Dafür gibt es drei Haupt­grün­de: Ers­tens eine rie­si­ge Aus­wahl an hoch­spe­zia­li­sier­ten, aus­ge­reif­ten und per­for­man­ten Biblio­the­ken (wie Pan­das für Daten­ma­ni­pu­la­ti­on, Sci­kit-learn für Machi­ne Lear­ning), die von einer rie­si­gen Com­mu­ni­ty gepflegt wer­den. Zwei­tens eine sehr ein­fa­che, les­ba­re Syn­tax, die es erlaubt, kom­ple­xe Algo­rith­men ver­ständ­lich aus­zu­drü­cken. Drit­tens sei­ne Viel­sei­tig­keit, die es ermög­licht, ein Modell nicht nur zu ent­wi­ckeln, son­dern es auch direkt in einer Web-Anwen­dung zu pro­duk­ti­vie­ren.

Ja. 80% der Arbeit in einem Daten­pro­jekt besteht aus der soge­nann­ten “Daten­auf­be­rei­tung” (Data Wrang­ling). Unse­re Python-Exper­ten sind dar­auf spe­zia­li­siert, unstruk­tu­rier­te Daten aus ver­schie­de­nen Quel­len (z.B. Excel, Daten­ban­ken, APIs) zu extra­hie­ren, sie zu berei­ni­gen, zu trans­for­mie­ren und in eine sau­be­re, ana­ly­sier­ba­re Form zu brin­gen. Ein “Daten-Cha­os” ist für uns nicht das Ende, son­dern der nor­ma­le Start­punkt eines Pro­jekts.

Das hängt vom Pro­jekt ab. Djan­go ist ein “Batteries-included”-Framework. Es bringt von Haus aus sehr vie­le fer­ti­ge Kom­po­nen­ten mit (z.B. ein Admin-Inter­face, Benut­zer­ver­wal­tung). Das macht es ide­al für kom­ple­xe, daten­bank­in­ten­si­ve Anwen­dun­gen, bei denen man schnell star­ten will. Flask ist ein mini­ma­lis­ti­sches “Micro-Frame­work”. Es gibt nur die abso­lut not­wen­di­gen Grund­la­gen vor und über­lässt dem Ent­wick­ler die freie Wahl der wei­te­ren Kom­po­nen­ten. Es ist ide­al für klei­ne­re Anwen­dun­gen, APIs oder wenn eine sehr spe­zi­fi­sche, unkon­ven­tio­nel­le Archi­tek­tur benö­tigt wird. Wir bera­ten Sie objek­tiv, was für Ihr Pro­jekt in Ber­lin die bes­se­re Wahl ist.