Python wird heute für Systemskripte, Webanwendungen, Datenanalyse, Bildung, Automatisierung, künstliche Intelligenz und wissenschaftliches Rechnen eingesetzt. Seine Vielseitigkeit lässt leicht vermuten, es sei von Anfang an als universelle Sprache geplant gewesen.
Die Anfänge waren bescheidener. Ende der 1980er-Jahre begann Guido van Rossum am niederländischen Forschungszentrum CWI mit einem persönlichen Projekt. Er wollte eine Sprache schaffen, die angenehm, lesbar, erweiterbar und leistungsfähig genug für alltägliche Programmieraufgaben war.
Vor Python: die Erfahrung mit ABC
Am CWI arbeitete van Rossum mit dem Team der Sprache ABC, die leicht erlernbar sein und klare Syntax sowie hochwertige Abstraktionen bieten sollte. ABC war konzeptionell einflussreich, verbreitete sich jedoch nur begrenzt.
Python übernahm Stärken wie Lesbarkeit und praktische eingebaute Datentypen, sollte aber zugleich ABCs Schwächen korrigieren: geringe Erweiterbarkeit und schlechte Integration mit Unix und Bibliotheken anderer Sprachen.
Weihnachten 1989: ein persönliches Projekt
Während der Weihnachtsferien 1989 begann van Rossum einen neuen Interpreter zu schreiben. Python sollte die Lücke zwischen Shell-Skripten und größeren Programmen schließen und sich leicht mit Betriebssystem und bestehendem Code verbinden lassen.
Erweiterbarkeit wurde zentral. Die Referenzimplementierung CPython ist in C geschrieben und unterstützt native Erweiterungen.
Warum heißt die Sprache Python?
Der Name stammt nicht von der Schlange. Van Rossum war Fan der britischen Comedygruppe Monty Python und suchte einen kurzen, unverwechselbaren und leicht respektlosen Namen. Monty-Python-Anspielungen blieben lange Teil der Dokumentation und Beispiele.
1991: die erste öffentliche Veröffentlichung
Im Februar 1991 kündigte van Rossum Python im Usenet an. Bereits die frühe Sprache bot Funktionen, Ausnahmen, Module, Listen und Dictionaries.
Sie war interpretiert und interaktiv. Entwickler konnten einen Ausdruck sofort testen und dieselben Konzepte später in größeren Programmen verwenden. Diese kurze Distanz zwischen Idee und sichtbarem Ergebnis wurde zu einer großen Stärke für Exploration, Debugging, Unterricht und Automatisierung.
Einrückung als Syntax
Eine der sichtbarsten Eigenschaften ist die signifikante Einrückung. Während viele Sprachen Blöcke mit Klammern oder Schlüsselwörtern markieren, verwendet Python die Einrückung selbst.
Damit soll die visuelle Struktur eines Programms seiner logischen Struktur entsprechen. Schlechte Einrückung ist nicht nur unschön, sondern verändert die Bedeutung oder macht Code ungültig. Python macht eine Lesbarkeitskonvention zur Sprachregel.
„Batteries included“
Python wurde schnell mehr als ein Interpreter. Die Standardbibliothek bietet Module für Dateien, Text, Datumswerte, Netzwerkprotokolle, Datenformate, Kompression, Tests, Prozesse und viele weitere Aufgaben.
Die Philosophie wird als „Batteries included“ zusammengefasst: Eine Python-Installation soll bereits einen nützlichen Werkzeugkasten enthalten, ohne dass für jede alltägliche Aufgabe sofort externe Abhängigkeiten nötig sind.
Module, Pakete und Wiederverwendung
Python besitzt ein einfaches Modulmodell: Eine Datei kann zu einer importierbaren Codeeinheit werden, Module lassen sich in Paketen organisieren.
Das erleichterte Wiederverwendung und den Aufbau eines externen Ökosystems. Ein Projekt kann als einzelne Datei beginnen und später schrittweise in Module und Pakete gegliedert werden.
Python 1.0
Python 1.0 erschien 1994. Die Sprache besaß bereits eine Community und entwickelte funktionale Konzepte sowie ihr Objektmodell weiter.
Python ist multiparadigmatisch: Es zwingt nicht jedes Problem in einen einzigen Programmierstil, auch wenn Objekte eine wichtige Rolle spielen.
Von CWI zu CNRI und die PEPs
1995 wechselte van Rossum zur Corporation for National Research Initiatives (CNRI) in den USA. Mit wachsender Community wurde Governance wichtiger.
Im Jahr 2000 entstanden die Python Enhancement Proposals (PEPs). Sie dokumentieren wichtige Vorschläge zur Sprache, Bibliothek, Prozessen und Governance und halten nicht nur Entscheidungen, sondern auch ihre Begründungen fest.
Bekannte Beispiele sind PEP 8 mit Stilkonventionen und PEP 20, der Zen of Python, mit Aussagen wie „Readability counts“.
Python 2.0 und die Python Software Foundation
Python 2.0 erschien im Oktober 2000 und brachte unter anderem List Comprehensions und eine verbesserte Garbage Collection für Referenzzyklen.
2001 entstand die gemeinnützige Python Software Foundation (PSF). Sie schützt projektbezogenes geistiges Eigentum, unterstützt Community und Entwicklung und gibt Python eine institutionelle Grundlage, die nicht von einem einzelnen Arbeitgeber oder der persönlichen Situation seines Schöpfers abhängt.
PyPI und das Paketökosystem
Der Python Package Index (PyPI) wurde zum zentralen Repository externer Pakete. Zusammen mit pip machte er die Installation von Webframeworks, wissenschaftlichen Bibliotheken und Automatisierungswerkzeugen sehr einfach.
Das erzeugte einen Netzwerkeffekt: mehr Pakete machten Python nützlicher, größere Verbreitung führte zu noch mehr Paketen. Der Erfolg brachte zugleich neue Herausforderungen bei Abhängigkeiten, virtuellen Umgebungen und Build-Standards.
Python im Web
Django, 2005 als Open Source veröffentlicht, bot ein umfassendes Framework für Webanwendungen. Flask popularisierte später einen minimalistischeren Ansatz, FastAPI moderne API-Entwicklung mit intensiver Nutzung von Typannotationen.
Python konkurrierte nicht mit JavaScript um dessen historische Rolle im Browser, sondern etablierte sich als wichtige Sprache auf der Serverseite.
Python 3: Kompatibilität bewusst brechen
Der größte technische Wendepunkt kam im Dezember 2008 mit Python 3.0. Historische Inkonsistenzen wurden korrigiert, obwohl einige Änderungen inkompatibel zu Python 2 waren.
print wurde unter anderem zu einer Funktion und die Textverarbeitung konsequenter auf Unicode ausgerichtet. Die Sprache wurde kohärenter, aber die Migration dauerte wesentlich länger als erwartet.
Python 2 versus Python 3
Mehr als ein Jahrzehnt existierten beide Generationen parallel. Anwendungen und Bibliotheken blieben auf Python 2, weil Migration Zeit und Risiko bedeutete; Maintainer mussten teilweise beide Versionen unterstützen.
Der offizielle Support für Python 2.7 endete am 1. Januar 2020. Die lange Migration wurde zu einer klassischen Lektion über Softwarekompatibilität: Eine technisch sinnvolle Korrektur kann in einem reifen Ökosystem enorme Kosten verursachen.
Wissenschaftliches Rechnen
Wissenschaftliches Rechnen wurde zu einem der stärksten Wachstumstreiber. Reines Python ist für intensive numerische Schleifen nicht immer schnell, eignet sich aber hervorragend als Orchestrierungsschicht über optimierten nativen Bibliotheken.
NumPy bietet mehrdimensionale Arrays, SciPy wissenschaftliche Algorithmen und Matplotlib Visualisierung. Leistungsintensive Kerne können in C, C++ oder Fortran laufen, während Forschende eine lesbare Python-Oberfläche verwenden.
Jupyter und interaktives Rechnen
IPython und später Jupyter kombinierten ausführbaren Code, Text, Gleichungen und Visualisierungen in einem Dokument. Dieses Modell eignet sich besonders für Forschung, Lehre und explorative Analyse.
Notebooks veränderten auch die Kommunikation von Rechenarbeit: Ergebnisse, Erklärungen, Diagramme und ausführbare Schritte können gemeinsam weitergegeben werden.
pandas und Data Science
pandas brachte Datenstrukturen für Tabellen und Zeitreihen. Zusammen mit NumPy, Jupyter und Visualisierungsbibliotheken machte es Python zu einer wichtigen Plattform für Data Science.
Analysten können Daten laden, bereinigen, aggregieren, visualisieren und für Modelle vorbereiten, ohne ständig zwischen verschiedenen Werkzeugen oder Sprachen zu wechseln.
Python und künstliche Intelligenz
Bibliotheken wie scikit-learn, TensorFlow und PyTorch machten Python zu einer dominierenden Schnittstelle vieler Machine-Learning- und KI-Workflows. Die rechenintensive Arbeit erfolgt häufig in hochoptimierten nativen Komponenten oder auf GPUs.
Python dient dabei als Koordinationssprache. Forschungspapiere, Tutorials, Modelle, Notebooks und neue Bibliotheken verstärkten den Netzwerkeffekt zusätzlich.
Wie Python schnell sein kann, obwohl es nicht immer schnell ist
CPython führt reinen Python-Code normalerweise langsamer aus als optimiertes C oder C++. Anwendungen können teure Operationen jedoch an native Bibliotheken delegieren. NumPy verarbeitet beispielsweise Millionen Werte, ohne für jedes Element eine Python-Schleife auszuführen.
Diese Architektur verbindet produktive Hochsprache mit niedrigerer Ebene dort, wo Leistung zählt.
Der GIL
CPython verwendet historisch den Global Interpreter Lock (GIL). Er vereinfacht Teile der Speicherverwaltung, begrenzt aber die gleichzeitige Ausführung von Python-Bytecode durch mehrere Threads in einem Prozess.
Das bedeutet nicht, dass Python keine Nebenläufigkeit oder Parallelität unterstützt: Anwendungen können mehrere Prozesse, asynchrone I/O oder native Erweiterungen nutzen. Moderne Python-Versionen entwickeln außerdem optionale Free-Threaded-Ausführungsmodelle weiter.
Eine Sprache für Bildung und Automatisierung
Pythons Lesbarkeit verschafft der Sprache einen besonderen Platz im Unterricht. Anfänger können Werte ausgeben, Listen bearbeiten und Funktionen definieren, ohne zunächst umfangreichen Boilerplate-Code zu lernen.
Dieselbe Sprache wird zugleich für professionelle Webdienste, Datenpipelines, wissenschaftliche Software und Automatisierung eingesetzt. Dateien umbenennen, APIs aufrufen, JSON transformieren, Deployments automatisieren oder Berichte erzeugen – solche Aufgaben lassen sich häufig mit kurzen Python-Programmen erledigen.
Governance nach Guido van Rossum
Van Rossum wurde lange als Benevolent Dictator For Life (BDFL) bezeichnet. 2018 zog er sich aus dieser Entscheidungsrolle zurück.
Die Community führte daraufhin ein neues Governance-Modell ein. PEP 13 definiert einen gewählten Steering Council, der die langfristige Entwicklung und zentrale Entscheidungen begleitet.
Dieser Übergang ist ein wichtiger Teil von Pythons Geschichte: Ein Projekt, das als persönliches Experiment begann, entwickelte Institutionen, mit denen es unabhängig von seinem Schöpfer weiterbestehen kann.
Warum Python so erfolgreich wurde
Pythons Erfolg beruht nicht auf einer einzelnen Eigenschaft. Lesbarkeit senkt Einstiegshürden. Erweiterbarkeit verbindet Python mit leistungsfähigem nativen Code. Die Standardbibliothek bietet eine gemeinsame Basis. PyPI schafft ein riesiges Ökosystem. PEPs und Governance geben der Sprache einen dokumentierten Entwicklungsprozess.
Entscheidend ist die Kombination: eine zugängliche Sprache, die klein beginnen und bis zu großen professionellen und wissenschaftlichen Ökosystemen wachsen kann.
Häufig gestellte Fragen
Wer hat Python entwickelt?
Guido van Rossum begann Ende 1989 am CWI mit Python und veröffentlichte 1991 die erste öffentliche Version.
Warum heißt Python so?
Der Name ist eine Anspielung auf die britische Comedygruppe Monty Python, nicht auf die Schlange.
Warum verwendet Python Einrückung als Syntax?
Die sichtbare Struktur des Codes soll mit seiner logischen Struktur übereinstimmen. Einrückung macht Lesbarkeit damit zu einer Sprachregel.
Was bedeutet „Batteries included“?
Die Python-Standardbibliothek soll bereits Werkzeuge für viele alltägliche Aufgaben bereitstellen, ohne sofort externe Pakete zu benötigen.
Warum war der Wechsel von Python 2 zu Python 3 schwierig?
Python 3 korrigierte mehrere historische Entscheidungen mit inkompatiblen Änderungen. In einem großen Ökosystem mussten Anwendungen und Bibliotheken deshalb über Jahre migriert werden.
Wer entscheidet heute über Python?
Die Entwicklung ist community-basiert und wird durch PEPs dokumentiert. Ein nach PEP 13 gewählter Steering Council übernimmt zentrale Governance-Aufgaben.
Erfahren Sie, wie Guido van Rossum aus den Erfahrungen mit ABC Python entwickelte, seine Evolution prägte und aus einem persönlichen Projekt ein Gemeinschaftswerk machte.
