Jupyter, ChatGPT, Copilot (Teil 3): Praxisbeispiele aus der echten Welt
In den vorangegangenen Teilen haben wir besprochen, warum Jupyter eine „Denkumgebung“ ist. In diesem abschließenden Teil werden wir vier konkrete Szenarien durchgehen, in denen ein Notebook für einen Senior Engineer besser abschneidet als eine traditionelle IDE. 1. API-Archäologie: Das Unbekannte kartieren Wenn Sie es mit einer komplexen API zu tun haben, möchten Sie nicht erst einen vollständigen Client bauen, nur um zu sehen, wie die Daten aussehen. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import requests import pandas as pd # 1. Die Anfrage senden response = requests.get("https://api.example.com/v1/complex-endpoint", headers={"Authorization": "Bearer IHR_TOKEN"}) data = response.json() # 2. Anstatt print(data), nutzen Sie Jupyters Fähigkeit zur Exploration # Schauen wir uns die Schlüssel der obersten Ebene an print(f"Keys: {data.keys()}") # 3. Verschachtelte Strukturen flach klopfen, um das Schema zu verstehen df = pd.json_normalize(data['items']) df.head() # Zeigt eine schöne interaktive Tabelle Der Vorteil: Sie können die Header anpassen, die Query-Parameter ändern und nur die Zelle mit der Anfrage erneut ausführen, ohne Ihre gesamte Anwendung neu starten zu müssen. ...