Python
Python gehört zu den vielseitigsten und zugleich einsteigerfreundlichsten Programmiersprachen.
Auf CodeRoom stehen zwei Python-Umgebungen zur Verfügung, die unterschiedliche Einsatzbereiche abdecken.
Python 3.9 – Serverseitige Ausführung
Für umfangreichere Programme, Datenanalyse und wissenschaftliche Anwendungen steht eine serverseitige Python-3.8-Umgebung zur Verfügung.
Hier können Programme mit leistungsstarken Bibliotheken ausgeführt werden.
Verfügbare Bibliotheken
- Astropy – Werkzeuge für Astronomie und Astrophysik
- Biopython – Bibliotheken für bioinformatische Anwendungen
- Geopandas – Erweiterung von Pandas für geographische Daten
- Matplotlib – Erstellung von Diagrammen und Visualisierungen
- NetworkX – Erstellung, Analyse und Visualisierung komplexer Netzwerke und Graphen
- NumPy – Grundlage für numerisches und wissenschaftliches Rechnen
- openpyxl – Lesen, Schreiben und Bearbeiten von Excel-Dateien im
.xlsx-Format - Pandas – Datenstrukturen und Werkzeuge für Datenanalyse
- Plotly – Interaktive Diagramme und Visualisierungen für Python 3 mit clientseitigem Rendering im Browser
- RDKit – Chemoinformatik und Analyse chemischer Strukturen
- Requests – Einfache HTTP-Anfragen und Webzugriffe
- Scikit-learn – Maschinelles Lernen und Datenanalyse
- SciPy – Wissenschaftliche und technische Berechnungen
- Statsmodels – Statistische Modellierung und Tests
- SymEngine – Symbolische Mathematik
Diese Umgebung eignet sich besonders für datengetriebene Projekte, wissenschaftliche Anwendungen und komplexere Programme.
Python 2 – Clientseitige Ausführung mit Skulpt
Für schnelle Experimente direkt im Browser steht eine clientseitige Python-Umgebung auf Basis von Skulpt zur Verfügung.
Programme werden dabei direkt im Browser ausgeführt, ohne dass ein Server benötigt wird.
Verfügbare Bibliotheken
Diese Umgebung enthält:
- die von Skulpt bereitgestellten Standardbibliotheken
- pygame – für einfache Spieleentwicklung und grafische Anwendungen
- frameCraft – Unterstützung für interaktive Lern- und Projektumgebungen
Die browserbasierte Python-Umgebung eignet sich besonders für:
- erste Programmiererfahrungen
- interaktive Übungen im Unterricht
- kleine Spiele und grafische Experimente
Stöbern Sie in den folgenden Artikeln, um vielfältige Beispiele und Projekte zu entdecken, die die Möglichkeiten von Python in beiden Umgebungen demonstrieren.
Python für Naturwissenschaften [Reihe]
Kompakter Kurs zur Datenverarbeitung, Simulation und Analyse mit Python-Tools wie NumPy, Pandas und Matplotlib.
Additive Farbmischung (RGB) [Inhalt]
Interaktive RGB-Slider in Pygame: additive Farbmischung visualisieren und Farbwerte sowie Hex-Code darstellen.
Analyse von Unternehmenskennzahlen aus CSV [Inhalt]
CSV-Daten mit pandas analysieren, Durchschnittswerte berechnen, profitabelsten Monat bestimmen und Kennzahlen mit matplotlib visualisieren.
Auf dem Weg zum ersten Schultag [Inhalt]
Erste Schritte mit Linus: Einführung in sequentielle Verarbeitung und die strukturierte Abfolge einfacher Programmierbefehle.
Bestellsystem mit Benutzer-DB umsetzen [Vorlage]
Entwicklung eines mit Verwaltung von Artikeln, Kunden und Bestellungen. Umfasst Datenbankoperationen, Preisberechnungen, Rechnungserstellungen,Analyse und Visualisierung
Bomberman light: Raster-Bombe [Inhalt]
frameCraft-Projekt zum schrittweisen Aufbau eines Bomberman-light-Spiels mit Raster, Bewegung, Bomben, Explosionen und Spielzuständen.
Börsenkurse auslesen und verarbeiten [Vorlage]
Lerne Aktien-Daten mit API und Java zu analysieren.
Breakout / Arkanoid – Objektverwaltung und Kollision [Inhalt]
Breakout-Spiel in Pygame mit Blockverwaltung, Kollisionslogik zwischen Ball und Blöcken sowie Bedingungen für Game Over und Levelende.
Caesar-Verschlüsselung (A–Z) in Python [Inhalt]
Caesar-Verschlüsselung für Großbuchstaben mit ord/chr, Modulo 26 und Zeichenverarbeitung in Python umsetzen.
ClimateLab – Persistenz mit der CodeRoom User-DB [Vorlage]
Die Lernenden bauen ein dauerhaftes Umweltarchiv für CodeCity auf und lernen dabei gezielt Persistenz mit der CodeRoom User-DB. Sie übernehmen Wetterdaten aus einer API, speichern und laden Datensätze, filtern, aktualisieren und löschen sie und ergänzen eigene Bewertungen und Notizen. Zum Abschluss entsteht ein kleines Climate Dashboard auf Basis des selbst aufgebauten persistenten Datenbestands.
CodeCity Supply – Persistente Daten mit der User-DB [Vorlage]
Die Lernenden entwickeln ein persistentes Supply-Chain-System für CodeMarket. Sie übernehmen Daten aus einer Logistics-API in eigene User-DB-Collections, speichern und laden Datensätze, filtern, aktualisieren und löschen sie und verknüpfen Produkte, Verkäufe, Lagerbestände und Lieferungen über Referenzen. Zum Abschluss entsteht ein Supply-Chain-Cockpit mit Engpasswarnungen und gespeichertem Managementbericht.
Data Analytics für Wirtschaft – Unternehmenskennzahlen mit Python [Vorlage]
Analyse und Visualisierung von Unternehmenskennzahlen mit Python.
Data Science Toolbox – Klimadaten & Stadtanalyse [Vorlage]
Analyse und Visualisierung von Klimadaten mit Python-Bibliotheken wie pandas, numpy und matplotlib.
Der Auto-Bot [Inhalt]
Algorithmische Wegfindung durch Entscheidungsstrukturen und Schleifen: Robi findet autonom den Reset-Schalter.
Der Kaffee Slalom [Inhalt]
If-Abfragen mit Zufallswerten in Python. Linus navigiert Cafeteria, prüft Kaffeemengen und entscheidet unter 500ml-Grenze.
Dynamische Systeme mit ODEs simulieren (Euler → RK4 → Ökosystem → Stabilität) [Vorlage]
Numerische Simulation von ODEs mit Euler/RK4 und Analyse von Stabilität.
Einfacher Passwort-Hash & Mini-Login [Inhalt]
Einfache Hashfunktion und Login-System in Python: Zeichenverarbeitung, Hashbildung und Vergleich von Hashwerten statt Klartext.
Frogger komplett: Von Szene bis Polish [Vorlage]
Lerne frameCraft mit Frogger: Bewegung, Kollisionen, HUD und GFX.
Frogger: Autos datengetrieben erzeugen [Inhalt]
Datengetriebener Aufbau von Gegnern mit lane_data, Namensschema und verschachtelten Schleifen zur Bewegung mehrerer Autos.
Frogger: Rastersteuerung und Bildschirmgrenzen [Inhalt]
Rastersteuerung mit Tastaturaktionen, Regelstruktur und Begrenzung der Spielfigur auf den Bildschirmbereich.
Funktionen mit return (Der Kalorien-Check) [Inhalt]
Einführung in Funktionen mit return, Zerlegen von Texten mit split() und Umwandlung in Zahlen mittels float() anhand einer Formel.
Funktionsplotter – Sandbox und schrittweiser Aufbau [Vorlage]
Interaktiver Funktionsplotter mit Zoom, Pan und Achsenzeichnung.
Funktionsplotter Sandbox [Inhalt]
Interaktiver Funktionsplotter (Sandbox) mit Darstellung eines Funktionsgraphen sowie Pan- und Zoomsteuerung über Maus und Tastatur.
Geheimschriften programmieren [Vorlage]
Caesar-Verschlüsselung, Substitutionschiffre, Vigenère und einfache Hashfunktionen in Python.
Histogramme bei Würfeln [Inhalt]
Interaktive Sandbox zur Visualisierung von Würfelwürfen und relativen Häufigkeiten mit einem Histogramm.
Klimadaten aus CSV visualisieren [Inhalt]
CSV-Klimadaten mit pandas laden, analysieren und als Zeitreihe mit matplotlib visualisieren.
Liebesbrief mit Schleife rückwärts zustellen [Inhalt]
Nutze Schleifen, um Leo durchs Labyrinth zu führen.
Listen sortieren (Die Ball-Challenge) [Inhalt]
Listen kopieren, nach name sortieren und Objekte korrekt wieder ablegen.
Monte-Carlo Simulation: Von Sensorrauschen bis Portfoliorisiko [Vorlage]
Simuliert Messrauschen, Monte-Carlo-Methoden und Risikoanalyse mit Python.
Numerische Integration & Differentiation in Anwendungen (5 Module) [Vorlage]
Numerische Integration und Differentiation mit Python.
Sag die richtige Antwort mit if else [Inhalt]
Else statt doppeltes if: Eine bestehende Lösung wird zu einer klaren if-else-Entscheidung umgebaut und damit strukturiertes Fallunterscheiden geübt.
Science AI-Coding: Fachmodelle mit Python und Visualisierung [Vorlage]
Dieser Lerninhalt verbindet Fachmodelle aus Physik und anderen Unterrichtsbereichen mit einer direkten, grafischen Auswertung in Python. Die Lernenden starten mit lauffähigen Modellen und untersuchen Schritt für Schritt Formeln, Variablen und Diagramme. Im Mittelpunkt stehen das Verstehen eines fachlichen Zusammenhangs, das Verändern von Parametern und das Beobachten der Auswirkungen in Plotly oder Matplotlib. Am Ende werden gezielte KI-Coding-Erweiterungen formuliert, um das Modell sichtbar weiterzuentwickeln.
Science AI-Coding: Mathematik mit Python [Vorlage]
Dieser Lerninhalt verbindet Mathematik und Programmierung mit Science AI-Coding. Die Schülerinnen und Schüler untersuchen zentrale mathematische Konzepte experimentell mit kurzen, verständlichen Python-Visualisierungen. Jeder Abschnitt folgt dem Weg Verstehen → Betrachten → Verändern → Experimentieren → mit KI erweitern und nutzt eine einfache grafische Darstellung, damit mathematische Zusammenhänge direkt sichtbar werden.
Science AI-Coding: Wirtschaftliche Modelle sichtbar machen [Vorlage]
Diese Lerneinheit führt in wirtschaftliche Entscheidungssituationen ein, die mit Python als einfache Modellierung und mit Diagrammen sichtbar gemacht werden. Im Mittelpunkt stehen reale Fragen aus Alltag und Unternehmen, zum Beispiel Kosten, Gewinn, Nachfrage, Zinsentwicklung, Inflation, Investition, Lagerbestand und Risiko. Die Lernenden starten jeweils mit einem lauffähigen Grundmodell, verändern gezielt Parameter, beobachten die Auswirkungen und beurteilen die wirtschaftliche Bedeutung. Jede Einheit folgt dem Prinzip: wirtschaftliche Situation → vereinfachtes Modell → Visualisierung → Vergleich → wirtschaftliche Bewertung → KI-Coding-Erweiterung.
Space Invaders: Verteidigung gegen die Formation [Inhalt]
Space-Invaders-Baustein: Aus einer Startbasis entstehen Bewegung, Schuss, Gegnerformation, Treffer, Punkte, Leben, Wellen und Neustart.
Stoß: Energieverlust & kinetische Energie [Inhalt]
Simulation zweier Kugeln: Restitutionskoeffizient implementieren und kinetische Energie vor und nach einem Stoß berechnen.
Tetris mit Matrizen und Rotationen [Inhalt]
Tetris: Matrizen, Bewegung, Rotation, Kollisionslogik, Zeilen, Punkte, Geschwindigkeit.
UML für Fortgeschrittene – abstrakte Strukturen und komplexe Beziehungen [Vorlage]
Lerne Vererbung: Modelle, Methoden, Bus mit Fahrgästen, abstrakte Klassen.
UML im Alltag – einfache Modelle verstehen [Vorlage]
Lerne Modellierung und Implementierung von Klassen.
Vektor-Zerlegung – Experimentier-Sandbox [Inhalt]
Sandbox zum Experimentieren mit Vektorzerlegung in 2D mit grafischer Darstellung und Maus- und Tastaturinteraktion.
Von Börse bis Bibel: KI, die mitdenkt [Vorlage]
Erkennung von Anomalien, Börsenprognosen & KI-Texte generieren
Wellenpaket & Überlagerung [Inhalt]
Visualisierung diskreter Wellen: bewegtes Wellenpaket und Überlagerung zweier Wellen mit Knoten und Antiknoten.
Würfel-Histogramm: Von Simulation zu Interaktion [Vorlage]
Kurs zu Zufall, Zählen und pygame-Histogrammen
Mathematik sichtbar machen [Reihe]
Interaktive Kurse zu Funktionen, Geometrie, Trigonometrie, Vektoren und Statistik mit visuellen Experimenten.
Einführung ins Programmieren mit rpgDungeon() [Reihe]
Lerne Programmieren mit Linus Lag und Gamification: Variablen, Bedingungen, Schleifen, Funktionen und mehr!
Grundlagen Python [Reihe]
Lerne Python-Variablen, Datentypen, Operatoren, Schleifen, Funktionen, Listen und OOP.