Python in der Praxis - Codebeispiele aus dem Entwickleralltag

Ein Blog von Freelancern aus der Schweiz

Neueste Beiträge

Der CodeProfi - High-Frequency Financial Data Analysis mit Pandas und Numba

Veröffentlicht am 07.11.2025

In einer Ära, in der die Finanzmärkte zunehmend von Technologien und Algorithmen geprägt sind, hat die Analyse von Hochfrequenzdaten (High-Frequency Data) eine kritische Rolle bei der Entscheidungsfindung und der Entwicklung von Handelsstrategien übernommen. Die Analyse hochfrequenter Finanzdaten ermöglicht es, Marktbewegungen mit einer beispiellosen Granularität zu untersuchen, und bietet Einblicke, die mit traditionellen Datensätzen oft nicht erreichbar sind. In diesem Zusammenhang erweisen sich leistungsfähige Werkzeuge wie Pandas und Numba als unverzichtbare Instrumente für Finanzanalysten und Datenwissenschaftler, die sich auf die Verarbeitung und Analyse grosser Datenmengen spezialisiert haben. High-Frequency Trading (HFT) und die damit einhergehende Analyse hochfrequenter Daten haben die Dynamik der Finanzmärkte tiefgreifend verändert. Während traditionelle Handelsstrategien auf täglichen oder sogar wöchentlichen Daten basieren, erlaubt die HFT die Nutzung von Daten, die in Minuten-, Sekunden- oder gar Millisekundenintervallen erfasst werden. Diese Daten umfassen eine Vielzahl von Informationen, einschliesslich Preisbewegungen, Handelsvolumina und Auftragsbuchdaten, die in Echtzeit erfasst werden....

Zum vollständigen Artikel


Der CodeProfi - Optimierung von Algorithmen durch NumPy Structured Arrays

Veröffentlicht am 13.10.2025

In der heutigen datengetriebenen Welt spielen Algorithmen eine zentrale Rolle in der Verarbeitung und Analyse grosser Datenmengen. Die ständige Weiterentwicklung von Technologien und die exponentielle Zunahme von Daten erfordern effiziente und optimierte Algorithmen, um die Leistungsfähigkeit moderner Anwendungen sicherzustellen. Eine der vielversprechendsten Methoden zur Verbesserung der Effizienz von Algorithmen ist die Nutzung von NumPy Structured Arrays. Diese bieten nicht nur eine flexible und leistungsstarke Datenstruktur, sondern auch Möglichkeiten zur Speichereinsparung und Leistungssteigerung. NumPy, eine der bekanntesten Bibliotheken in der Python-Programmiersprache, ist bekannt für ihre leistungsfähigen Tools zur wissenschaftlichen Berechnung. Innerhalb dieser Bibliothek bieten Structured Arrays eine besondere Form von Arrays, die es ermöglichen, heterogene Daten in einer einzigen Datenstruktur zu speichern. Im Gegensatz zu herkömmlichen Arrays, die typischerweise homogene Datentypen enthalten, erlauben Structured Arrays die Kombination verschiedener Datentypen in einem Array. Dies ist besonders nützlich in Szenarien, in denen verschiedene Attribute eines Datensatzes gemeinsam verarbeitet werden müssen, wie etwa in der Verarbeitung von Tabellen ähnlichen Datenstrukturen....

Zum vollständigen Artikel


Der CodeProfi - High-Performance Machine Learning Preprocessing mit Numba

Veröffentlicht am 10.10.2025

In der heutigen datengetriebenen Welt hat sich Machine Learning (ML) zu einem entscheidenden Werkzeug entwickelt, das in einer Vielzahl von Branchen eingesetzt wird, um Erkenntnisse aus grossen Datenmengen zu gewinnen. Der Erfolg eines Machine-Learning-Modells hängt jedoch nicht nur von den Algorithmen ab, die zur Erstellung des Modells verwendet werden, sondern auch von der Qualität und Effizienz der Datenvorverarbeitung. Hier kommt die Bedeutung von High-Performance Machine Learning Preprocessing ins Spiel, insbesondere unter Verwendung von Tools wie Numba. Numba, eine JIT (Just-In-Time) Compiler-Technologie, hat sich in den letzten Jahren als leistungsfähiges Werkzeug für die Beschleunigung von numerischen Python-Programmen etabliert. Es ermöglicht die Umwandlung von Python-Funktionen in maschinennahe, optimierte Code-Abschnitte, die auf der CPU oder GPU ausgeführt werden können. Diese Fähigkeit macht Numba zu einem idealen Kandidaten für die Optimierung von Preprocessing-Schritten in Machine-Learning-Pipelines, insbesondere bei grossen Datensätzen, bei denen Leistung und Geschwindigkeit entscheidend sind....

Zum vollständigen Artikel


Alle Artikel

Der CodeProfi - 3D-Plots erstellen mit mplot3d
19.09.2025
Der CodeProfi - Arbeiten mit Flask SQLAlchemy ORM
06.10.2025
Der CodeProfi - Beschleunigung von Python-Funktionen mit @jit Dekorator in Numba
05.09.2025
Der CodeProfi - Custom Typen in Numba: StructRef Beispiele
16.05.2025
Der CodeProfi - Daten hochladen und speichern mit Flask (File Uploads)
04.07.2025
Der CodeProfi - Datenvisualisierung direkt mit pandas plot()
09.06.2025
Der CodeProfi - Daten zusammenführen: Merge, Join, Concat in pandas
18.08.2025
Der CodeProfi - Deployment einer Flask-App auf einem Linux-Server (Gunicorn + Nginx)
23.05.2025
Der CodeProfi - Dynamisches Dashboard mit Flask, pandas und Plotly
22.08.2025
Der CodeProfi - Effizientes Lesen großer CSV-Dateien mit Pandas
25.08.2025
Der CodeProfi - Einfache Hintergrundjobs mit Celery und Redis Queue
11.08.2025
Der CodeProfi - Einführung in NumPy Arrays und deren Grundoperationen
25.07.2025
Der CodeProfi - Erstellen einer Admin-UI mit Flask-Admin
14.07.2025
Der CodeProfi - Erstellen einer einfachen REST API mit Flask
22.09.2025
Der CodeProfi - Flask und WebSockets: Realtime-Kommunikation
01.08.2025
Der CodeProfi - High-Frequency Financial Data Analysis mit Pandas und Numba
07.11.2025
Der CodeProfi - High-Performance Machine Learning Preprocessing mit Numba
10.10.2025
Der CodeProfi - Implementieren von Algorithmen in reinem Numba ohne NumPy
15.09.2025
Der CodeProfi - Integration von Celery in eine Flask-REST-API
03.10.2025
Der CodeProfi - Integration von matplotlib in Flask-Webapps (Dynamische Plots)
07.07.2025
Der CodeProfi - Matplotlib Animationen: Zeitreihen dynamisch darstellen
20.04.2025
Der CodeProfi - Memory-Effizienz in NumPy: Views vs. Kopien
08.09.2025
Der CodeProfi - Monitoring und Verwaltung von Tasks mit Flower Dashboard
18.07.2025
Der CodeProfi - MultiIndex-Strukturen in pandas verstehen und verwenden
06.06.2025
Der CodeProfi - Numba für numerische Simulationen einsetzen
27.06.2025
Der CodeProfi - Optimierung von Algorithmen durch NumPy Structured Arrays
13.10.2025
Der CodeProfi - Parallelisierung mit Numba's prange
19.05.2025
Der CodeProfi - Plot-Styles und Themes in Matplotlib anpassen
30.06.2025
Der CodeProfi - Retry-Mechanismen und Fehlertoleranz in Celery Tasks
23.06.2025
Der CodeProfi - Sichere Task-Serialisierung und Übertragung (kombiniert mit JWT/Secrets)
09.05.2025
Der CodeProfi - Signalverarbeitung mit scipy.signal
15.08.2025
Der CodeProfi - Sparse-Matrizen und lineare Systeme mit scipy.sparse
02.05.2025
Der CodeProfi - Speichern von Ergebnissen mit Celery-Backends (Redis, DB)
29.08.2025
Der CodeProfi - Tipps zur Fehlersuche bei Numba-optimierten Funktionen
13.06.2025
Der CodeProfi - User-Authentifizierung und Login-System mit Flask-Login
16.06.2025
Der CodeProfi - Vektorisierung vs. Schleifen in NumPy: Performance-Vergleich
12.09.2025
Der CodeProfi - Vergleich von Numba JIT und Cython
21.07.2025
Der CodeProfi - Verkettung und Gruppierung komplexer Tasks (Chains, Chords)
01.09.2025
Der CodeProfi - Verteilte Aufgabenplanung: Celery Worker über mehrere Server
30.05.2025
Der CodeProfi - Zeitreihenanalyse mit pandas datetime
04.08.2025

Datenschutzerklärung

Verantworlich für den Inhalt: Felix Fehlmann, General-Wille-Strasse 201, 8706 Meilen, Schweiz

Diese Website wird bei der Swizzonic AG, Badenerstrasse 47, CH-8004 Zürich gehostet. Im Zuge des Hostings werden Zugriffsdaten (z. B. IP-Adresse, Zeitstempel, angeforderte Seiten) in Server-Logfiles gespeichert. Dies dient der technischen Überwachung und Sicherheit der Website und stellt ein berechtigtes Interesse dar (Art. 6 Abs. 1 lit. f DSGVO).

Diese Website verwendet ausschließlich technisch notwendige Cookies, die für den Betrieb der Seite erforderlich sind. Es werden keine personenbezogenen Daten erhoben oder gespeichert. Es findet kein Tracking, keine Analyse und keine Weitergabe von Daten an Dritte statt.