Vad är Python? Vad används det till?

01Vad är Python?

Det kortaste svaret på frågan vad Python är: ett språk som skrivs så enkelt att människor kan läsa och förstå det, men som ändå kan få datorn att utföra komplexa uppgifter. Python utvecklades av Guido van Rossum, första versionen släpptes 1991, och är i dag ett av världens mest använda programmeringsspråk.

Språkets filosofi bygger på läsbarhet. Kodblock markeras med indrag i stället för klammerparenteser, vilket gör det svårt att skriva rörig kod. Det är lättare att läsa Python-kod som någon annan har skrivit än kod i de flesta andra språk.

Python är ett tolkat språk: det kan köras rad för rad utan ett separat kompileringssteg. Det gör det enkelt att snabbt prova en idé. I gengäld går ren Python-kod långsammare än kompilerade språk som C, men tunga uppgifter överlåts oftast till bibliotek skrivna i snabba språk under ytan.

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

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

print(f"Hej {ad}, totalt antal beställningar: {toplam}, medelvärde: {ortalama:.1f}")

02Vad används Python till?

Frågan vad Python används till hade varit kortare att besvara om man frågade vad det inte duger till. Språkets styrka kommer mindre från själva språket än från det omfattande ekosystemet av bibliotek runt det: för nästan varje område finns mogna, gratis och väldokumenterade paket.

Tabellen nedan ger en karta över vad man kan göra med Python, område för område:

03Dataanalys och rapportering

Det mest konkreta sättet företag använder Python på är dataanalys. Tabeller som laddas ned från bokföringsprogrammet, e-handelspanelen eller marknadsplatsen slås ihop, rensas och sammanfattas med Python. En månadsrapport som tar timmar i Excel kan skapas på nytt på några sekunder med ett skript som skrivs en gång.

Några rader räcker till exempel för att se vilken produkt som säljer mest vilken månad, från vilken stad flest order kommer eller i vilken kategori returandelen ökar. Att regelbundet tolka data från webbplatsen och kampanjer är en liknande uppgift, och den mätsidan går vi igenom i vårt arbete med SEO och analys.

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")

04Automation: slut på upprepade uppgifter

Det kanske mest värdefulla med Python för småföretag är automation. När uppgifter som görs med samma steg varje dag överlåts åt ett skript sparar du tid och minskar de fel som uppstår vid manuell dataregistrering.

Att produktinformation och lager hålls identiska i alla kanaler i ett företag som säljer i flera kanaler är också en sådan uppgift. I liten skala kan ett skript göra jobbet, men när antalet kanaler växer är en marknadsplatsintegration som automatiskt synkroniserar order och lager en mer pålitlig lösning.

Det som är gemensamt för uppgifter som lämpar sig för automation är att reglerna är tydliga och att de upprepas. Typiska exempel:

• Byta namn på och ändra storlek på hundratals produktbilder i en mapp
• Omvandla leverantörens prislista till det format som systemet förväntar sig
• Ta fram vissa rapporter varje morgon och skicka dem med mejl
• Jämföra lagerinformation från olika källor och lista skillnaderna
• Regelbundet hämta data från ett API och spara den i databasen

Skript eller integration?

Ett skript som körs på en persons dator är utmärkt som start. Men när processen blir affärskritisk måste det bli en bestående integration som ger felrapportering, loggning, omförsök och behörighetshantering. För en uppgift som att överföra order till bokföringen är bokföringsintegration den hållbara vägen.

Det finns också verktyg som låter dig bygga automation utan att skriva kod, och vilket som räcker när har vi jämfört i artikeln vad är low-code.

05AI och webben med Python

Utöver data och automation är Python starkt inom ytterligare två stora områden: AI-applikationer och webbens backend. I båda områdena gör språkets enkla syntax att komplexa begrepp kan uttryckas med mindre kod.

AI och maskininlärning

Python är det faktiska standardspråket inom AI och maskininlärning. Det mesta av verktygen för modellträning, dataförberedelse och experiment kommer först till Python. För applikationer som kopplas till stora språkmodeller, chattbottar och dokumentsammanfattning är de officiella Python-biblioteken också vanliga.

Här är det viktigt att ha rätt förväntningar: framgången i AI-projekt kommer oftast inte från språket utan från datans kvalitet och en tydligt definierad affärsfråga.

Webbens backend

Django är ett omfattande ramverk som levereras med adminpanel, användarsystem och databaslager. Flask och FastAPI är lättare alternativ som särskilt föredras för API-utveckling. En backend byggd i Python kan leverera data till en mobilapp eller ett webbgränssnitt, och hur den kopplingen fungerar har vi gått igenom i artikeln vad är ett API.

from fastapi import FastAPI

app = FastAPI()

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

# För att köra: uvicorn main:app --reload

06Pythons begränsningar

Python är inte det bästa valet för alla uppgifter. Det körs inte direkt i webbläsaren, och för den interaktiva delen av webbsidor behövs JavaScript. Det är inte heller ett huvudspår för utveckling av mobilappar.

Ren Python-kod kan hamna efter kompilerade språk i processorintensiva uppgifter som kräver mycket låg latens. Därför arbetar Python i stora system oftast i data-, automations- och AI-lagret tillsammans med tjänster skrivna i andra språk.

En annan sak att se upp med är version- och beroendehantering. Att använda en separat virtuell miljö (virtual environment) för varje projekt hindrar att olika projekts paketversioner blandas ihop.

07Färdplan för att lära sig Python

För att lära dig Python behöver du varken en kraftfull dator eller dyr programvara. När du har laddat ned och installerat den senaste versionen från python.org kan du kontrollera versionen i terminalen och starta ditt första projekt. Att sätta upp målet från början klargör vilka bibliotek du ska fokusera på.

1. Lägg grunden med variabler, listor, ordböcker, villkor, loopar och funktioner.
2. Lär dig läsa och skriva filer och hantera fel (try/except).
3. Välj ett problem från ditt eget arbete och skriv ett litet automationsskript.
4. Gå vidare efter ditt mål: pandas för data, Django eller FastAPI för webben, scikit-learn för AI.
5. Förvara koden i versionshantering och skaffa dig vanan att använda virtuella miljöer.

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