Externe Code-Bibliotheken (Packages)
Externe Bibliotheken einbinden, ohne den nächsten Sicherheitsalbtraum auszulösen.
Du hast Variablen, Schleifen, Funktionen gelernt — du kannst Python schreiben. Aber hier ist das Geheimnis professioneller Entwicklung: Die meisten echten Projekte bestehen zu rund 30% aus eigenem Code und zu 70% aus Bibliotheken, die andere bereits gebaut haben.
Dieser Artikel zeigt dir die drei Schichten von Pythons Code-Universum: was bereits eingebaut ist, wie du fehlendes hinzufügst, und warum dieses Ökosystem Python zur dominierenden KI-Sprache gemacht hat.
Standard Library & Imports
Definition
Modul und Package
Analogie
Definition
Ein echter Werkzeugkasten hat physische Grenzen. Pythons Standard Library ist über die Jahre gewachsen und enthält spezialisierte Module (sqlite3, email, tkinter), die weit über "Basics" hinausgehen. Außerdem erfordert ein Werkzeugkasten keine Wahl, wie du ein Werkzeug herausholst — Pythons drei Import-Formen beeinflussen das Namespace-Verhalten.
Volles Modul geladen. Zugriff über math.sqrt(144). Der Name math dient als Namensraum — kein Namenskonflikt mit eigenen Variablen.
Nur randint geladen. Direkter Aufruf: randint(1, 6). Kürzer, aber bei vielen Imports kann der Überblick verloren gehen.
Merke
Drei Import-Stile
import math
print(math.sqrt(144)) # 12.0
from random import randint
print(randint(1, 6)) # z.B. 4
import json as j
print(j.dumps({"name": "Ada"})) # {"name": "Ada"}Alle drei Module sind ohne Installation verfügbar — sie gehören zur Standard Library. Du brauchst nur die passende import-Zeile.
Achtung
Irrtum: import lädt Code aus dem Internet
import lädt nur Module, die bereits auf deinem Computer vorhanden sind — entweder aus der Standard Library oder aus vorher per pip installierten Paketen. import kontaktiert niemals das Internet. Das Herunterladen ist ein separater Schritt mit pip.
Wenn Python import math ausführt, durchsucht es eine Liste von Verzeichnissen in sys.path. Diese Liste enthält: das Verzeichnis deines Skripts, die Standard-Library-Pfade und das site-packages-Verzeichnis (wo pip installiert).
import sys
print(sys.path)
# ['/home/ada/projekt', '/usr/local/lib/python3.12', '/usr/local/lib/python3.12/lib-dynload',
# '/usr/local/lib/python3.12/site-packages']Beim ersten Import kompiliert Python das Modul in Bytecode und speichert ihn im Ordner __pycache__. Bei späteren Imports wird der Cache verwendet — das beschleunigt den Start.
pip & PyPI — Der App Store für Python
Definition
pip und PyPI
Analogie
Definition
Ein App Store wird von einem Unternehmen kuratiert und geprüft. PyPI ist offen — jeder kann hochladen. Es gibt keine verpflichtende Qualitätskontrolle, deshalb muss man lernen, Pakete selbst zu bewerten (Download-Zahlen, Wartungsaktivität, Dokumentation).
Merke
Der pip-Workflow: Installieren → Importieren → Verwenden
- 1. pip install requests — Paket von PyPI herunterladen und installieren
- 2. import requests — Das installierte Paket in deinem Code verfügbar machen
- 3. requests.get(url).status_code — Das Paket verwendenhier: HTTP-Anfrage senden
Merke
requirements.txt — Abhängigkeiten reproduzierbar machen
Professionelle Projekte listen alle benötigten Pakete in einer requirements.txt-Datei auf:
requests==2.34.2
pandas>=2.0.0
numpy>=1.24.0Ein einziger Befehl — pip install -r requirements.txt — installiert alle Abhängigkeiten. Und Abhängigkeiten sind transitiv: Wenn du pandas installierst, kommt numpy automatisch mit, weil pandas es intern braucht. Achtung: == legt genau eine Version fest, >= nur eine Untergrenze. pandas>=2.0.0 installiert heute schon pandas 3. Wirklich reproduzierbar wird die Datei erst, wenn alle Pakete mit == gepinnt sind, etwa per pip freeze > requirements.txt.
Achtung
Irrtum: import installiert automatisch fehlende Pakete
import und pip install sind strikt getrennte Operationen. Der Import-Mechanismus durchsucht nur lokale Verzeichnisse (Standard Library + site-packages) — er kontaktiert niemals PyPI. Ohne vorherige Installation mit pip bekommst du einen ModuleNotFoundError.
Auf PyPI kann jeder Pakete hochladen. Bevor du ein unbekanntes Paket installierst, prüfe diese Signale:
Download-Zahlen (populäre Pakete sind besser getestet), letztes Update (aufgegebene Projekte sind riskant), Dokumentationsqualität (gute Docs = aktive Wartung), GitHub-Stars und Issues (Community-Engagement), und Sicherheits-Audits (bei sensiblen Anwendungen). Die Regel: Je mehr Leute ein Paket verwenden, desto wahrscheinlicher werden Fehler schnell gefunden und behoben. Beliebtheit schützt aber nicht vor Angriffen: Im März 2026 tauchten auf PyPI zwei manipulierte Versionen der viel genutzten KI-Bibliothek litellm auf, die Zugangsdaten stahlen. Pinne deshalb exakte Versionen, damit nicht ungeprüft das neueste Release nachrutscht. Und prüfe jeden Paketnamen auf pypi.org, bevor du installierst: Angreifer registrieren gezielt Tippfehler-Namen wie „reqeusts“ und Namen, die KI-Assistenten manchmal frei erfinden.
Das Ökosystem — Warum Python die KI-Sprache wurde
Pythons Drei-Schichten-Modell
Jedes Paket ist wie ein spezialisierter LEGO-Stein, gefertigt von Experten. Du baust daraus eigene Kreationen zusammen, ohne wissen zu müssen, wie Plastik gegossen wird — genauso wie du eine ML-Pipeline baust, ohne C-Code für Matrixmultiplikation zu schreiben.
Aber LEGO-Steine passen immer zusammen (genormte Noppen). Python-Pakete können Versionskonflikte und inkompatible Abhängigkeiten haben. Und LEGO wird von einem Unternehmen kuratiert, während PyPI ein offener Basar ist — von industrie-reifen Bibliotheken bis zu aufgegebenen Hobbyprojekten.
Merke
Python als Klebesprache
Python ist als Interpreter relativ langsam. Aber seine Stärke liegt nicht in Geschwindigkeit, sondern in der Rolle als "Klebesprache": Python liefert die benutzerfreundliche Oberfläche, während die schwere Berechnung in kompiliertem C/C++ oder CUDA darunter läuft.
import pandas as pd
df = pd.read_csv("data.csv")
print(df.describe()) # Statistische Zusammenfassung
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y) # ML-Modell in einer ZeileHinter diesen wenigen Python-Zeilen stecken Tausende Zeilen optimierter C/Fortran-Code. Python gibt die Befehle — die eigentliche Berechnung passiert in kompiliertem Code.
Achtung
Irrtum: Python ist zu langsam für KI
Python selbst ist langsam für reine Schleifen. Aber KI-Aufgaben laufen in C/C++/CUDA hinter Bibliotheksaufrufen. Python ist das Lenkrad, nicht der Motor. Die eigentlichen Matrixmultiplikationen, Gradientenberechnungen und Datentransformationen passieren in kompiliertem Code — Python orchestriert sie nur.
Interaktiv: Package-Manager Checkliste
Beantworte die folgenden Fragen zu deinem Python-Projekt. Am Ende erhältst du eine Empfehlung, welches Werkzeug für die Paketverwaltung am besten zu deiner Situation passt.
Package-Manager Checkliste
Finde heraus, welches Werkzeug für die Paketverwaltung am besten zu deinem Python-Projekt passt.
Merke
Das Wichtigste auf einen Blick
- Pythons Standard Library deckt Alltagsaufgaben ab (Mathematik, JSON, Dateien, Datum) — prüfe immer erst die "batteries included", bevor du extern installierst.
- pip install lädt von PyPI herunter; import lädt, was bereits lokal installiert ist — das sind strikt getrennte Schritte.
- Python dominiert KI nicht wegen Geschwindigkeit, sondern weil sein Ökosystem hochperformanten C/C++-Code hinter einer sauberen, anfängerfreundlichen API verpackt.
Prüfen
Quiz: Packages und Imports
Was ist der Unterschied zwischen import und pip install?
Wähle eine Antwort
1. Was ist der Unterschied zwischen import und pip install?
2. Du schreibst import pandas in einer frischen Python-Installation. Was passiert?
3. Ein Projekt hat eine requirements.txt mit pandas>=2.0.0 und numpy>=1.24.0. Welcher Befehl liest die Datei und installiert alle Abhängigkeiten?
4. Python ist als Interpreter langsamer als C. Warum dominiert es trotzdem in der KI-Entwicklung?
Prüfen
Checkpoint
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen