{"id":175406,"date":"2023-04-28T19:10:33","date_gmt":"2023-04-28T18:10:33","guid":{"rendered":"https:\/\/liora.io\/de\/?p=175406"},"modified":"2026-02-20T11:04:11","modified_gmt":"2026-02-20T10:04:11","slug":"python-annotations-wie-und-wann-benutzt-man-sie","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/python-annotations-wie-und-wann-benutzt-man-sie","title":{"rendered":"Python Annotations: Wie und wann benutzt man sie ?"},"content":{"rendered":"\n

Python Annotations bieten zus\u00e4tzliche Informationen \u00fcber Variablen oder Funktionen. Sie k\u00f6nnen z. B. die Lesbarkeit des Codes verbessern oder Fehler mithilfe von IDEs oder Bibliotheken von Drittanbietern aufsp\u00fcren. Hier erf\u00e4hrst du alles, was du \u00fcber Python-Annotationen wissen musst und wie du lernst, sie zu verwenden.<\/strong><\/p>\n\n\n\n

Programmiersprachen wie C, C++ oder Java<\/a> sind Sprachen mit statischer Typisierung. Das bedeutet, dass der Datentyp der Variable deklariert werden muss, bevor sie tats\u00e4chlich in einem Programm verwendet werden kann. Im Gegensatz dazu ist Python eine Sprache mit dynamischer Typisierung. Der Datentyp der Variable muss also nicht vorher angegeben werden. Er wird erst zur Laufzeit bestimmt.<\/p>\n\n\n\n

Mit anderen Worten: Ein Python-Entwickler muss den Datentyp des Wertes, den eine Variable annimmt, nicht deklarieren, da Python den Datentyp der Variable anhand ihres aktuellen Wertes realisiert.<\/p>\n\n\n\n

Statistische und dynamische Sprachen haben ihre eigenen Vor- und Nachteile. Eines der Probleme dynamischer Sprachen ist, dass Typisierungsfehler nur in der Laufzeit erkannt werden. Mehr Fehler werden in der Laufzeit entdeckt, obwohl sie w\u00e4hrend der Entwicklungszeit h\u00e4tten entdeckt werden k\u00f6nnen. Au\u00dferdem kann das Fehlen einer Kompilierung zu einem leistungsschwachen Code<\/strong> f\u00fchren.<\/p>\n\n\n\n

Wortreiche Variablen machen den Code schwerer zu sagen. Auch falsche Annahmen \u00fcber das Verhalten bestimmter Funktionen und Fehler durch falsche Verkn\u00fcpfungen sind zu beklagen. Seit Version 3.0 bietet Python<\/a> jedoch die M\u00f6glichkeit, diese Bedenken mithilfe von Annotationen zu beheben. Ziel ist es, den Datentyp von Variablen hervorzuheben, so dass Typisierungsfehler vor der Laufzeit erkannt werden k\u00f6nnen.<\/p>\n\n\n\n

Was sind Python-Annotations?<\/h2>\n\n\n\n

Python Annotations sind eine Python-Funktion<\/strong>, die den Entwicklern den Datentyp von Variablen oder Funktionsparametern anzeigt. Sie k\u00f6nnen auch die Lesbarkeit eines Programms in Python verbessern. Es gibt zwei Haupttypen von Annotationen in Python<\/a>: Funktionsannotationen und Variablenannotationen. Jede hat ihre Rolle und ihre Besonderheiten.<\/p>\n\n\n\n

Funktionsannotationen k\u00f6nnen Beschreibungen oder Datentypen von Parametern und vieles mehr angeben. Am h\u00e4ufigsten werden Funktionsannotationen jedoch verwendet, um den Datentyp der Parameter einer Funktion und den R\u00fcckgabetyp einer Funktion zu bezeichnen. Variablenanmerkungen wurden urspr\u00fcnglich in PEP 484 eingef\u00fchrt, wo Typkommentare zur Annotation von Variablen verwendet werden. Diese Kommentare geben den Datentyp der Variablen an. Diese Methode ist jedoch nicht sehr effizient und hat ihre eigenen Nachteile.<\/p>\n\n\n\n

Erst mit PEP 526 in Python 3.6<\/strong> wurden Annotationen f\u00fcr Variablen eingef\u00fchrt. Beim Schreiben von Variablenanmerkungen gibt es einige Regeln, wie z. B. dass vor oder nach einem Doppelpunkt kein Leerzeichen stehen darf. F\u00fcr komplexe Typen wie Listen oder Tupel wird ein Typisierungsmodul verwendet. Dies erm\u00f6glicht es zum Beispiel, sowohl Funktions- als auch Typ-Annotationen zu verwenden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Wie kann ich auf Python-Annotationen zugreifen?<\/h2>\n\n\n\n

Um auf Annotationen<\/strong> zuzugreifen, kannst du das Attribut „__ Annotationen __“ auf dem Funktionsobjekt verwenden. Die Ergebnisse werden in Form eines W\u00f6rterbuchs ausgegeben oder die Tasten und Werte werden auf die Parameter bzw. Annotationen abgebildet.<\/p>\n\n\n\n

Auch wenn die R\u00fcckgabe kein Parameter<\/strong> ist, kann sie von Python hinzugef\u00fcgt werden, um den R\u00fcckgabetyp der Funktion anzugeben. Wenn eine Funktion keine Annotationen hat, dann gibt das Attribut „__annotations__“ ein leeres W\u00f6rterbuch zur\u00fcck.<\/p>\n\n\n\n

Wozu dienen Python Annotations ?<\/h2>\n\n\n\n

Python Annotations<\/strong> haben mehrere Anwendungsf\u00e4lle. Zun\u00e4chst einmal k \u00f6nnen sie verwendet werden, um Typisierungsfehler vor der Laufzeit mithilfe von Drittanbieter-Tools wie mypy zu erkennen, die die statische Typisierung \u00fcberpr\u00fcfen und Tipps oder Warnungen anbieten k\u00f6nnen. Das Tool mypy<\/a> wurde von Jukka Lehtosalo entwickelt, um die Vorteile einer statischen Typisierungsumgebung f\u00fcr eine dynamische Sprache wie Python zu bieten. Es \u00fcberpr\u00fcft den annotierten Code in Python und gibt Warnungen aus, wenn dieser inkonsistent verwendet wird.<\/p>\n\n\n\n

Dieses Tool \u00fcberpr\u00fcft auch die Syntax des Codes<\/strong> und meldet Fehler, wenn die Syntax ung\u00fcltig ist. Es unterst\u00fctzt auch die schrittweise Typisierung, sodass du in deinem eigenen Tempo Typisierungstipps in den Code einf\u00fcgen kannst. \u00c4hnliche Tools sind z. B. pyright, pytypes oder pyre. Ebenso ist es m\u00f6glich, mithilfe von IDEs Fehler zu erkennen<\/a>, wenn die Annotation verwendet wurde, um den Typ der Parameterdaten anzugeben. Dies hilft, Fehler beim Schreiben des Codes in einer integrierten Entwicklungsumgebung wie Pycharm zu erkennen.<\/p>\n\n\n\n

Dar\u00fcber hinaus k\u00f6nnen Annotationen auch bei der Autovervollst\u00e4ndigung helfen. Eine IDE versteht anhand von Annotationen den Datentyp einer Variablen und schl\u00e4gt daher Methoden vor, die auf diesen Datentyp angewendet werden k\u00f6nnen.
Schlie\u00dflich verbessern Annotationen auch die Lesbarkeit des Codes. Datentypen werden klar und explizit hervorgehoben, wodurch die Notwendigkeit von Docstrings oder Kommentaren zur detaillierten Erkl\u00e4rung entf\u00e4llt.<\/p>\n\n\n\n

An sich sind Annotationen bei Python<\/strong> nicht besonders n\u00fctzlich. Der eigentliche Vorteil liegt in den Bibliotheken von Drittanbietern wie Linters, Type Checkers oder IDEs, die Annotationen verwenden k\u00f6nnen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Wie lernt man Python programmieren ?<\/h2>\n\n\n\n

Python hat viele Feinheiten, wie z. B. Annotationen, die es dir erm\u00f6glichen, sein volles Potenzial auszusch\u00f6pfen. Um den Umgang mit dieser Programmiersprache zu erlernen, kannst du dich f\u00fcr Liora<\/strong> entscheiden. Alle unsere Kurse enthalten ein Modul, das sich speziell mit der Python-Programmierung und seinen Data Science-Bibliotheken wie NumPy<\/a> und Pandas befasst. Die anderen Module des Programms decken Datenanalyse, Machine Learning, DataViz oder Business Intelligence<\/a> ab.<\/p>\n\n\n\n

Am Ende des Kurses wirst du alle F\u00e4higkeiten besitzen, die du brauchst, um den Beruf auszu\u00fcben, der dem gew\u00e4hlten Kurs entspricht: Data Analyst, Data Scientist, Data Engineer oder auch Data Manager. Mehr als 80 % unserer Alumni haben direkt nach dem Kurs einen Job gefunden.<\/p>\n\n\n\n

Alle unsere Kurse werden online durchgef\u00fchrt und verfolgen einen Blended-Learning-Ansatz,<\/a> der Online-Lernen auf einer gecoachten Plattform und Masterclasses miteinander verbindet. Du kannst zwischen einer Weiterbildung und einem intensiven BootCamp<\/a> w\u00e4hlen, je nach deinen Vorlieben und deiner Verf\u00fcgbarkeit.<\/p>\n\n\n\n

Was die Finanzierung angeht, sind alle unsere Kurse vom Bildungsgutschein<\/a> finanzierbar.<\/p>\n\n\n\n

\n
Liora Weiterbildungen<\/a><\/div>\n<\/div>\n\n\n\n