[pre-commit.ci] pre-commit autoupdate

.pre-commit-config.yaml

@@ -24,11 +24,11 @@ repos:
     - id: end-of-file-fixer
     - id: trailing-whitespace
   - repo: https://github.com/tox-dev/pyproject-fmt
-    rev: v2.11.1
+    rev: v2.16.2
     hooks:
     - id: pyproject-fmt
   - repo: https://github.com/abravalheri/validate-pyproject
-    rev: v0.24.1
+    rev: v0.25
     hooks:
     - id: validate-pyproject
   - repo: https://github.com/sphinx-contrib/sphinx-lint
@@ -37,14 +37,14 @@ repos:
     - id: sphinx-lint
       types: [rst]
   - repo: https://github.com/pycqa/isort
-    rev: 7.0.0
+    rev: 8.0.1
     hooks:
     - id: isort
       additional_dependencies: ["toml"]
       entry: isort --profile=black
       name: isort (python)
   - repo: https://github.com/psf/black-pre-commit-mirror
-    rev: 25.12.0
+    rev: 26.1.0
     hooks:
     - id: black
   - repo: https://github.com/tonybaloney/perflint

README.rst

@@ -5,7 +5,7 @@
 Python4DataScience
 ==================
 
-.. _badges:
+.. _badges
 
 Status
 ------
@@ -29,7 +29,7 @@ Status
    :alt: Mastodon
    :target: https://mastodon.social/@Python4DataScience
 
-.. _first-steps:
+.. _first-steps
 
 Überblick
 ---------
@@ -125,7 +125,7 @@ Installation
    Das PDF findet ihr anschließend in ``docs/_build/latex/jupytertutorial.pdf``.
 
 
-.. _follow-us:
+.. _follow-us
 
 Folge uns
 ---------

docs/conf.py

@@ -18,7 +18,6 @@
 import os
 import re
 
-
 # Set canonical URL for the sitemap
 html_baseurl = "https://python4data.science/de/latest/"
 
@@ -33,7 +32,6 @@
 import os
 import re
 
-
 project = "Python für Data Science"
 author = "Veit Schiele"
 copyright = f"2019–2025, {author}"

docs/data-processing/apis/fastapi/example.rst

@@ -16,7 +16,6 @@ Erstellt die Datei :file:`main.py` mit diesem Inhalt:
 
     from fastapi import FastAPI
 
-
     app = FastAPI()
 
 
@@ -81,7 +80,6 @@ zu erhalten:
 
     from fastapi import FastAPI
 
-
     app = FastAPI()
 
 

docs/data-processing/apis/grpc/accounts_pb2.py

@@ -6,12 +6,12 @@
 # Generated by the protocol buffer compiler.  DO NOT EDIT!
 # source: accounts.proto
 """Generated protocol buffer code."""
+
 from google.protobuf import descriptor as _descriptor
 from google.protobuf import message as _message
 from google.protobuf import reflection as _reflection
 from google.protobuf import symbol_database as _symbol_database
 
-
 # @@protoc_insertion_point(imports)
 
 _sym_db = _symbol_database.Default()

docs/data-processing/apis/grpc/accounts_pb2_grpc.py

@@ -4,6 +4,7 @@
 
 # Generated by the gRPC Python protocol compiler plugin. DO NOT EDIT!
 """Client and server classes corresponding to protobuf-defined services."""
+
 import accounts_pb2 as accounts__pb2
 import grpc
 

docs/data-processing/postgresql/db-api.rst

@@ -82,12 +82,10 @@ Cursor
     .. code-block:: python
 
         cursor = conn.cursor()
-        cursor.execute(
-            """
+        cursor.execute("""
             SELECT column1, column2
             FROM tableA
-            """
-        )
+            """)
         for column1, column2 in cursor.fetchall():
             print(column1, column2)
 

docs/data-processing/postgresql/sqlalchemy.rst

@@ -44,7 +44,6 @@ Datenbankverbindung
 
     from sqlalchemy import create_engine
 
-
     engine = create_engine("postgresql:///example", echo=True)
 
 Datenmodell
@@ -56,7 +55,6 @@ Datenmodell
     from sqlalchemy.ext.declarative import declarative_base
     from sqlalchemy.orm import relationship
 
-
     Base = declarative_base()
 
 

docs/data-processing/serialisation-formats/json/index.rst

@@ -245,6 +245,26 @@ JSON-Tools
     .. image:: https://raster.shields.io/github/license/stefankoegl/python-json-patch
        :alt: Lizenz
 
+`jsonata-python <https://github.com/rayokota/jsonata-python>`_
+    `JSONata <https://docs.jsonata.org/overview.html>`_ ist eine
+    leichtgewichtige Abfrage- und Transformationssprache für JSON-Daten,
+    inspiriert von XPath.
+
+    .. image:: https://raster.shields.io/github/stars/rayokota/jsonata-python
+       :alt: Stars
+       :target: https://github.com/rayokota/jsonata-python
+
+    .. image:: https://raster.shields.io/github/contributors/rayokota/jsonata-python
+       :alt: Contributors
+       :target: https://github.com/rayokota/jsonata-python/graphs/contributors
+
+    .. image:: https://raster.shields.io/github/commit-activity/y/rayokota/jsonata-python
+       :alt: Commit activity
+       :target: https://github.com/rayokota/jsonata-python/graphs/commit-activity
+
+    .. image:: https://raster.shields.io/github/license/rayokota/jsonata-python
+       :alt: Lizenz
+
 .. _`standard`: https://www.json.org/json-en.html
 .. _`JSON_Checker`: http://www.json.org/JSON_checker/
 .. _`JSON Schema Proposal`: https://json-schema.org

docs/data-processing/serialisation-formats/pyproject.toml

@@ -14,6 +14,5 @@ lines_between_types = 1
 multi_line_output = 3
 not_skip = "__init__.py"
 use_parentheses = true
-
 known_first_party = "jupyter-tutorial"
 known_third_party = [ "mpi4py", "numpy", "requests" ]

docs/data-processing/serialisation-formats/toml/index.rst

@@ -66,7 +66,6 @@ Beispiel
 
     import toml
 
-
     config = toml.load("pyproject.toml")
 
 .. seealso::

docs/data-processing/serialisation-formats/toml/pyproject.toml

@@ -14,6 +14,5 @@ lines_between_types = 1
 multi_line_output = 3
 not_skip = "__init__.py"
 use_parentheses = true
-
 known_first_party = [ "MY_FIRST_MODULE", "MY_SECOND_MODULE" ]
 known_third_party = [ "mpi4py", "numpy", "requests" ]

docs/performance/index.rst

@@ -23,6 +23,10 @@ zu kümmern.
        <http://www.literateprogramming.com/>`_, in Computer Programming as an
        Art (1974)
 
+.. seealso::
+   * `Speed up your data science and scientific computing code
+     <https://pythonspeed.com/datascience/>`_
+
 k-Means-Beispiel
 ----------------
 
@@ -51,7 +55,6 @@ Beispieldaten können wir uns erstellen mit:
 
     from sklearn.datasets import make_blobs
 
-
     points, labels_true = make_blobs(
         n_samples=1000, centers=3, random_state=0, cluster_std=0.60
     )
@@ -67,18 +70,25 @@ Performance-Messungen
 
 Wenn ihr erst einmal mit eurem Code gearbeitet habt, kann es nützlich sein, die
 Effizienz genauer zu untersuchen. Hierfür kann :abbr:`z. B. (zum Beispiel)`
-`cProfile <https://docs.python.org/3.14/library/profile.html#module-cProfile>`_,
-:doc:`ipython-profiler` oder :doc:`scalene` genutzt werden.
+:doc:`cProfile <tracing>`, :doc:`ipython-profiler`, :doc:`scalene`, :doc:`tprof`
+oder :doc:`memray` genutzt werden. Bisher führe ich meist die folgenden Schritte
+aus:
+
+#. Ich profilierte das gesamte Programm mit :doc:`cProfile <tracing>` oder
+   `py-spy <https://github.com/benfred/py-spy>`_, um langsame Funktionen zu
+   finden.
+#. Anschließend optimiertee ich eine langsame Funktion.
+#. Schließlich erstellte ich ein neues Profil und filterte das Ergebnis meiner
+   optimierten Version heraus um die Ergebnisse vergleichen zu können.
 
 .. versionadded:: Python3.15
    Mit :pep:`799` wird ein spezielles Profiling-Modul zur Verfügung stehen, das
    die in Python integrierten Profiling-Tools unter einem einheitlichen
    Namespace organisiert. Dieses Modul enthält:
 
    :mod:`profiling.tracing`
-       deterministische Funktionsaufrufverfolgung, die aus `cProfile
-       <https://docs.python.org/3.14/library/profile.html#module-cProfile>`_
-       verschoben wurde.
+       deterministische Funktionsaufrufverfolgung, die aus :doc:`cProfile
+       <tracing>` verschoben wurde.
    :mod:`profiling.sampling`
        der neue statistische Sampling-Profiler :doc:`tachyon`.
 
@@ -96,8 +106,11 @@ Effizienz genauer zu untersuchen. Hierfür kann :abbr:`z. B. (zum Beispiel)`
     :titlesonly:
     :maxdepth: 0
 
+    tracing
     ipython-profiler.ipynb
     scalene.ipynb
+    tprof
+    memray
     tachyon
 
 Suche nach bestehenden Implementierungen
@@ -114,7 +127,6 @@ k-Means-Algorithmus gibt es sogar gleich zwei Implementierungen:
 
      from sklearn.cluster import KMeans
 
-
      KMeans(10).fit_predict(points)
 
 * `dask_ml.cluster.KMeans
@@ -124,7 +136,6 @@ k-Means-Algorithmus gibt es sogar gleich zwei Implementierungen:
 
      from dask_ml.cluster import KMeans
 
-
      KMeans(10).fit(points).predict(points)
 
 Gegen diese bestehenden Lösungen könnte bestenfalls sprechen, dass sie einen
@@ -293,6 +304,11 @@ wissenschaftlichen Python- und NumPy-Code in schnellen Maschinencode
 Numba benötigt allerdings `LLVM <https://de.wikipedia.org/wiki/LLVM>`_ und
 einige Python-Konstrukte werden nicht unterstützt.
 
+.. seealso::
+   * `Speeding up NumPy with parallelism
+     <https://pythonspeed.com/articles/numpy-parallelism/> by Itamar
+     Turner-Trauring`_
+
 Aufgabenplaner
 --------------
 

docs/performance/memray.rst

@@ -0,0 +1,97 @@
+.. SPDX-FileCopyrightText: 2026 Veit Schiele
+..
+.. SPDX-License-Identifier: BSD-3-Clause
+
+Memray
+======
+
+Die Speichernutzung ist in Python-Projekten nur schwer zu kontrollieren, da die
+Sprache nicht explizit deutlich macht, wo Speicher zugewiesen wird, Modulimporte
+können den Verbrauch erheblich steigern, und es ist nur allzu leicht, eine
+Datenstruktur zu erstellen, die versehentlich unbegrenzt wächst.
+Data-Science-Projekte sind besonders anfällig für hohen Speicherverbrauch, da
+sie meist viele große Abhängigkeiten wie :doc:`/workspace/numpy/index`
+importieren, selbst wenn diese nur an wenigen Stellen verwendet werden.
+
+`Memray <https://bloomberg.github.io/memray/>`_ hilft euch, die Speichernutzung
+eures Programms zu verstehen, wobei nachverfolgt wird, wo während der
+Programmausführung Speicher zugewiesen und freigegeben wird. Diese Daten können
+dann auf verschiedene Weise dargestellt werden, :abbr:`u. a. (uter anderem)`
+werden in `Flame Graphs <https://www.brendangregg.com/flamegraphs.html>`_ die
+`Stacktraces <https://de.wikipedia.org/wiki/Stacktrace>`_ in einem Diagramm
+zusammengefasst, wobei die Balkenbreite die Größe der Speicherzuweisung
+darstellt.
+
+Mit ``memray run`` kann jeder Python-Befehl profiliert werden. Für die meisten
+Projekte empfiehlt sich, zunächst mit ``check`` die Funktion zu profilieren, die
+euer Projekt lädt. Damit wird der Mindestaufwand überprüft, der zum Starten
+eurer Anwendung erforderlich ist, :abbr:`z.B. (zum Beispiel)`:
+
+.. code-block:: console
+
+   $ uv run memray run src/items/__init__.py check
+   Writing profile results into src/items/memray-__init__.py.72633.bin
+   [memray] Successfully generated profile results.
+
+   You can now generate reports from the stored allocation records.
+   Some example commands to generate reports:
+
+   /Users/veit/items/.venv/bin/python3 -m memray flamegraph src/items/memray-__init__.py.72633.bin
+
+Der Befehl gibt die Meldung ``Successfully generated profile results.`` aus und
+erstellt eine Datei :samp:`{PROCESS-ID}.bin`-Datei. Den *Flame Graph* können wir
+dann erstellen mit:
+
+.. code-block:: console
+
+   $ uv run python -m memray flamegraph src/items/memray-__init__.py.72633.bin
+   Wrote src/items/memray-flamegraph-__init__.py.72633.html
+
+.. tip::
+   In vielen Konsolen könnt ihr die beiden Befehle zusammenfassen mit ``&&``:
+
+   .. code-block:: console
+
+      $ uv run memray run src/items/__init__.py check && uv run python -m memray flamegraph src/items/memray-__init__.py.72633.bin
+
+Das Ergebnis ist folgende HTML-Datei:
+
+.. figure:: memray-flamegraph.png
+   :alt: memray flamegraph report
+
+   memray flamegraph report
+
+Der Kopfbereich der Seite enthält einige Steuerelemente, :abbr: `u.a. (unter anderem)` zu
+
+*Memory Graph*
+    Anzeige des Speicherplatzes eines Prozesses im Arbeitsspeicher (`Resident
+    set size <https://en.wikipedia.org/wiki/Resident_set_size>`_) und des
+    `dynamischen Speichers
+    <https://de.wikipedia.org/wiki/Dynamischer_Speicher>`_ (Heap Memory) über
+    die Zeit
+*Stats*
+    Speicherstatistiken, in diesem Fall
+
+    .. code-block:: text
+
+        Command line: /Users/veit/items/.venv/bin/memray run src/items/api.py check
+        Start time: Sun Feb 08 2026 12:12:27 GMT+0100 (Central European Standard Time)
+        End time: Sun Feb 08 2026 12:12:27 GMT+0100 (Central European Standard Time)
+        Duration: 0:00:00.068000
+        Total number of allocations: 11142
+        Total number of frames seen: 0
+        Peak memory usage: 4.6 MB
+        Python allocator: pymalloc
+
+Darunter befindet sich der *Flame-Graph* als Eiszapfendiagramm mit den
+Speicherzuweisungen über die Zeit, wobei der letzte Aufruf ganz unten steht. Die
+Grafik zeigt die zu einem bestimmten Zeitpunkt ausgeführte Codezeile an wobei
+die Breite proportional zur zugewiesenen Speichermenge ist; bewegt ihr die Maus
+darüber, seht ihr weitere Details wie Dateiname, Zeilennummer, zugewiesener
+Speicher und Anzahl der Zuweisungen.
+
+.. tip::
+   Mit :ref:`python-basics:pytest_memray` gibt es auch ein Plugin für
+   :doc:`python-basics:test/pytest/index`, mit dem ihr überprüfen könnt, ob
+   von euch festgelegte Obergrenzen für den Speicherverbrauch und Speicherlecks
+   eingehalten werden.