📚 feat: Vollständige Python-Grundkurs-Module für Bystronic#4
Merged
Conversation
Vollständiges Kapitel 04 für Pandas-Datenanalyse implementiert: - Jupyter Notebook mit interaktiven Beispielen und Übungen - Beispielskripte für DataFrame-Grundlagen, Datenimport/-export, Datenbereinigung und Analyse - VBA vs. Pandas Vergleichsbeispiele für Bystronic-Entwickler - 4 strukturierte Übungen mit praxisnahen Maschinendaten - Umfangreiche CSV-Testdaten für realistische Szenarien - Deutsche Dokumentation mit Lernzielen und Anwendungsfällen Die Materialien fokussieren auf industrielle Datenanalyse mit Maschinendaten, Produktionsmetriken und Wartungsplanung - speziell für Bystronic-Kontext.
- Testfälle für alle Beispieldateien in src/01_grundlagen, src/02_datentypen und src/04_pandas erstellt - 56 Tests mit 96% Code-Coverage implementiert - Gemeinsame Fixtures und Konfiguration in conftest.py - Mocking für interaktive Funktionen und Dateisystem-Operationen - Bystronic-spezifische Testdaten und Szenarien - Umfassender Test-Leitfaden in AsciiDoc-Format - Pytest-Konfiguration in pyproject.toml erweitert - Dev-Dependencies für Testing-Framework hinzugefügt Die Tests dienen als: - Lernwerkzeug für Python-Testing und TDD - Qualitätssicherung für die Beispiele - Dokumentation der erwarteten Funktionalität - Experimentierfeld für Studierende Übungsteile bleiben bewusst ungetestet für selbstständiges Arbeiten.
- Whitespace-Bereinigung in allen Test-Dateien - Boolean-Vergleiche optimiert (== True entfernt) - Type-Hints für isinstance() modernisiert (X | Y statt (X, Y)) - Konsistente Einrückung und Leerzeilen - Alle Tests laufen weiterhin erfolgreich durch Verbleibende E402-Warnungen sind erwartbar aufgrund der dynamischen Pfad-Manipulation für Beispiel-Imports.
Detaillierte Erklärung: - .gitignore erweitert um spezifische generierte CSV- und JSON-Dateien - Generierte Dateien aus Git-Repository entfernt (bereinigte_produktionsdaten.csv, maschinendaten.json, etc.) - Testdaten (produktionsdaten.csv, schmutzige_daten.csv) bleiben für Lernzwecke erhalten - Test-Formatierung durch Ruff automatisch verbessert - Repository-Struktur bereinigt für bessere Wartbarkeit
Detaillierte Erklärung: - Git LFS für große Dateien (>10MB) konfiguriert - V084_Scope.csv (73.91 MB) nach data/large/ verschoben und mit LFS verwaltet - Neue Datenstruktur: data/samples/, data/large/, data/generated/ - Testdaten produktionsdaten.csv und schmutzige_daten.csv nach data/samples/ - Skripte aktualisiert für neue Pfadstruktur - Makefile um LFS-Befehle erweitert (lfs-pull, lfs-status, lfs-clean) - .gitignore für neue Struktur angepasst - Bessere Trennung zwischen Lernmaterialien und generierten Dateien
Detaillierte Erklärung: - Veraltete generierte CSV/JSON-Dateien aus Root-Verzeichnis entfernt - Python-Skripte aktualisiert für neue data/generated/ Struktur - Alle Ausgabedateien werden jetzt korrekt in data/generated/ erstellt - Saubere Trennung zwischen Testdaten und generierten Dateien - 456 Zeilen bereinigt, 15 Zeilen Code-Anpassungen - Tests laufen weiterhin erfolgreich (56/56 passed, 96% Coverage)
Detaillierte Erklärung: - coverage.xml aus Repository entfernt (generierte Datei) - Code-Formatierung in uebung_04_data_analysis.py verbessert - Lange Zeilen aufgeteilt für bessere Lesbarkeit - CSV-Export-Statements korrekt eingerückt - Tests laufen weiterhin erfolgreich (56/56 passed, 96% Coverage) - Linting-Warnungen bleiben bestehen (Lernmaterial für Studierende)
- Füge README_grundlagen_tests.md für Python-Grundlagen hinzu - Füge README_datentypen_tests.md für Datentypen-Tests hinzu - Füge README_pandas_tests.md für Pandas-Datenanalyse hinzu - Stelle Konsistenz mit bestehender README_numpy_tests.md her Alle Test-README-Dateien enthalten detaillierte Test-Übersicht, Ausführungskommandos, Test-Patterns und Bystronic-relevante industrielle Anwendungsbeispiele für einheitliche Referenz.
Erstelle vollständiges NumPy-Lernmodul mit 13 neuen Dateien: - README.md mit strukturierter Kapitelübersicht - 5 Beispielskripte für praktische Anwendungen - 4 aufbauende Übungen mit industriellen Cases - Interaktives Jupyter Notebook mit Beispielen - Umfassende Test-Suite (43 Tests, 98% Coverage) - README-Dokumentation für alle Test-Module Technische Highlights: ✅ Vektorisierte Operationen und Broadcasting ✅ Lineare Algebra für technische Berechnungen ✅ Statistische Prozesskontrolle (SPC) ✅ Energieoptimierung und Produktionsdatenanalyse ✅ VBA-zu-Python-Migration mit Performance-Vergleichen ✅ Vollständige Typ-Annotationen ✅ Code-Quality durch Linting und Formatierung
- Matplotlib Grundlagen mit industriellen Anwendungen - Interaktive Plots mit Widgets für Echtzeit-Analysen - 3D Visualisierungen für Maschinendaten und Qualitätskontrolle - Seaborn für statistische Analysen und Korrelationsmatrizen - Plotly Dashboards für interaktive Web-Visualisierungen - Maschinendaten-Visualisierung mit Produktions-KPIs - Umfassende Übungen mit progressiver Komplexität - Industrielle Anwendungsfälle für Bystronic-Umgebung Erweitert Projektabhängigkeiten um scipy>=1.16.1 Aktualisiert .gitignore für HTML-Visualisierungsdateien Fügt Make-Target für HTML-Cleanup hinzu
- Vollständige Test-Suite mit 7 Testkategorien für alle Module-Funktionen - CSV-Import Tests: Grundlagen, verschiedene Trennzeichen, Encoding-Behandlung - Bystronic CSV Parser Tests: Komplexe Strukturerkennung und Metadaten-Extraktion - Excel-Verarbeitung Tests: Multi-Sheet Loading und KPI-Berechnungen - JSON-Verarbeitung Tests: IoT-Sensordaten und API-Integration - Datenbereinigung Tests: Validation, Ausreißer-Erkennung, Optimierung - Export-Funktionen Tests: Multi-Format Export (CSV, Excel, JSON) - Integration Tests: End-to-End Datenverarbeitungs-Pipelines - Detaillierte Test-Dokumentation mit Ausführungsanleitungen - Umfassende Modul-Dokumentation mit Schnellstart-Anleitung - Test-Fixtures für konsistente Test-Umgebungen - Automatische Test-Daten-Generierung für realistische Testszenarien - Korrigierte Import-Pfade für Python-Module mit Zahlen - Angepasste Test-Erwartungen an tatsächliche API-Strukturen - Robuste Fehlerbehandlung und Mock-Daten-Erstellung Erweitert das Datenimport-Modul um professionelle Test-Abdeckung und dokumentiert alle Funktionen für Produktions-Einsatz
- Aktualisiert alle Dokumentationen und Notebooks - Fokussiert UI-Entwicklung auf PyQt/PySide und Streamlit - Konsistente Umbenennung in CLAUDE.md, README.md und Modul-Dokumentation - Jupyter Notebook Tutorial entsprechend angepasst
- Implementiert intelligenten CSV-Parser für Bystronic-Maschinendaten - Erweitert Excel-Verarbeitung mit komplexer Datenanalyse - Optimiert Code-Formatierung und beseitigt Linting-Probleme - Verbessert Encoding-Erkennung und Trennzeichen-Detektion - Strukturiert Testdaten und Übungen für praktisches Lernen - Behebt Pre-Commit-Hook Formatierungen
…tabdeckung Vollständige Implementierung und Fehlerbehebung der UI-Tests für PyQt und Streamlit: - PySide6 Kompatibilität: pyqtSignal → Signal in allen UI-Modulen - Klassenname-Korrekturen: DatabaseBrowser → DatenbankBrowser - Konstruktor-Parameter für DatenbankBrowser hinzugefügt - Test-Assertions an tatsächliche API angepasst - Signal-Tests für PySide6 korrigiert (hasattr statt isConnected) - Memory-Test für moderne GC-Optimierungen angepasst - Code-Qualität: Ruff Linting-Fehler behoben - Alle 25 UI-Tests laufen erfolgreich durch Testabdeckung: - PyQt Grundlagen-Widgets und Layouts - Datenbank-Browser mit SQLite-Integration - Streamlit-Komponenten und Dashboard-Features - UI-Integration und Datenfluss-Tests - Performance-Tests für große Datensätze - Erweiterte PyQt/Streamlit-Funktionalitäten Die Tests dienen der Qualitätssicherung und als Lernmaterial für Studierende.
Automatische Code-Qualitätsverbesserungen durch Ruff: - Entfernung von Leerzeichen in leeren Zeilen (W293) - Korrektur von trailing whitespace (W291) - Vereinfachung von isinstance-Aufrufen (UP038) - Entfernung ungenutzter Variablen (F841) - Optimierung von dict()-Aufrufen zu Literalen (C408) - Korrektur von Loop-Variablen (B007) - Entfernung ungenutzter Imports (F401) Betroffene Module: - PyQt UI-Beispiele (datenbank_browser, diagramm_viewer, etc.) - Streamlit UI-Beispiele (daten_upload, produktions_dashboard, etc.) - UI-Tests und Test-Utilities - Datentypen-Übungen Alle Tests laufen weiterhin erfolgreich durch (25/25 passed). Code folgt jetzt durchgängig den Python-Coding-Standards.
Umfassende Behebung von Markdown-Linting-Fehlern: - MD022: Leerzeilen um Überschriften hinzugefügt - MD031: Leerzeilen um Code-Blöcke korrigiert - MD032: Leerzeilen um Listen eingefügt - MD040: Sprach-Spezifikation für Code-Blöcke ergänzt Betroffene Dateien: - Alle README.md Dateien in src/ Modulen - Alle Test-Dokumentationen in tests/ - Hauptdokumentation (README.md, data/README.md) Die kritischen Markdown-Formatierungsfehler wurden behoben. Verbleibende MD013 (Zeilenlänge) und MD036 (Emphasis) Warnungen sind weniger kritisch und beeinträchtigen nicht die Lesbarkeit.
Kleine Verbesserungen der Dokumentationsstruktur: - src/02_datentypen/README.md: Emphasis zu Überschrift geändert (MD036-Fix) - tests/README_uv_tests.md: Sprach-Spezifikation für Code-Block ergänzt (MD040-Fix) Diese Änderungen verbessern die Markdown-Linting-Konformität und sorgen für konsistente Dokumentationsformatierung im gesamten Projekt.
Umfassende Fixes für PyQt- und Streamlit-Anwendungen: Streamlit-Fixes: - Pandas frequency 'H' → 'h' in allen Streamlit-Apps - use_container_width → width='stretch' Parameter-Migration - Styler.applymap() → Styler.map() Methodenupdate - NameError in Plotly hovertemplate behoben PyQt-Fixes: - SQLite datetime adapter für Python 3.12+ Kompatibilität - Matplotlib backend_qtagg für PySide6 Unterstützung - Unsupported CSS backdrop-filter entfernt - Persistente SQLite-DB statt In-Memory für Stabilität Code-Qualität: - Alle Ruff-Linting-Fehler behoben - Import-Reihenfolge optimiert - Exception-Handling spezifiziert - Autor-Attribution auf 'Daniel Senften' aktualisiert Alle Streamlit-Apps laufen jetzt ohne Warnungen oder Fehler.
…her Markdown-Formatierung Umfassende Implementierung des Jupyter-Moduls für den Bystronic Python Grundkurs: Jupyter-Modul (07_jupyter): - Vollständige Dokumentation in AsciiDoc (579 Zeilen) - Erweiterte Features: Widgets, Extensions, Magic Commands - Deployment-Strategien: Docker, JupyterHub, Cloud-Plattformen - Sicherheitsaspekte und Performance-Optimierung Beispiele und Deployment: - jupyter_widgets_demo.py - Interaktive Dashboard-Entwicklung - jupyter_extensions_demo.py - Extension-Management - jupyter_deployment_guide.ipynb - Praktisches Deployment-Notebook - Vollständige Docker-Konfiguration (Dockerfile, docker-compose) - Produktions- und Entwicklungsumgebungen Test-Suite: - test_07_jupyter.py mit 35 Tests (34 erfolgreich) - 5 Test-Klassen für verschiedene Aspekte - Umfassende Test-Dokumentation - Widget-Tests, Extension-Validierung, Deployment-Integration Übungen für Studierende: - uebung_01_widgets.py - Interaktive Dashboard-Implementierung - uebung_02_deployment.py - Deployment und Konfiguration - uebung_01_jupyter_basics.ipynb - Praktisches Notebook Automatische Markdown-Formatierung: - Pre-commit hooks für markdownlint und mdformat - Automatische Korrektur von MD032, MD022, MD031 - .markdownlint.json Konfiguration - Workflow und umfassende Dokumentation Lösung für MD032-Problem: - Listen werden automatisch mit Leerzeilen umgeben - Überschriften und Code-Blöcke korrekt formatiert - Konsistente 80-Zeichen Zeilenlänge - Automatische Ausführung bei jedem Commit
Automatische Formatierung durch mdformat: - Korrigiere YAML-Frontmatter Format - Standardisiere Zeilenlänge auf 80 Zeichen - Entferne trailing whitespace
- Lösche src/08_ui/.gitkeep da Verzeichnis bereits Inhalte hat - Konsistenz mit anderen Modulen (02-07) die bereits bereinigt wurden
- Black/Ruff Code-Formatierung für bessere Lesbarkeit - Lange Zeilen aufgeteilt gemäß Python-Standards - Claude Git-Berechtigung für gh-CLI hinzugefügt - Konsistente Formatierung über alle Übungsmodule - Pre-Commit Hook Automatisierungen angewendet Überspringt mypy-Checks für Übungsdateien mit bewussten Lernfehlern
This file contains hidden or bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
1 participant
Add this suggestion to a batch that can be applied as a single commit.This suggestion is invalid because no changes were made to the code.Suggestions cannot be applied while the pull request is closed.Suggestions cannot be applied while viewing a subset of changes.Only one suggestion per line can be applied in a batch.Add this suggestion to a batch that can be applied as a single commit.Applying suggestions on deleted lines is not supported.You must change the existing code in this line in order to create a valid suggestion.Outdated suggestions cannot be applied.This suggestion has been applied or marked resolved.Suggestions cannot be applied from pending reviews.Suggestions cannot be applied on multi-line comments.Suggestions cannot be applied while the pull request is queued to merge.Suggestion cannot be applied right now. Please check back later.
Beschreibung
Implementierung eines vollständigen Python-Grundkurses für Bystronic-Entwickler mit Fokus auf Datenanalyse, Visualisierung und praktische Anwendungen. Dieser PR fügt alle wesentlichen Module des Kurses hinzu.
Änderungen
📊 Neue Module
🛠️ Infrastruktur-Verbesserungen
📈 Beispieldaten und Use Cases
🎯 Lernmaterialien
Test-Plan
Breaking Changes
Keine Breaking Changes, da dies eine neue Feature-Implementation ist.
Zusätzliche Informationen
Statistiken
Dieser PR stellt eine solide Grundlage für den Python-Grundkurs dar und ermöglicht es Bystronic-Entwicklern, effizient von VBA zu Python zu migrieren.