JetBrains logo

Ergebnisse der Python-Entwickler-Umfrage 2023

Dies ist die siebte offizielle jährliche Python-Entwicklerumfrage, die von der Python Software Foundation und JetBrains gemeinsam durchgeführt wird.

Zwischen November 2023 und Februar 2024 nahmen mehr als 25.000 Python-Entwickler*innen und -Fans aus fast 200 Ländern und Regionen an der Umfrage teil, um zu einer Bestandsaufnahme rund um die Sprache und das dazugehörige Ökosystem beizutragen.

Sehen Sie sich auch die Ergebnisse der Python-Entwicklerumfrage aus den Jahren 2022, 2021, 2020, 2019, 2018 und 2017 an.

Teilen:

Python-Nutzung allgemein

Python als Haupt- und Nebensprache

85%

Hauptsprache

15%

Nebensprache

Verwendung von Python mit anderen Sprachen100+

202120222023
40%37%35%JavaScript
38%36%32%HTML/CSS
33%31%29%Bash/Shell
33%34%31%SQL
30%29%25%C/C++
20%19%19%Java
11%11%12%C#
10%11%13%TypeScript
9%8%8%Go
9%9%7%PHP
6%7%7%Der Rust
5%6%5%R
4%4%4%Visual Basic
3%3%3%Kotlin
2%2%2%Ruby
2%2%1%Perl
2%2%2%Swift
2%2%2%Scala
1%1%1%Objective-C
1%1%1%Clojure
1%2%1%Groovy
1%1%1%CoffeeScript
1%Julia
1%Mojo
8%7%7%Sonstiges
13%14%17%Keine
040%

Aktuell steigt das Interesse an Go und Rust für die Entwicklung von Anwendungen mit geringer Latenz und sicherer Speicherverwaltung.

Verwendung von Python mit anderen Sprachen100+

35%

38%

JavaScript

33%

31%

HTML/CSS

32%

26%

SQL

29%

25%

Bash/Shell

23%

35%

C/C++

Paul Everitt
Teamleiter Web & Data Advocacy bei JetBrains

„Der Rückgang von HTML/CSS/JS könnte darauf hindeuten, dass der Anteil von Python in den Datenwissenschaften steigt.“

LinkedIn, Mastodon, X (früher Twitter)

Sprachen für Web und Data Science100+

40%

44%

SQL

30%

36%

Bash/Shell

30%

62%

JavaScript

28%

53%

HTML/CSS

25%

14%

C/C++

19%

15%

Java

12%

27%

TypeScript

„Webentwicklung“ bezeichnet Personen, die bei der Frage „Wofür verwenden Sie Python am meisten?“ die Antwort „Webentwicklung“ auswählten. „Data Science“ bezeichnet Personen, die bei derselben Frage „Datenanalyse“ oder „Maschinelles Lernen“ auswählten.

Wie lange programmieren Sie schon in Python?

25%

Weniger als 1 Jahr

16%

1–2 Jahre

26%

3–5 Jahre

19%

6–10 Jahre

13%

Mehr als 11 Jahre

Wie lange sind Sie schon in der IT-Branche tätig?

33%

Weniger als 1 Jahr

16%

1–2 Jahre

18%

3–5 Jahre

15%

6–10 Jahre

18%

Mehr als 11 Jahre

Sarah Boyce
Django Fellow

„Python wird aufgrund seiner verständlichen Syntax, seines breiten Anwendungsbereichs (von Data Science bis hin zur Webentwicklung) und seiner großen Community regelmäßig als gute Einsteiger-Programmiersprache empfohlen.“

Mastodon, LinkedIn

37%

der Python-Entwickler*innen gaben an, im vergangenen Jahr zu Open-Source-Projekten beigetragen zu haben.

Marie Nordin
Community Communications Manager der Python Software Foundation

„Das ist ein großartiger Wert und ein ermutigendes Ergebnis für die erstmalige Erwähnung in der Umfrage. Ich bin gespannt, wie sich dieser Trend im Jahresvergleich entwickeln wird.“

X (früher Twitter)

Wie würden Sie Ihre im vergangenen Jahr erfolgten Open-Source-Beiträge beschreiben?100+

77%

Programmieren

38%

Dokumentation / Beispiele / Bildung

35%

Maintainer / Governance / Führung

33%

Tests

19%

Bearbeitung von Tickets oder Funktionsanfragen

13%

Community-Betreuung / Öffentlichkeitsarbeit

2%

Sonstiges

34%

der Python-Entwickler*innen geben an, kollaborative Entwicklung zu betreiben.

Wo informieren Sie sich normalerweise über neue Tools und Technologien, die für Ihre Python-Entwicklung relevant sind?100+

55%

Dokumentationen und APIs

45%

YouTube

44%

Python.org

42%

Stack Overflow

41%

Blogs

28%

Bücher

19%

KI-Tools

14%

Online-Schulen für Programmierung und MOOCs

14%

Konferenzen / Veranstaltungen

13%

Podcasts

Verwendungszwecke von Python

Mit den Fragen in diesem Abschnitt wollten wir herausfinden, wofür die Befragten Python verwenden, an welchen Arten von Projekten sie beteiligt sind und wie sie die verschiedenen Verwendungszwecke kombinieren.

Für welchen Zweck verwenden Sie Python hauptsächlich?

51%

Sowohl beruflich als auch privat

28%

Für persönliche, bildungsbezogene oder Nebenprojekte

21%

Für die Arbeit

Python-Nutzung nach Jahr100+

202120222023
51%51%44%Datenanalyse
45%43%42%Webentwicklung
36%36%34%Maschinelles Lernen
27%Data Engineering
36%34%26%DevOps / Systemadministration / Schreiben von Automatisierungsskripten
31%30%25%Programmierung von Web-Parsern/-Scrapern/-Crawlern
25%Wissenschaftliche Forschung
26%25%23%Software-Tests, Schreiben von automatisierten Tests
27%27%22%Aus-/Weiterbildung, Unterricht
21%Design / Datenvisualisierung
22%20%19%Software-Prototyping
19%19%15%Desktop-Entwicklung
18%17%14%Netzwerkprogrammierung
12%13%10%Computergrafik
10%9%10%Spielentwicklung
8%MLOps
5%6%7%Entwicklung von Multimedia-Anwendungen
7%8%7%Embedded-Entwicklung
6%6%6%Mobil-Entwicklung
7%6%6%Sonstiges
051%

Bitte beachten Sie, dass die Liste 2023 um neue Optionen erweitert wurde.

Verwendung von Python als Haupt- und Nebensprache100+

44%

40%

Datenanalyse

44%

33%

Webentwicklung

34%

29%

Maschinelles Lernen

28%

20%

Data Engineering

26%

21%

Wissenschaftliche Forschung

26%

26%

DevOps / Systemadministration / Schreiben von Automatisierungsskripten

25%

23%

Programmierung von Web-Parsern/-Scrapern/-Crawlern

Wofür verwenden Sie Python am meisten?

21%

Webentwicklung

10%

Maschinelles Lernen

10%

Datenanalyse

9%

Wissenschaftliche Forschung

9%

Aus-/Weiterbildung, Unterricht

7%

DevOps / Systemadministration / Schreiben von Automatisierungsskripten

6%

Data Engineering

Inwieweit sind Sie an folgenden Aktivitäten beteiligt?

Webentwicklung

Datenanalyse

Maschinelles Lernen

Data Engineering

Wissenschaftliche Forschung

DevOps / Systemadministration / Schreiben von Automatisierungsskripten

Aus-/Weiterbildung, Unterricht

Software-Tests, Schreiben von automatisierten Tests

Software-Prototyping

Design / Datenvisualisierung

Programmierung von Web-Parsern/-Scrapern/-Crawlern

Desktop-Entwicklung

Netzwerkprogrammierung

Python-Versionen

Python 3 und Python 2 im Vergleich

2023

2022

2021

2020

2019

2018

2017

Fast die Hälfte der verbliebenen Python-2-Nutzer*innen ist unter 21 Jahre alt, und ein Drittel sind Studierende oder Schüler*innen. Vielleicht wird Python 2 noch in einigen Kursen verwendet?

Python-3-Versionen100+

202120222023
2%Python 3.13
19%Python 3.12
31%Python 3.11
16%45%23%Python 3.10
35%23%11%Python 3.9
27%17%8%Python 3.8
13%9%3%Python 3.7
7%4%2%Python 3.6
2%2%1%Python 3.5 oder niedriger
045%

Hinweis: Im Jahr 2023 waren die Python-Versionen 3.7 und niedriger am Ende ihres Lebenszyklus angelangt. Python 3.12 wurde im Oktober 2023 veröffentlicht (einen Monat vor Beginn dieser Umfrage) und wird bereits weithin eingesetzt. Entwickler*innen, die in dieser Umfrage die Verwendung von Python 3.13 angaben, nutzen ein Alpha-Release.

Fast 75% der Benutzer*innen verwenden eine der letzten drei Python-Versionen. Das ist eine großartige Nachricht! Aufgrund der Performance- und Komfortgewinne hat die Community neue Python-Versionen recht schnell angenommen.

Installation und Upgrade von Python100+

31%

Python.org

24%

Betriebssystemweites Paketverwaltungstool

17%

pyenv

16%

Docker-Container

14%

Anaconda

5%

Aus Quellcode kompiliert

4%

Automatisches Update über Cloud-Anbieter

Hinweis: Enthought kam auf unter 0,5% und wurde in die Gruppe Sonstiges verschoben.

Frameworks und Bibliotheken

Web-Frameworks100+

33%

Flask

33%

Django

30%

Requests

29%

FastAPI

20%

Asyncio

18%

Django REST Framework

12%

httpx

12%

aiohttp

8%

Streamlit

6%

Starlette

3%

Tornado

3%

web2py

3%

Bottle

3%

Pyramid

3%

CherryPy

2%

Falcon

2%

Twisted

2%

Quart

1%

Hug

5%

Sonstiges

23%

Keine

Bitte beachten Sie, dass die Liste 2023 um neue Optionen erweitert wurde.

Web-Frameworks100+

36%

42%

Flask

31%

46%

FastAPI

31%

40%

Requests

26%

63%

Django

18%

29%

Asyncio

16%

4%

Streamlit

12%

43%

Django REST Framework

Web-Frameworks sind weit verbreitet; so liegt der Nutzungsanteil bei 77% unter Data Scientists und bei 97% unter Webentwickler*innen.

Vladimir Sotnikov
Entwicklungsleiter der JetBrains Computational Arts Initiative

„ML-Entwickler*innen nutzen zwar seltener Django, ein Framework, das für die Entwicklung umfassender Webanwendungen bevorzugt wird, aber ihre Verwendung von Flask und FastAPI, die beide für die Erstellung von REST-APIs geeignet sind, liegt auf fast demselben Niveau wie bei Webentwickler*innen. Dies deutet darauf hin, dass ML-Profis sich aktiv in die Webentwicklung einbringen – allerdings in erster Linie durch API-basierte Services statt durch traditionelle Website-Entwicklung.“

LinkedIn, Google Scholar

Detailliertere Informationen zum Django-Universum finden Sie in der Django-Entwicklerumfrage 2023, die in Zusammenarbeit mit der Django Software Foundation durchgeführt wurde.

Andere Frameworks und Bibliotheken100+

31%

BeautifulSoup

28%

Pillow

22%

OpenCV-Python

22%

Pydantic

17%

Tkinter

12%

PyQT

11%

Scrapy

Unit-Test-Frameworks100+

52%

pytest

25%

unittest

11%

mock

9%

doctest

5%

tox

5%

Hypothesis

2%

nose

Cloud-Plattformen

Nutzung von Cloudplattformen100+

202120222023
31%32%33%AWS
19%22%25%Google Cloud Platform
14%16%20%Microsoft Azure
7%9%11%PythonAnywhere
10%11%10%DigitalOcean
14%13%7%Heroku
4%Alibaba
3%4%3%Linode
3%Oracle Cloud
3%Hetzner
3%4%2%OpenStack
2%3%2%OpenShift
2%Tencent
1%2%<1%Rackspace
6%6%5%Sonstiges
39%34%33%Keine
<1%39%

Bitte beachten Sie, dass die Liste 2023 um neue Optionen erweitert wurde.

Mukul Mantosh
Developer Advocate für Web and Data Advocacy bei JetBrains

„Nachdem Azure seinen OpenAI-Service eingeführt hatte, zogen AWS und Google schnell mit Bedrock und Gemini nach.“

LinkedIn, X (früher Twitter)

Sarah Boyce
Django Fellow

„Google Cloud Platform wird immer beliebter, insbesondere in den USA, wo sie von 38% der Befragten genutzt wird und AWS als Nummer eins der Cloud-Anbieter abgelöst hat.

Nachdem Heroku seine kostenlosen Produkttarife abgeschafft hatte, sank sein Nutzungsanteil von 14% im Jahr 2021 auf nur noch 7% im Jahr 2023.”

Mastodon, LinkedIn

Jay Miller
Staff Developer Advocate bei Aiven

„Ich glaube, dass wichtige Geschäftsentscheidungen in Bezug auf Preise und Übernahmen eine gewisse Rolle dabei gespielt haben, wo Deployments erfolgen.

Die Preisentscheidung von Heroku scheint einen großen Einbruch verursacht zu haben, aber es gab keinen klaren Gewinner (vielleicht mit Ausnahme von PythonAnywhere).“

LinkedIn, Kjaymiller

Wie führen Sie Code in der Cloud aus?100+

47%

In Containern

42%

In virtuellen Maschinen

25%

Serverless

26%

Auf einer Platform-as-a-Service

2%

Sonstiges

8%

Keine

Mukul Mantosh
Developer Advocate für Web and Data Advocacy bei JetBrains

„Basierend auf der CNCF-Umfrage aus 2022 haben etwa 44% der Benutzer*innen den Großteil ihrer Produktions-Workloads auf Container umgestellt, während weitere 9% sich noch in der Evaluierungsphase befinden.“

LinkedIn, X (früher Twitter)

45%

der Python-Nutzer*innen geben an, dass sie Kubernetes für die Ausführung von Code in Containern verwenden.

Welche der folgenden Services verwenden Sie?100+

49%

Amazon Elastic Kubernetes Service

33%

Google Kubernetes Engine

21%

Azure Kubernetes Service

10%

RedHat OpenShift

16%

Sonstiges

Mukul Mantosh
Developer Advocate für Web and Data Advocacy bei JetBrains

„Ich nutze in erster Linie Amazon EKS für die Handhabung von Container-Workloads, da es eine nahtlose Integration mit AWS-Services bietet. Außerdem habe ich mir die Google Kubernetes Engine (GKE) angesehen, die eine vergleichbare Erfahrung bietet. GKE Autopilot fand ich allerdings besonders ansprechend, da es sich um Cluster-Konfiguration, Knotenverwaltung, Skalierung, Sicherheit und andere vordefinierte Einstellungen kümmert – all dies wird von Google verwaltet.“

LinkedIn, X (früher Twitter)

Wie entwickeln Sie für die Cloud?100+

49%

Lokal mit virtualenv

38%

In Docker-Containern

23%

In virtuellen Maschinen

20%

Mit dem Interpreter des lokalen Systems

16%

In Remote-Entwicklungsumgebungen

14%

Mittels WSL

10%

Direkt in der Produktionsumgebung

2%

Sonstiges

Mukul Mantosh
Developer Advocate für Web and Data Advocacy bei JetBrains

„Ich schätze den Komfort, den das AWS Toolkit und das Cloud-Code-Plugin für die mühelose Erstellung von serverlosen Anwendungen bietet. Darüber hinaus kann man mit Frameworks wie LocalStack AWS-Anwendungen oder -Lambdas vollständig auf dem eigenen lokalen System ausführen, sodass keine Verbindung zu einem Remote-Cloud-Anbieter erforderlich ist.“

LinkedIn, X (früher Twitter)

Data Science

48%

aller befragten Python-Entwickler*innen sind in der Datenexploration und -verarbeitung aktiv.

Tools für Datenexploration und -verarbeitung

77%

Pandas

72%

NumPy

16%

Spark

14%

Airflow

10%

Polars

9%

Eine firmeninterne Lösung

7%

Dask

Jodie Burchell
Developer Advocate für Data Science Advocacy bei JetBrains

„pandas ist zwar nach wie vor das wichtigste Arbeitspferd für die Datenexploration und -verarbeitung, eine Minderheit verwendet jedoch auch verteilte Datenverarbeitungsbibliotheken wie Spark, Dask und Ray, was darauf hindeutet, dass sie mit Big Data arbeiten. Polars wird immer beliebter für die Verarbeitung größerer Datensammlungen auf dem lokalen System.“

LinkedIn, X (früher Twitter), Mastodon, Blog

Bibliotheken für die Erstellung von Dashboards100+

31%

Plotly Dash

28%

Streamlit

12%

Panel

12%

Gradio

4%

Voilà

13%

Sonstiges

26%

Keine

25% der Befragten arbeiten nach eigenen Angaben an der Erstellung von Dashboards. Plotly Dash und Streamlit sind die zwei meistgenutzten Optionen für solche Aufgaben.

32%

aller Python-Entwickler*innen geben an, dass sie ML-Modelle trainieren oder Vorhersagen mit ihnen generieren. scikit-learn und PyTorch sind die beiden meistgenutzten Lösungen für diese Aufgaben.

Frameworks für ML-Modelltraining und -Prädiktion
100+

67%

scikit-learn

60%

PyTorch

48%

TensorFlow

44%

SciPy

30%

Keras

22%

Hugging Face Transformers

22%

XGBoost

Training-Plattformen100+

52%

Jupyter Notebook

11%

Amazon Sagemaker

10%

Cloud-VMs mit SSH

9%

AzureML

6%

Databricks

Jodie Burchell
Developer Advocate für Data Science Advocacy bei JetBrains

„Die Nutzung von scikit-learn und SciPy durch die Mehrheit der ML-Anwender*innen zeigt die herausragende Rolle, die klassisches maschinelles Lernen und Statistik in den Datenwissenschaften immer noch spielen. Populär sind aber auch Deep-Learning-Bibliotheken wie PyTorch, Tensorflow, Keras und Hugging Face Transformers – ein möglicher Hinweis auf das kürzlich erstarkte Interesse an generativer KI und großen Sprachmodellen.“

LinkedIn, X (früher Twitter), Mastodon, Blog

Tools zur Experimentverfolgung100+

26%

TensorBoard

19%

MLflow

12%

Weights & Biases

4%

CometML

4%

NeptuneML

2%

Sonstiges

12%

Eine firmeninterne Lösung

44%

Keine

Google hat TensorBoard.dev (ein Service zur Veröffentlichung von TensorBoard-Daten mit einem einzigen Klick) am 1. Januar 2024 als „deprecated“ gekennzeichnet. Wir können davon ausgehen, dass im Jahr 2024 andere Optionen an Popularität zulegen werden.

Tools für Datenversionierung100+

14%

Eine firmeninterne Lösung

7%

Dalta Lake

7%

DVC

4%

Pachyderm

3%

Sonstiges

69%

Keine

18%

aller befragten Entwickler*innen arbeiten an ML-Deployment und -Inferenz.

Arbeiten Sie mit Big Data?

Jodie Burchell
Developer Advocate für Data Science Advocacy bei JetBrains

„Dass eine Minderheit der Befragten sich nicht sicher ist, ob sie mit Big Data arbeiten, zeigt die Unschärfe dieses Begriffs, vor allem angesichts immer leistungsfähigerer PCs.“

LinkedIn, X (früher Twitter), Mastodon, Blog

Big-Data-Tools100+

36%

PySpark

6%

PyFlink

8%

Great Expectations

3%

PyDeequ

5%

Sonstiges

50%

Keine

Lösungen für die Arbeit mit Big Data100+

34%

Cloud

28%

Eigenhosting

25%

Beide

13%

Keine

Tools für Games

Betriebssystem100+

55%

Linux

55%

Windows

29%

macOS

2%

BSD

1%

Sonstiges

Der Anteil der Entwickler*innen, die Linux als Entwicklungsumgebung nutzen, ist im Laufe der Jahre zurückgegangen: Gegenüber 2021 beträgt der Rückgang 8 Prozentpunkte.

Plattformen und Tools für Deployment und Inferenz100+

18%

Hugging Face

17%

Amazon Sagemaker

15%

MLflow

13%

AzureML

9%

Databricks

8%

VertexAI

7%

Kubeflow

7%

Nvidia Triton

ORMs100+

202120222024
34%35%34%SQLAlchemy
29%28%25%Django ORM
16%16%13%Reines SQL
7%SQLModel
5%8%3%SQLObject
3%3%2%Peewee
2%3%2%Tortoise ORM
1%2%1%Dejavu
1%3%1%PonyORM
4%4%3%Sonstiges
36%34%41%Ich betreibe keine Datenbankentwicklung
041%

Der Anteil derjenigen, die keine Datenbankentwicklung betreiben, ist seit dem vergangenen Jahr um 7 Prozentpunkte gestiegen.

ORMs100+

43%

9%

Ich betreibe keine Datenbankentwicklung

36%

54%

SQLAlchemy

15%

57%

Django ORM

13%

15%

Reines SQL

Vladimir Sotnikov
Entwicklungsleiter der Computational Arts Initiative von JetBrains

„Data Scientists verwenden Datenbanken viel seltener als Webentwickler*innen. Das dürfte sich 2024 ändern, wenn Vektor-DBs für LLM-Anwendungen an Popularität gewinnen.“

LinkedIn, Google Scholar

Datenbanken100+

202120222023
43%42%43%PostgreSQL
38%36%34%SQLite
37%37%30%MySQL
20%19%17%MongoDB
18%16%17%Redis
10%12%10%MS SQL Server
10%MariaDB
6%7%6%Oracle Database
5%DynamoDB
3%4%4%Amazon Redshift
4%BigQuery
2%3%2%Cassandra
2%3%2%Neo4j
2%ClickHouse
2%Firebase Realtime Database
1%2%1%HBase
1%2%1%DB2
1%2%1%h2
1%Apache Pinot
1%Apache Druid
1%2%0%Couchbase
6%6%4%Sonstiges
19%18%20%Keine
0%43%

Bitte beachten Sie, dass die Liste 2023 um neue Optionen erweitert wurde.

PostgreSQL bleibt das dritte Jahr in Folge die populärste Datenbank unter Python-Anwender*innen.

Continuous-Integration-Systeme (CI)100+

33%

GitHub Actions

21%

GitLab CI

12%

Jenkins/Hudson

7%

Azure DevOps

6%

AWS CodePipeline / AWS CodeStar

6%

Google Cloud Build

4%

CircleCI

Mukul Mantosh
Developer Advocate für Web and Data Advocacy bei JetBrains

„GitHub Actions ist ein Tool, das ich intensiv nutze. Aus der Entwicklersicht gesehen benötige ich keine DevOps- oder CI-Profis. Es handelt sich nur um eine schlichte YAML-Datei, die das Ausführen von Pipelines vereinfacht.“

LinkedIn, X (früher Twitter)

Dokumentationstools100+

43%

Markdown

25%

Swagger

16%

Sphinx

14%

Postman

13%

Wiki

7%

MkDocs

7%

rST

Konfigurationsmanagement-Tools100+

16%

Ansible

5%

Puppet

3%

Chef

3%

Salt

8%

Eine Custom-Lösung

3%

Sonstiges

67%

Keine

Haupt-IDE/Editor

41%

Visual Studio Code

31%

PyCharm

3%

Vim

3%

Jupyter Notebook

3%

Neovim

2%

Sublime Text

2%

Emacs

1%

IntelliJ IDEA

1%

IDLE

1%

NotePad++

1%

Spyder

1%

JupyterLab

1%

Python Tools for Visual Studio

2%

Sonstiges

5%

Keine

Um die beliebtesten Editoren und IDEs zu identifizieren, haben wir eine Frage mit Einfachnennung gestellt: „Was ist Ihr Haupteditor für Ihre aktuelle Python-Entwicklung?“

PyCharm-Benutzer*innen entscheiden sich zu 68% für die PyCharm Professional Edition.

Data Science und Webentwicklung im Vergleich

44%

46%

Visual Studio Code

27%

37%

PyCharm

7%

0%

Jupyter Notebook

Nur 6% der VS-Code-Benutzer*innen verwenden VS Code Data Wrangler. Die von VS Code bereitgestellte Jupyter-Unterstützung wird hingegen von 51% der Benutzer*innen verwendet.

Die Jupyter-Unterstützung in IntelliJ IDEA und PyCharm wird von 34% bzw. 47% der Anwender*innen genutzt.

IDEs/Editoren, die zusätzlich zur Haupt-IDE/zum Haupteditor verwendet werden100+

22%

Visual Studio Code

20%

Jupyter Notebook

17%

Vim

13%

PyCharm Community Edition

12%

JupyterLab

11%

NotePad++

9%

Sublime Text

7%

PyCharm Professional Edition

7%

Nano

Anzahl der verwendeten IDEs/Editoren

23%

1

38%

2

21%

3

19%

4+

Unseren Daten zufolge verwenden 40% der Befragten drei oder mehr IDEs bzw. Editoren für die Python-Entwicklung – ähnlich hoch wie der Anteil derer, die zwei IDEs/Editoren gleichzeitig verwenden.

Python-Packaging

Welche der folgenden Tools verwenden Sie, um die Python-Umgebungen von Projekten zu isolieren?100+

202120222023
44%43%55%venv
42%37%28%virtualenv
21%21%20%Conda
14%16%18%Poetry
16%14%9%Pipenv
7%6%4%virtualenvwrapper
1%3%3%Hatch
4%3%4%Sonstiges
15%15%11%Ich verwende keine Tools, um Python-Umgebungen zu isolieren
1%55%

Welche Tools verwenden Sie für die Verwaltung von Abhängigkeiten?100+

77%

Pip

19%

Conda

19%

Poetry

9%

pip-tools

9%

Pipenv

3%

Hatch

3%

PDM

2%

Sonstiges

6%

Keine

In welchen Formaten werden die Abhängigkeitsinformationen Ihrer Anwendung gespeichert?100+

63%

requirements.txt

32%

pyproject.toml

17%

setup.py

8%

Pipfile

8%

environment.yml

8%

setup.cfg

Aus welchen Quellen installieren Sie Pakete?100

80%

PyPI

28%

GitHub

16%

Anaconda

14%

Lokale Quelle

10%

Linux-Distribution

10%

Interner PyPI-Mirror

10%

Privater Python-Package-Index

Dmitry Ustalov
Teamleiter für KI-Evaluierung bei JetBrains

„PyPI und GitHub sind zwar komfortabel, aber stellen Sie sicher, dass Sie Ihre Software-Lieferkette unter Kontrolle haben.“

Erfahren Sie mehr über Supply-Chain-Angriffe

LinkedIn, GitHub

Aus welchen Quellen installieren Sie Pakete?100

80%

90%

PyPI

30%

25%

GitHub

27%

6%

Anaconda

14%

10%

Lokale Quelle

13%

2%

Andere Conda-Channels

Vladimir Sotnikov
Entwicklungsleiter der Computational Arts Initiative von JetBrains

„ML-Entwickler*innen verwenden Anaconda häufig, was sich von selbst versteht. Interessanterweise nutzen sie auch oft GitHub für die Paketinstallation. Das liegt daran, dass viele Python-ML-Bibliotheken C/C++-Binärdateien enthalten, die für bestimmte Nvidia CUDA-Versionen und Hardwarekonfigurationen nativ kompiliert werden müssen, und in diesen Fällen ist PyPI unpraktisch oder gar unbrauchbar.“

LinkedIn, Google Scholar

25%

der Befragten geben an, dass sie selbstentwickelte Python-Anwendungen paketiert und in einem Paket-Repository veröffentlicht haben.

Welche Tools verwenden Sie, um aus Ihren Python-Bibliotheken Pakete zu erstellen?100

53%

Twine

33%

Poetry

9%

Flit

9%

Hatch

6%

PDM

9%

Sonstiges

Jay Miller
Staff Developer Advocate bei Aiven

„Im vergangenen Jahr gab es zahlreiche Diskussionen(*) zu diesem Thema! Ich bin gespannt, wie sich das in den nächsten Jahren weiterentwickeln wird.“

LinkedIn, Kjaymiller

Eine unvoreingenommene Bewertung von Python-Paketierungstools

Diskussion über Python-Paketierungsstrategien

Bewertung von Python-Paketen & 20 Jahre PyCon US

Uv – ein weiteres Rust-Tool, das Pip ersetzen soll

Vladimir Sotnikov
Entwicklungsleiter der Computational Arts Initiative von JetBrains

„Wie auch in der letztjährigen Umfrage beobachtet, wird Poetry immer populärer. Die Auflösung von Abhängigkeitskonflikten ist eine Funktion, die im Vergleich zu pip eine Menge Zeit spart.“

LinkedIn, Google Scholar

Verwenden Sie in Containern eine virtuelle Umgebung?

31%

Ja

47%

Nein

1%

Sonstiges

21%

Ich verwende keine Container für die Python-Entwicklung

16%

der Befragten kompilieren Binärmodule für Python in einer anderen Sprache wie C, C++, Rust oder Go.

Sprachen zur Kompilierung von Binärmodulen für Python100+

55%

C++

44%

C

27%

Der Rust

9%

Go

7%

C# / .NET

5%

Fortran

3%

Assembly

5%

Sonstiges

Demografie

Geschlecht

Diese Frage war optional.

Altersgruppe

8%

18–20

32%

21–29

33%

30–39

16%

40–49

7%

50–59

3%

60 Jahre oder älter

Teamarbeiter und Einzelkämpfer

Arbeit an Projekten

Haupterwerbsstatus

62%

Vollzeitbeschäftigt bei einem Unternehmen/einer Organisation

12%

Schüler(in)/Student(in)

6%

Selbständig

6%

Freelancer

5%

Werkstudent*in

4%

Teilzeitbeschäftigt bei einem Unternehmen/einer Organisation

1%

Im Ruhestand

4%

Derzeit ohne Beschäftigung

1%

Sonstiges

Arbeitsrollen100+

62%

Entwicklung/Programmierung

16%

Teamleiter

15%

Datenwissenschaftler*in

15%

Data Engineer

14%

Architekt

12%

Data Analyst

10%

ML-Entwickler*in / MLOps

9%

Wissenschaftliche Forscher*in

8%

Technischer Support

6%

Systems Analyst

6%

CIO/CEO/CTO

5%

Produktmanagement

4%

DBA

4%

Qualitätssicherung

4%

Technische Dokumentation

Firmengröße

7%

Nur ich

10%

2–10

16%

11–50

25%

51–500

9%

501–1000

12%

1001–5000

18%

Mehr als 5000

3%

Ich weiß es nicht

Teamgröße

69%

2–7 Personen

19%

8–12 Personen

7%

13–20 Personen

2%

21–40 Personen

3%

Mehr als 40 Personen

Jay Miller
Staff Developer Advocate bei Aiven

„Angesichts der vielen Entlassungen und der Zunahme der Arbeitssuchenden auf dem Tech-Markt habe ich mich gefragt, wie es wohl Python-Entwickler*innen ergangen ist. In Bezug auf die Teamzusammensetzung scheint sich in den letzten Jahren nicht viel geändert zu haben, außer dass der Anteil von Teams mit 21-40 Personen zurückgegangen ist.“

LinkedIn, Kjaymiller

Unternehmensbranche

38%

Informationstechnologie / Software-Entwicklung

6%

Wissenschaften

6%

Bildung / Ausbildung

6%

Buchhaltung / Finanz / Versicherung

4%

Verarbeitendes Gewerbe / Fertigungsindustrie

4%

Medizin / Gesundheit

4%

Banking / Immobilien / Hypothekenfinanzierung

2%

Vertrieb / Business Development

2%

Sicherheit

2%

Logistik / Transport

2%

Marketing

2%

Gemeinnützige Projekte

Bitte wählen Sie Ihr Land oder Ihre Region aus.

20%

Vereinigte Staaten

9%

Indien

6%

Deutschland

4%

Großbritannien

4%

Frankreich

4%

China (Festland)

3%

Russland

3%

Brasilien

3%

Kanada

2%

Italien

2%

Polen

2%

Spanien

38%

Sonstiges

Alle Länder/Regionen mit einem Anteil unter 1% wurden unter «Sonstige» zusammengefasst.

Methodik und Rohdaten

Sie möchten tiefer in die Daten eintauchen? Laden Sie die anonymisierten Umfrageantworten herunter und führen Sie Ihre eigenen Analysen durch! Teilen Sie Ihre Erkenntnisse auf Twitter unter dem Hashtag #pythondevsurvey und erwähnen Sie dabei @jetbrains und @ThePSF.

Vor Beginn Ihrer Datenanalyse sollten Sie die folgenden wichtigen Punkte berücksichtigen:

Dieser Datensatz enthält nur Antwortbögen aus den offiziellen Kanälen der Python Software Foundation. Nach dem Herausfiltern doppelter und unzuverlässiger Antworten umfasst der Datensatz mehr als 25.000 Antwortbögen, die im Zeitraum von November 2023 bis Februar 2024 gesammelt wurden. Die Umfrage wurde auf python.org, im PSF-Blog, in den offiziellen Python-Mailinglisten, in Python-bezogenen Subreddits sowie über die Accounts der PSF auf Twitter und LinkedIn angekündigt. Um eine Verzerrung der Umfrage zugunsten bestimmter Tools oder Technologien zu verhindern, wurden keine Produkt-, Service- oder Herstellerkanäle zur Rekrutierung verwendet.

Die Daten wurden anonymisiert und enthalten keine persönlichen Informationen oder Geodaten. Darüber hinaus wurden alle offenen Antworten gelöscht, um eine Identifizierung einzelner Befragter anhand ihrer Antworten zu verhindern.

Um Ihnen zu einem besseren Verständnis der Umfrage zu verhelfen, stellen wir den Datensatz, die gestellten Fragen und die Umfragelogik zur Verfügung. Bei den Antwortoptionen haben wir verschiedene Reihenfolgen verwendet (alphabetisch, randomisiert und direkt). Die Reihenfolge der Antworten ist für jede Frage angegeben.

Kriterien für das Herausfiltern von Antworten

Eines der folgenden Kriterien
  • Alter 17 Jahre oder jünger.
  • Keine Antwort auf die Frage „Wie viele Jahre professionelle Programmiererfahrung haben Sie?“ auf der dritten Seite der Umfrage.
  • Alter unter 21 Jahren und mehr als 11 Jahre professionelle Programmiererfahrung.
  • Zu viele Einzelnennungen bei Multiple-Choice-Fragen (mit Ausnahme verneinender Antworten).
  • Mehrere Antwortbögen von derselben E-Mail-Adresse (nur ein Antwortbogen wurde verwendet).
  • Keine Verwendung von Python.

Mindestens zwei der folgenden Kriterien
  • Mehr als 16 Programmiersprachen verwendet.
  • Mehr als 9 Arbeitsrollen.
  • Mehr als 11 Verwendungszwecke unter „Wofür verwenden Sie Python?“ angekreuzt.
  • Das gewählte Land/die gewählte Region steht alphabetisch ganz oben auf der Liste und zählt nicht zu den häufigen Ländern/Regionen.
  • Sowohl „CEO“ als auch „Technischer Support“ als Arbeitsrollen angekreuzt.
  • „CEO“ und „Unter 21 Jahre“ angekreuzt.
  • Insgesamt zu viele Antworten angekreuzt (fast alle Frameworks für Data Science, Webentwicklung, Paketierung usw.).
  • Zu schnell geantwortet (weniger als 5 Sekunden pro Frage).

Im Namen der Python Software Foundation und von JetBrains möchten wir uns noch einmal bei allen bedanken, die an dieser Umfrage teilgenommen haben. Mit Ihrer Hilfe können wir die Landschaft der Python-Community viel genauer abbilden!

Spenden Sie für die regelmäßige Unterstützungskampagne der PSF. Die PSF ist eine gemeinnützige Organisation, die ausschließlich von ihren Sponsoren, Mitgliedern und der Öffentlichkeit finanziert wird.

Sehen Sie sich auch die Ergebnisse der Python-Entwicklerumfrage aus den Jahren 2022, 2021, 2020, 2019, 2018 und 2017 an.

Lesen Sie auch die Berichte zu den anderen großen JetBrains-Umfragen!

Danke, dass Sie sich die Zeit genommen haben!

Wir hoffen, dass Sie unseren Bericht nützlich fanden. Sie können ihn gerne mit Bekannten und Kolleg*innen teilen.

Nehmen Sie an zukünftigen Umfragen teil:

Wenn Sie Fragen zu dieser Umfrage oder Vorschläge für zukünftige Umfragen haben, wenden Sie sich bitte an surveys@jetbrains.com oder psf@python.org.