Hva er Python og hva brukes det til?

01Hva er Python?

Det korteste svaret på spørsmålet hva er Python: et språk som er enkelt nok til at mennesker kan lese og forstå det, men som likevel kan få datamaskinen til å gjøre kompliserte oppgaver. Python ble utviklet av Guido van Rossum og kom i sin første versjon i 1991, og er i dag blant verdens mest brukte programmeringsspråk.

Språkets filosofi bygger på lesbarhet. Kodeblokker markeres med innrykk i stedet for klammeparenteser, og det gjør det vanskeligere å skrive rotete kode. Å lese Python-kode skrevet av en annen er lettere enn i de fleste språk.

Python er et tolket språk: det kan kjøres linje for linje uten et eget kompileringstrinn. Det gjør det enkelt å prøve ut ideer raskt. Til gjengjeld går ren Python-kode tregere enn kompilerte språk som C, men tunge oppgaver overlates ofte til biblioteker skrevet i raske språk under panseret.

ad = "Ayşe"
siparisler = [120, 85, 240, 60]

toplam = sum(siparisler)
ortalama = toplam / len(siparisler)

print(f"Hei {ad}, totalt antall bestillinger: {toplam}, gjennomsnitt: {ortalama:.1f}")

02Hva brukes Python til?

Spørsmålet hva brukes Python til ville vært kortere å svare på om man spurte hva det ikke brukes til. Styrken til språket kommer mindre fra språket selv og mer fra det store økosystemet av biblioteker rundt det: for nesten alle områder finnes modne, gratis og godt dokumenterte pakker.

Tabellen nedenfor gir et kart over hva du kan gjøre med Python, område for område:

03Dataanalyse og rapportering

Den mest konkrete bruken av Python i bedrifter er dataanalyse. Tabeller lastet ned fra regnskapsprogrammet, nettbutikkpanelet eller markedsplassen slås sammen, renses og oppsummeres med Python. En månedsrapport som tar timer i Excel, kan gjenskapes på sekunder med et skript du skriver én gang.

Noen få linjer holder for å se for eksempel hvilket produkt som selger mest i hvilken måned, hvilken by som gir flest bestillinger, eller i hvilken kategori returandelen stiger. Å tolke nettside- og kampanjedata jevnlig er en lignende oppgave, og denne måleiden tar vi hånd om i arbeidet vårt med SEO og analyse.

import pandas as pd

df = pd.read_csv("siparisler.csv", parse_dates=["tarih"])
df["ay"] = df["tarih"].dt.to_period("M")

ozet = df.groupby(["ay", "kategori"])["tutar"].sum().unstack(fill_value=0)
print(ozet)
ozet.to_excel("aylik_satis.xlsx")

04Automatisering: slutt på gjentakende oppgaver

Det kanskje mest verdifulle ved Python for små bedrifter er automatisering. Når oppgaver som gjøres med de samme trinnene hver dag overlates til et skript, sparer du tid, og feil fra manuell dataregistrering blir færre.

Å holde produktinformasjon og lager lik i alle kanaler hos en virksomhet som selger i flere kanaler, er også en slik oppgave. I liten skala kan et skript gjøre jobben, men etter hvert som antall kanaler vokser, er en markedsplassintegrasjon som synkroniserer bestillinger og lager automatisk, en mer pålitelig løsning.

Det felles for oppgaver som egner seg for automatisering, er at reglene er klare og at de gjentas. Typiske eksempler:

• Gi nytt navn og endre størrelse på hundrevis av produktbilder i en mappe
• Konvertere prisliste fra leverandør til formatet systemet venter
• Lage bestemte rapporter hver morgen og sende dem på e-post
• Sammenligne lagerinformasjon fra ulike kilder og liste opp avvik
• Hente data fra et API jevnlig og lagre det i databasen

Skript eller integrasjon?

Et skript som kjører på én persons maskin, er flott til å begynne med. Men når prosessen blir kritisk for virksomheten, må den bli en varig integrasjon med feilvarsling, logging, nytt forsøk og tilgangsstyring. For en oppgave som å overføre bestillinger til regnskapet er regnskapsintegrasjon den bærekraftige veien.

Det finnes også verktøy som lar deg bygge automatisering uten å skrive kode. Hvilket som holder når, har vi sammenlignet i artikkelen Hva er low-code.

05Kunstig intelligens og web med Python

Utover data og automatisering er Python sterkt på to store områder til: KI-applikasjoner og webbackend. På begge områder gjør språkets enkle syntaks det mulig å uttrykke komplekse begreper med mindre kode.

Kunstig intelligens og maskinlæring

Python er det faktiske standardspråket innen kunstig intelligens og maskinlæring. Mesteparten av verktøyene for modelltrening, dataforberedelse og eksperimentering kommer først for Python. Også for applikasjoner som kobler seg til store språkmodeller, chatboter og dokumentsammendrag er de offisielle Python-bibliotekene utbredt.

Her er det viktig å ha riktige forventninger: suksessen til KI-prosjekter kommer oftest ikke fra språket, men fra datakvaliteten og fra at forretningsspørsmålet er klart definert.

Webbackend

Django er et omfattende rammeverk som leveres med adminpanel, brukersystem og databaselag ferdig på plass. Flask og FastAPI er lettere alternativer, særlig foretrukket til API-utvikling. En backend bygget med Python kan levere data til en mobilapp eller en webfrontend, og hvordan denne koblingen lages, har vi forklart i artikkelen Hva er et API.

from fastapi import FastAPI

app = FastAPI()

@app.get("/api/durum")
def durum():
    return {"durum": "kjører"}

# For å kjøre: uvicorn main:app --reload

06Begrensninger ved Python

Python er ikke det beste valget for alle oppgaver. Det kjører ikke direkte i nettleseren, og for den interaktive delen av nettsider trengs JavaScript. Det er heller ikke et vanlig valg for utvikling av mobilapper.

Ren Python-kode kan havne bak kompilerte språk i oppgaver som er prosessorkrevende og krever svært lav forsinkelse. Derfor jobber Python i store systemer ofte i data-, automatiserings- og KI-laget, sammen med tjenester skrevet i andre språk.

Et annet punkt å være oppmerksom på er versjons- og avhengighetsstyring. Å bruke et eget virtuelt miljø (virtual environment) for hvert prosjekt hindrer at pakkeversjonene til ulike prosjekter blandes.

07Veikart for å lære Python

Å lære Python krever hverken en kraftig datamaskin eller dyr programvare. Når du har lastet ned og installert gjeldende versjon fra python.org, kan du sjekke versjonen i terminalen og starte ditt første prosjekt. Å sette målet fra starten gjør det tydelig hvilke biblioteker du bør fokusere på.

1. Bygg grunnlaget med variabler, lister, ordbøker, betingelser, løkker og funksjoner.
2. Lær å lese og skrive filer og å håndtere feil (try/except).
3. Velg et problem fra din egen jobb og skriv et lite automatiseringsskript.
4. Gå videre etter målet ditt: pandas for data, Django eller FastAPI for web, scikit-learn for kunstig intelligens.
5. Hold koden din under versjonskontroll og lær deg vanen med virtuelle miljøer.

python --version
python -m venv .venv
# Windows: .venv\Scripts\activate
# macOS / Linux: source .venv/bin/activate
pip install pandas