2], die es für den Menschen mehr oder weniger leicht machen, ein Programm zu schreiben. Dieses wird dann entweder mit Hilfe eines so genannten Interpreters oder mit Hilfe eines Compilers in eine maschinenlesbare Form übersetzt.
Einige dieser Programmiersprachen, aber bei weitem nicht alle, sind im naturwissenschaftlichen Bereich besonders gebräuchlich. Beispielhaft seien Fortran, C, C++, Python und Julia genannt. Diesen Sprachen haben grundlegende Sprachelemente gemeinsam, die zwar in den verschiedenen Sprachen unterschiedlich dargestellt werden, aber die gleiche Funktionalität besitzen. Wir werden dies später an einzelnen Beispielen noch sehen.
Zur Erläuterung grundlegender Prinzipien der Programmierung wird in dieser Vorlesung die Programmiersprache Python herangezogen. Dabei liegt der Fokus auf Konzepten, wie sie auch in den anderen gerade genannten Programmiersprachen typischerweise existieren. Diese Vorlesung stellt also keinen Python-Programmierkurs im engeren Sinne dar. Das Ziel ist es dennoch, auch Studierende ohne oder mit nur wenig Programmiererfahrung in die Lage zu versetzen, Problemstellungen mit Hilfe von Python zu lösen.
Gründe für diese Wahl der Programmiersprache sind unter anderem:
Es handelt sich um eine relativ leicht zu erlernende Programmiersprache, die aber dennoch sehr mächtig ist.
Python ist für die gängigen Betriebssysteme, insbesondere Linux, MacOSX und Windows, frei erhältlich und kann somit problemlos auf dem eigenen Rechner installiert werden.
Es unterstützt das Schreiben gut lesbarer Programme.
Als interpretierte Sprache erlaubt Python das schnelle Testen von Codesegmenten im Interpreter und unterstützt somit das Lernen durch Ausprobieren.
Python besitzt eine umfangreiche Standardbibliothek (»Python comes with batteries included«) und das wissenschaftliche Rechnen wird durch eine Vielzahl freier Programmbibliotheken, wie NumPy/SciPy, das wir im Kapitel Numerische Programmbibliotheken am Beispiel von NumPy/SciPy besprechen werden, unterstützt.
Python hat sich in den letzten Jahren zu einer sehr populären Sprache entwickelt, unter anderem im Bereich der wissenschaftlichen Datenanalyse.
Bei den beiden physikalischen Beobachtungen, die in den letzten Jahren die Aufmerksamkeit einer breiten Öffentlichkeit erregten, nämlich die Beobachtung von Gravitationswellen [3] und die Aufnahme des Abbilds eines schwarzen Loches (Abb. 1.2) [4], spielte Python bei der Datenanalyse eine wichtige Rolle. Die Verarbeitung der Bilddaten des schwarzen Loches erfolgte unter Verwendung wissenschaftlicher Programmpakete von Python wie NumPy, SciPy, Pandas, Jupyter, und Matplotlib [5].
Abb. 1.2 Abbild eines schwarzen Lochs aus Aufnahmen des Event Horizon Telescopes. (Urheber: EHT Collaboration)#
Die folgenden Zitate zeigen, dass Python nicht nur zur Einführung in das Programmieren taugt, sondern auch für große Projekte in führenden IT-Firmen, Forschungseinrichtungen sowie der Finanz- und Filmindustrie verwendet wird [6]:
Peter Norvig, Google
«Python has been an important part of Google since the beginning, and remains so as the system grows and evolves. Today dozens of Google engineers use Python, and we’re looking for more people with skills in this language.»
Cuong Do, YouTube.com
«Python is fast enough for our site and allows us to produce maintainable features in record times, with a minimum of developers.»
Benedikt Hegner, CERN
«Most developers in the CMS experiment are physics students looking for new physics in the data. Usually they don’t have any formal IT training. Python allows them to be productive from the very start and to dedicate most of their time on the research they want to carry out.»
Holger Joukl, Manuela Kälberer, Rainer Kluger, Landesbank Baden-Württemberg IT Financial Markets
«There are lots of other programming languages with outstanding features. We don’t know of any other programming language with features and a syntax as elegant and concise as Python, though.»
Tommy Burnette, Lucasfilm
«Python plays a key role in our production pipeline. Without it a project the size of The Avengers would have been very difficult to pull off. From crowd rendering to batch processing to compositing, Python binds all things together.»
1.3. Einige Zutaten#
Um auf einem Computer programmieren zu können, ist es im Allgemeinen zunächst erforderlich, die hierfür nötige Software zu installieren, sofern sie nicht ohnehin schon vorhanden ist. Zum einen muss man die Möglichkeit haben, dem Computer die eigenen Absichten mitzuteilen, also ein Programm einzugeben, und zum anderen muss der Computer wissen, wie er die Hardware des Computers dazu bringt, die Vorgaben des Programms umzusetzen.
Beginnen wir mit dem zweiten Punkt und nehmen wir an, dass wir den Programmcode, der in unserem Fall in der Programmiersprache Python geschrieben ist, bereits eingegeben haben. Damit der Computer hiermit etwas anfangen kann, bedarf es bei Python eines sogenannten Interpreters, der den Programmcode interpretiert und auf der Computerhardware ausführen lässt.
Grundsätzlich kann man die aktuellste Version des Python-Interpreters von der offiziellen Python-Webseite herunterladen. Zum Zeitpunkt der Erstellung dieses Manuskripts war die Version 3.12.0 aktuell. Wie weiter unten noch kurz diskutiert wird, ist im Rahmen dieser Vorlesung jede Version ab Python 3.8 brauchbar.
Neben dem eigentlichen Python-Interpreter werden wir für wissenschaftliche Anwendungen häufig noch weitere Software benötigen, wie zum Beispiel die frei verfügbaren numerischen Programmbibliotheken NumPy und SciPy, die wir im Kapitel Numerische Programmbibliotheken am Beispiel von NumPy/SciPy besprechen werden. Es ist daher am einfachsten, eine Python-Distribution, also eine Art Komplettpaket, das sowohl den Python-Interpreter als auch eine Reihe von Programmbibliotheken enthält, zu installieren. Verzichtet man auf die Installation einer geeigneten Distribution, so müssen die benötigten Programmbibliotheken zusätzlich installiert werden.
Die aktuelle Standard-Distribution für Python im wissenschaftlichen Bereich ist die Anaconda-Distribution, die für die gängigen Betriebssysteme Windows, MacOS und Linux frei verfügbar ist. Damit erhält man auf sehr einfach Weise eine sehr umfangreiche Sammlung an Programmpaketen, muss aber 3-4 GB freien Plattenplatz investieren. Alternativ kann man sich miniconda installieren, muss dann aber alle benötigten Programmpakete mit Hilfe von conda separat installieren.
Kommen wir nun zu dem oben als erstes genannten Punkt: Wie sage ich es meinem Computer? Offenbar muss man das Python-Programm in irgendeiner Form dem Computer mitteilen. Hierfür gibt es eine Reihe von Möglichkeiten, die je nach Anwendungszweck geeignet sind und im Folgenden kurz beschrieben werden sollen.
Manchmal hat man es nur mit kurzen Codestücken zu tun. Dies ist vor allem der Fall, wenn man schnell etwas ausprobieren möchte. Dann eignet sich die Python-Shell, in der man zeilenweise Python-Code eingeben kann, der anschließend ausgeführt wird. Sobald Python installiert ist, ist auch die zugehörige Python-Shell verfügbar. Abb. 1.3 zeigt die Python-Shell in einem Konsolenfenster unter Linux.
Abb. 1.3 Programmierung von wenigen Zeilen direkt in der Python-Shell.#
Allerdings ist die Python-Shell nicht sehr komfortabel. Da Tippfehler in den vorhergehenden Zeilen nicht leicht korrigiert werden können, kann das Arbeiten mit der Python-Shell schnell lästig werden. Eine erheblich komfortablere Variante der Python-Shell ist die IPython-Shell, die beispielsweise bei der Anaconda-Distribution automatisch installiert wird. Hier kann man alte Eingaben zurückholen, Befehle ergänzen lassen und vieles mehr. In Abb. 1.4 ist auch zu sehen, dass diese Shell Teile der Eingabe je nach ihrer Funktion einfärbt. Man spricht hierbei von Syntax Highlighting, das bei der Fehlersuche hilfreich sein kann. Es ist daher sinnvoll, statt der Python-Shell grundsätzlich die IPython-Shell zu verwenden.
Abb. 1.4 Eine komfortablere Python-Shell bietet IPython, unter anderem mit Syntax Highlighting.#
Interessant ist die Verwendung von so genannten Jupyter-Notebooks, die es erlauben, interaktiv mit Python unter Verwendung von Jupyterlab in einem Browser zu arbeiten. Wie die Abb. 1.5 zeigt, gibt es hier neben Codezellen auch Textzellen, die sogar Formeln enthalten können, und von ausgeführtem Code erzeugte Resultate werden ebenfalls in das Notebook integriert. Dabei kann es sich, wie in Abb. 1.5 dargestellt, beispielsweise auch um graphische Darstellungen handeln. Das Jupyter-Notebook eignet sich unter anderem hervorragend dafür, die Schritte einer Datenanalyse zu dokumentieren, um sie auch später nachvollziehen zu können.
Abb. 1.5 Beispiel eines Jupyter-Notebooks in Jupyterlab. Das graphische Ergebnis einer der beiden Codezellen wird innerhalb des Notebooks dargestellt. In Textzellen lassen sich auch Formeln einbetten.#
Da Notebookzellen mehrzeiligen Code enthalten können, sind IPython-Notebooks prinzipiell auch dafür geeignet, etwas umfangreicheren Code damit zu entwickeln. Für größere Programmierprojekte bieten sich allerdings bessere Werkzeuge an. Eine Möglichkeit ist die Verwendung von Editoren wie EMACS oder Vim, die zur Erstellung jeglicher Art von Textdateien und damit auch zum Erstellen von Pythonprogrammen verwendbar sind. Diese Editoren sind sehr mächtig und erfordern daher etwas Einarbeitung, die sich aber auf längere Sicht durchaus lohnen kann. Wer die Mühe der Einarbeitung scheut, kann für die Programmentwicklung auch zu einer der verschiedenen verfügbaren graphischen Entwicklungsumgebungen greifen.
Python stellt eine relativ einfache Entwicklungsumgebung namens IDLE zur Verfügung. Daneben gibt es eine Reihe von freien wie auch von kostenpflichtigen Entwicklungsumgebungen. In der Anaconda-Distribution wird die graphische Entwicklungsumgebung Spyder [7] mitgeliefert, die in Abb. 1.6 gezeigt ist.
Das Spyder-Fenster besteht aus verschiedenen Teilfenstern. In dem in Abb. 1.6 gezeigten Beispiel befindet sich links ein Editorfenster, in dem auch problemlos ein längeres Programm eingegeben werden kann. Rechts unten erkennen wir ein IPython-Fenster, in dem, wie weiter oben beschrieben, kürzere Codesegmente getestet werden können. Dies ist besonders hilfreich, wenn man beim Programmieren nicht sicher ist, ob ein bestimmter Programmcode wirklich das Beabsichtigte leistet. In dem IPython-Fenster erfolgt auch die Ausgabe von Ergebnissen, wenn man den Code im linken Fenster ausführt. Ein weiteres Fenster dient unter anderem zur Anzeige von Dokumentation oder zur Fehlersuche. Je nach Bedarf lässt sich das Spyder-Fenster anpassen, aber zumindest zu Beginn sollte die Standardeinstellung angemessen sein. Wir können an dieser Stelle keine ausführliche Einführung in Spyder geben und verweisen stattdessen auf die zugehörige Dokumentation.
Abb. 1.6 Python-Entwicklungsumgebung Spyder#
1.4. Literatur#
-
Dies ist die offizielle Python-Webseite. Dort gibt es z.B. die Software zum Herunterladen, eine umfangreiche Dokumentation der Programmiersprache, insbesondere ihrer Standardbibliothek sowie Verweise auf einführende Literatur und einiges mehr.
Michael Weigend, Python GE-PACKT (MITP-Verlag, 2020)
Dieses Buch eignet sich als kompaktes Nachschlagewerk. Die 8. Auflage berücksichtigt die Python-Version 3.8.
Hans Petter Langtangen, A Primer on Scientific Programming with Python (Springer, 2012)
1.5. Python-Version#
Python befindet sich in aktiver Entwicklung, wobei jährlich eine neue Unterversion veröffentlicht wird. Jede Version wird über fünf Jahre bei Bedarf mit Fehlerkorrekturen versorgt. Aktuell ist Python 3.8 die älteste Version, die noch unterstützt wird. Von ganz wenigen Ausnahmen abgesehen, auf die dann besonders hingewiesen wird, ist der Code zu dieser Vorlesung unter Python 3.8 lauffähig, aber es spricht natürlich auch nichts dagegen, eine neuere Version wie zum Beispiel Python 3.11 oder 3.12 zu verwenden.