JetBrains logo

Ergebnisse der Python-Entwickler-Umfrage 2024

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

Im Zeitraum zwischen Oktober und November 2024 nahmen mehr als 30.000 Python-Entwickler*innen und Python-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 2023, 2022, 2021, 2020, 2019, 2018 und 2017 an.

Teilen:

Python-Nutzung allgemein

Python als Haupt- und Nebensprache

86%

Hauptsprache

14%

Nebensprache

Verwendung von Python mit anderen Sprachen100+

0%

50%

2021202220232024

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Sprachen für Data Science und Web100+

45%

46%

SQL

34%

64%

JavaScript

32%

54%

HTML/CSS

31%

35%

Bash/Shell

29%

16%

C/C++

19%

13%

Java

14%

29%

TypeScript

11%

2%

R

10%

8%

C#

„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.

Verwendung von Python mit anderen Sprachen100+

40%

43%

JavaScript

37%

35%

HTML/CSS

37%

30%

SQL

32%

25%

Bash/Shell

26%

37%

C/C++

17%

28%

Java

15%

24%

TypeScript

9%

18%

C#

8%

12%

Go

27%

der befragten Python-Entwickler*innen üben eine kollaborative Entwicklung aus – 7 Prozentpunkte weniger als im Vorjahr.

Dieser Rückgang könnte auf die Erschöpfung im Home-Office zurückzuführen sein, wodurch Entwickler*innen individuelle Arbeitsabläufe bevorzugen, oder auf die Rückkehr ins Büro, wo die Zusammenarbeit anders verläuft.

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

31%

Weniger als 1 Jahr

19%

1–2 Jahre

20%

3–5 Jahre

13%

6–10 Jahre

17%

Mehr als 11 Jahre

Wie lange programmieren Sie schon in Python?

21%

Weniger als 1 Jahr

18%

1–2 Jahre

30%

3–5 Jahre

19%

6–10 Jahre

12%

Mehr als 11 Jahre

Wussten Sie, dass Python die beliebteste Sprache ist, um Programmieren zu lernen?

Eine von fünf befragten Personen hat weniger als ein Jahr in Python programmiert, und über zwei Drittel der Informatik-Lernenden weltweit berichteten, dass sie Python im vergangenen Jahr sowohl zum Lernen als auch für die Arbeit verwendet haben.

Möchten Sie mehr über die Welt der Informatik erfahren?

In unserem Umfragebericht zur Lernkurve in der Informatik 2024 finden Sie aktuelle Trends, von Lernformaten und -tools bis hin zu Motivationen, Karrierezielen und häufigen Herausforderungen.

32%

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

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

78%

Programmieren

40%

Dokumentation / Beispiele / Bildung

35%

Maintainer / Governance / Führung

33%

Tests

19%

Bearbeitung von Tickets oder Funktionsanfragen

13%

Community-Betreuung / Öffentlichkeitsarbeit

2%

Sonstiges

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

55%

58%

Dokumentationen und APIs

45%

51%

YouTube

44%

41%

Python.org

42%

43%

Stack Overflow

41%

38%

Blogs

28%

22%

Bücher

19%

27%

KI-Tools

14%

13%

Online-Schulen für Programmierung und MOOCs

KI wird immer beliebter als Methode, um neue Tools und Technologien in Python zu lernen. Von 2023 bis 2024 stieg der Anteil der Lernenden, die KI zu diesem Zweck nutzen, von 19 % auf 27 %.

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

Die meisten KI-Tools verfügen über Trainingsdaten, die ein oder zwei Jahre in der Vergangenheit liegen, und bevorzugen Bibliotheken mit vielen Beispielen und vorhandenem Code, weshalb dieser Entdeckungsmethode eine starke Tendenz zu Paketen hat, die schon seit langem existieren.

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?

52%

Sowohl beruflich als auch privat

28%

Für persönliche, bildungsbezogene oder Nebenprojekte

20%

Für die Arbeit

Wofür verwenden Sie Python?100+

0%

60%

2021202220232024

Verwendung von Python als Haupt- und Nebensprache100+

49%

42%

Datenanalyse

48%

34%

Webentwicklung

42%

33%

Maschinelles Lernen

33%

22%

Data Engineering

28%

23%

Web-Scraping und Parsing

28%

23%

Wissenschaftliche Forschung

26%

25%

DevOps / Systemadministration

Wofür verwenden Sie Python am meisten?

21%

23%

Webentwicklung

10%

13%

Maschinelles Lernen

10%

10%

Datenanalyse

9%

8%

Wissenschaftliche Forschung

9%

8%

Aus-/Weiterbildung, Unterricht

7%

6%

DevOps / Systemadministration / Schreiben von Automatisierungsskripten

6%

7%

Data Engineering

Bei dieser Frage durften die Befragten nur eine Haupttätigkeit auswählen.

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

4%

der befragten Python-Entwickler*innen nutzen weiterhin Python 2.

Python-3-Versionen

2%

Python 3.14

15%

Python 3.13

35%

Python 3.12

21%

Python 3.11

15%

Python 3.10

6%

Python 3.9

3%

Python 3.8

1%

Python 3.7

1%

Python 3.6

1%

Python 3.5 oder niedriger

Hugo van Kemenade
PSF-Fellow, Python-Open-Source-Maintainer, CPython-Core-Entwickler und PEP-Editor

Wie in den letzten zwei Jahren ist es erfreulich zu sehen, dass nur 6 % veraltete Python-Versionen verwenden (derzeit 3.8 und niedriger), und die Mehrheit neuere Versionen übernimmt, und dass der höchste Anteil bei 3.12 liegt, insbesondere da die Umfrage erst einen Tag nach der Veröffentlichung von 3.13 eröffnet wurde. In den 6 Wochen, in denen die Umfrage lief, nutzten 15 % der Befragten bereits überwiegend die neue Version 3.13. Als Verantwortlicher für die Veröffentlichung von Python 3.14 freue ich mich, dass die Leute bereits die neuen Alphas ausprobieren.

Installation und Upgrade von Python100+

34%

Python.org

24%

Betriebssystemweites Paketverwaltungstool

17%

pyenv

17%

Ich verwende Docker-Container

14%

Anaconda

6%

Jemand anderes verwaltet Python-Updates für mich

5%

Aus Quellcode kompiliert

4%

Automatisches Update über Cloud-Anbieter

Warum haben Sie kein Update auf die neueste Version vorgenommen?100+

53%

Die Version, die ich verwende, erfüllt alle meine Anforderungen

27%

Meine Projekte sind nicht mit der neuesten Python-Version kompatibel

25%

Ich hatte noch keine Zeit für ein Update

17%

Ich mache mir Sorgen um die Stabilität der neuesten Python-Version

12%

Es gehört zu den Richtlinien unserer Organisation, nur eine bestimmte Python-Version zu verwenden

6%

Mir war nicht bewusst, dass die neueste Python-Version verfügbar ist

5%

Ich habe nicht die notwendigen Berechtigungen, um meine Python-Version zu aktualisieren

9%

Sonstiges

Frameworks und Bibliotheken

Web-Frameworks100+

Prozentsätze werden innerhalb jeder Spalte berechnet.

2021202220232024
21%25%29%38%FastAPI
40%39%33%35%Django
41%39%33%34%Flask
30%33%Requests
20%23%Asyncio
18%20%Django REST Framework
12%15%httpx
12%13%aiohttp
8%12%Streamlit
6%8%Starlette
3%4%3%3%web2py
4%4%3%2%Tornado
3%3%3%2%Bottle
3%4%3%2%CherryPy
3%3%3%2%Pyramid
2%2%2%1%Falcon
1%2%1%1%Hug
2%1%Quart
2%1%Twisted
5%5%5%7%Sonstiges
29%27%23%19%Keine
041%

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Web-Frameworks100+

41%

56%

FastAPI

37%

39%

Flask

33%

42%

Requests

28%

61%

Django

22%

33%

Asyncio

22%

7%

Streamlit

13%

44%

Django REST Framework

Kreuznutzung von Web-Frameworks100+

Prozentsätze werden innerhalb jeder Spalte berechnet.

AsyncioDjangoDjango REST FrameworkFastAPIRequestsStarletteStreamlitaiohttphttpx
26%33%42%45%69%37%81%56%Asyncio
38%93%42%41%37%38%39%38%Django
27%53%29%28%27%23%28%26%Django REST Framework
68%45%55%55%92%65%67%69%FastAPI
43%47%47%45%47%35%51%42%36%Flask
62%39%47%48%67%54%64%56%Requests
23%8%11%19%16%15%24%27%Starlette
19%13%14%21%19%22%17%17%Streamlit
45%15%19%23%25%41%19%35%aiohttp
35%16%20%27%25%52%21%40%httpx
21%18%18%18%20%22%20%24%27%Sonstiges
093%
William Vincent
Developer Advocate bei JetBrains

Async-First-Web-Frameworks wie FastAPI zeigen höhere Kreuznutzungsraten mit asynchronen Bibliotheken wie httpx als Async-Optional-Web-Frameworks wie Django.

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%

34%

BeautifulSoup

28%

32%

Pillow

22%

30%

Pydantic

22%

26%

OpenCV-Python

17%

21%

Tkinter

12%

13%

PyQT

11%

12%

Scrapy

10%

11%

Pygame

Unit-Test-Frameworks100+

53%

pytest

23%

unittest

11%

mock

6%

doctest

5%

tox

4%

Hypothesis

2%

nose

2%

Sonstiges

36%

Keine

Hugo van Kemenade
PSF-Fellow, Python-Open-Source-Maintainer, CPython-Core-Entwickler und PEP-Editor

Gute Nachrichten für Benutzer*innen von stdlib-Testbibliotheken: Python 3.13 fügte der Doctest-Ausgabe Farbe hinzu, und Python 3.14 wird Farbe zu unittest hinzufügen.

Für welche Frameworks wünschen Sie sich eine umfangreiche Unterstützung in Ihrem Editor bzw. Ihrer IDE?100+

34%

FastAPI

31%

Django

29%

pytest

25%

Flask

21%

Pydantic

20%

Requests

19%

Django REST Framework

17%

Asyncio

17%

OpenCV-Python

17%

BeautifulSoup

PyCharm

PyCharm bietet erweiterte Unterstützung für die Backend-Entwicklung, einschließlich Unterstützung für Django, FastAPI und Flask.

Weitere Informationen zur Webentwicklung mit PyCharm

Cloud-Plattformen

Nutzung von Cloudplattformen100+

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

0%

45%

2021202220232024

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Wie führen Sie Code in der Cloud aus?100+

53%

In Containern

44%

In virtuellen Maschinen

28%

Serverless

20%

Auf einer Platform-as-a-Service

2%

Sonstiges

7%

Keine

44%

der befragten Entwickler*innen nutzen Kubernetes, um Code in Containern auszuführen.

Welche der folgenden Services verwenden Sie?100+

51%

Amazon Elastic Kubernetes Service

31%

Google Kubernetes Engine

25%

Azure Kubernetes Service

11%

RedHat OpenShift

15%

Sonstiges

Wie entwickeln Sie für die Cloud?100+

49%

51%

Lokal mit virtualenv

38%

44%

In Docker-Containern

23%

23%

In virtuellen Maschinen

20%

19%

Mit dem Interpreter des lokalen Systems

16%

16%

In Remote-Entwicklungsumgebungen

14%

15%

Mittels WSL

10%

9%

Direkt in der Produktionsumgebung

2%

2%

Sonstiges

Data Science

51%

aller befragten Python-Entwickler*innen sind an Datenexploration und -verarbeitung beteiligt. Die am häufigsten verwendeten Tools sind pandas und NumPy.

Tools für Datenexploration und -verarbeitung

80%

Pandas

75%

NumPy

16%

Spark

15%

Polars

15%

Airflow

8%

Eine firmeninterne Lösung

7%

Dask

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Tools für Datenversionierung

14%

Eine firmeninterne Lösung

7%

Delta Lake

7%

DVC

4%

Pachyderm

3%

Sonstiges

69%

Keine

30%

der befragten Python-Nutzer*innen berichteten, dass sie an der Erstellung von Dashboards arbeiten. Die bevorzugten Tools für solche Aufgaben sind Streamlit und Plotly Dash.

Bibliotheken für die Erstellung von Dashboards100+

33%

Streamlit

28%

Plotly Dash

14%

TensorBoard

11%

Gradio

10%

Panel

4%

Voila

12%

Sonstiges

28%

Keine

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

Streamlit wird aufgrund seiner Benutzerfreundlichkeit und der minimalen Anforderung an Kenntnisse in der Webentwicklung immer beliebter.

BI-Lösungen100+

21%

PowerBI

17%

Ich weiß es nicht

11%

Tableau

4%

Looker

4%

Metabase

2%

QlikView

9%

Sonstiges

47%

Keine

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

38%

unserer Befragten trainieren oder generieren Vorhersagen mit ML-Modellen – sechs Prozentpunkte mehr als im vergangenen Jahr. Unter ihnen verwenden mehr als zwei Drittel scikit-learn und PyTorch.

Frameworks für ML-Modelltraining und -Prädiktion100+

67%

68%

SciKit-Learn

60%

66%

PyTorch

48%

49%

TensorFlow

44%

42%

SciPy

30%

30%

Keras

22%

28%

Hugging Face Transformers

22%

23%

XGBoost

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

Hugging Face Transformers ist die beliebteste Bibliothek für die Arbeit mit offen lizenzierten großen Sprachmodellen wie Llama.Hugging Face Diffusers ist die führende Bibliothek für Diffusionsmodelle, die zur Generierung von Bildern und Videos von Modellen wie Stable Diffusion verwendet werden.Sowohl Transformers als auch Diffusers zeichnen sich durch eine tiefe Integration mit PyTorch aus.

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

PyTorch steht nun unter der Verwaltung der Linux Foundation und scheint in diesem Jahr noch beliebter zu werden.

Kreuznutzung von Frameworks für ML-Modelltraining oder Vorhersagen100+

Prozentsätze werden innerhalb jeder Spalte berechnet.

Hugging Face DiffusersHugging Face TransformersKerasNLTKPyTorchPyTorch LightningSciKit-LearnSciPyTensorFlowXGBoostspaCy
38%18%22%16%25%14%16%17%17%25%Hugging Face Diffusers
90%38%53%37%46%33%34%34%42%62%Hugging Face Transformers
47%40%50%36%37%41%42%52%50%46%Keras
36%36%33%24%28%27%29%27%35%59%NLTK
88%86%78%80%94%72 %77%76%75%82%PyTorch
31%24%18%21%21%18%21%16%21%25%PyTorch Lightning
74%78%89%90%73%79%91%80%94%88%SciKit-Learn
57%50%59%62%49%61%58%52%62%68%SciPy
69%59%85%68%57%55%59%61%63%63%TensorFlow
33%34%38%42%26%34%34%34%30%43%XGBoost
30%31%22%43%18%24%19%23%18%26%spaCy
094%

Tools zur Experimentverfolgung100+

24%

TensorBoard

22%

MLFlow

13%

Weights & Biases

12%

Eine firmeninterne Lösung

3%

NeptuneML

3%

CometML

2%

Sonstiges

45%

Keine

TensorBoard.dev ist veraltet, aber TensorBoard bleibt die erste Wahl für Experiment-Tracking. Seine tiefe Integration mit großen ML-Frameworks, reichhaltige Visualisierungen und flexible lokale Einrichtung tragen zu seiner weit verbreiteten Nutzung durch Entwickler*innen und Forscher*innen bei.

Training-Plattformen100+

50%

Jupyter Notebook

19%

Eine firmeninterne Lösung

11%

Amazon Sagemaker

9%

Cloud-VMs mit SSH

9%

AzureML

6%

Databricks

6%

VertexAI

21%

der befragten Python-Entwickler*innen arbeiten an ML-Deployment und -Inferenz. Interessanterweise sind die beliebtesten Tools für diese Aufgabe interne Lösungen.

Plattformen für Deployment und Inferenz100+

26%

Eine firmeninterne Lösung

24%

Hugging Face

19%

Amazon Sagemaker

16%

MLFlow

14%

AzureML

9%

Databricks

9%

VertexAI

7%

Nvidia Triton

6%

Kubeflow

Verwenden Sie oder Ihr Unternehmen Tools/Plattformen für ML-Workloads in der Cloud?

Wie beeinflussen die Rechenzeitkosten Ihre Wahl von Tools oder Plattformen für ML-Workloads in der Cloud?

46%

Sie sind wichtig, aber ich wäge die Kosten gegen Leistung und Funktionen ab

33%

Sie sind der wichtigste Faktor; ich versuche stets, die Kosten zu minimieren

12%

Sie sind nachrangig gegenüber anderen Faktoren wie Benutzerfreundlichkeit und Integration

8%

Die Kosten sind kein wesentlicher Faktor

Wie hoch ist Ihr typisches monatliches Budget für Cloud-basierte ML-Rechenressourcen?

27%

Unter 1.000 USD

17%

1.000–5.000 USD

8%

5.000–10.000 USD

5%

10.000–25.000 USD

7%

Über 25.000 USD

37%

Ich weiß es nicht

16%

der Befragten arbeiten mit Big Data. Die Mehrheit bevorzugt Cloud-Lösungen. Unter den Big-Data-Tools ist PySpark das beliebteste, das von 40 % der Befragten genutzt wird.

Big-Data-Tools100+

36%

40%

PySpark

8%

7%

Great Expectations

6%

6%

PyFlink

3%

4%

PyDeequ

5%

4%

Sonstiges

50%

49%

Keine

Lösungen für die Arbeit mit Big Data100+

34%

Cloud

28%

Eigenhosting

25%

Beide

13%

Keine

Tools für Games

Betriebssystem100+

59%

Linux

58%

Windows

27%

macOS

2%

BSD

1%

Sonstiges

KI-Tools, die für die Programmierung und andere entwicklungsbezogene Aktivitäten verwendet oder ausprobiert wurden100+

82%

ChatGPT

39%

GitHub Copilot

23%

Google Gemini

17%

Anthropic Claude

13%

Visual Studio IntelliCode

12%

Microsoft 365 Copilot

12%

CodeGPT-Plugin in VS Code

9%

JetBrains AI Assistant

8%

Code Llama

7%

Codeium

7%

Tabnine

ORMs100+

41%

59%

SQLAlchemy

15%

56%

Django ORM

12%

14%

Reines SQL

10%

14%

SQLModel

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Der Anteil der in der Datenbankentwicklung engagierten Data Scientists ist seit dem vergangenen Jahr um vier Prozentpunkte gestiegen.

Könnte diese Veränderung auf die wachsende Nutzung von Vektordatenbanken in LLM-Anwendungen zurückzuführen sein?

ORMs100+

34%

39%

SQLAlchemy

25%

26%

Django ORM

13%

12%

Reines SQL

7%

10%

SQLModel

Datenbanken100+

43%

49%

PostgreSQL

34%

37%

SQLite

30%

31%

MySQL

17%

18%

Redis

17%

19%

MongoDB

10%

11%

MariaDB

10%

12%

MS SQL Server

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

PostgreSQL ist ein herausragend gut gepflegtes Open-Source-Projekt – 28 Jahre alt und gewinnt immer noch Marktanteile!

Continuous-Integration-Systeme (CI)100+

35%

GitHub Actions

22%

GitLab CI

12%

Jenkins/Hudson

8%

Azure DevOps

5%

AWS CodePipeline / AWS CodeStar

Alle Optionen mit einem Anteil unter 2 % wurden unter „Sonstige“ zusammengefasst.

Zwei Drittel der Python-Entwickler*innen verwenden regelmäßig Systeme zur kontinuierlichen Integration.

GitHub Actions ist führend, gefolgt von GitLab CI/CD und Jenkins/Hudson.

Konfigurationsmanagement-Tools100+

15%

Ansible

8%

Eine Custom-Lösung

4%

Puppet

2%

Chef

2%

Salt

3%

Sonstiges

71%

Keine

Dokumentationstools100+

43%

44%

Markdown

25%

29%

Swagger

16%

15%

Sphinx

14%

15%

Postman

13%

11%

Wiki

Wie arbeiten Sie typischerweise mit einer einzelnen Python-Datei?100+

58%

Ich öffne das gesamte Projekt, das die Datei enthält, in einer IDE

13%

Ich verwende einen Kommandozeilen-Editor

13%

Ich öffne nur diese eine Datei in einer IDE

11%

Ich verwende einen leichtgewichtigen Texteditor

2%

Sonstiges

4%

Ich muss normalerweise keine Python-Dateien einzeln öffnen oder bearbeiten

Haupt-IDE/Editor

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

48%

Visual Studio Code

25%

PyCharm

4%

Neovim

4%

Jupyter Notebook

3%

Vim

1%

Python Tools for Visual Studio

14%

Sonstiges

3%

Keine

Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.

Data Science und Webentwicklung im Vergleich

44%

46%

Visual Studio Code

27%

37%

PyCharm

7%

0%

Jupyter Notebook

2%

0%

Spyder

Unter VS-Code-Nutzer*innen verwenden 11% die Data-Wrangler-Erweiterung, und 53% nutzen die Jupyter-Unterstützung der IDE.

PyCharm

Zum Vergleich: 33% der IntelliJ-IDEA-Nutzer*innen und 37% der PyCharm-Nutzer*innen verwenden die Jupyter-Unterstützung.

Weitere Informationen zur Jupyter-Notebook-Unterstützung und zu anderen Funktionen von PyCharm für Datenprofis.

80%

der befragten Python-Entwickler*innen nutzen zusätzliche IDEs oder Editoren neben ihrem Haupteditor, und 42 % verwenden gleichzeitig drei oder mehr.

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

22%

Visual Studio Code

21%

Jupyter Notebook

19%

PyCharm

16%

Vim

13%

NotePad++

12%

JupyterLab

8%

Sublime Text

8%

Nano

6%

Neovim

6%

IDLE

Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.

Anzahl der verwendeten IDEs/Editoren

20%

1

38%

2

22%

3

20%

>3

Python-Packaging

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

55%

62%

venv

28%

25%

virtualenv

20%

19%

Conda

18%

18%

Poetry

9%

8%

Pipenv

11%

uv

Charlie Marsh
Gründer von Astral, Schöpfer von Ruff und uv

Rust hat es uns ermöglicht, hochleistungsfähige Tools für Python zu entwickeln, insbesondere im Bereich des Paketmanagements, und es war unglaublich, den Einfluss und die schnelle Akzeptanz dieser Art von Infrastruktur über das Jahr hinweg zu beobachten.

Dmitry Ustalov
Teamleiter für KI-Evaluierung bei JetBrains

Wir erleben eine neue Generation großartiger Python-Tools, die in Rust implementiert sind: uv, Ruff und Polars.Aktuell ist es einer der größten Trends in Python.

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

11 % für uv im ersten Jahr nach seiner Veröffentlichung (die erste Veröffentlichung war im Februar 2024) ist eine bemerkenswerte Leistung.

Vladimir Sotnikov
Entwicklungsleiter der JetBrains Computational Arts Initiative

Ich habe angefangen, uv kürzlich für ein Nebenprojekt zu verwenden, und ich liebe es!

LinkedIn, Google Scholar

PyCharm

PyCharm bietet uv-Integration, mit der Sie neue Umgebungen von Grund auf erstellen und uv auf bestehende Umgebungen anwenden können.

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

77%

74%

pip

19%

20%

Poetry

19%

18%

Conda

12%

uv

9%

8%

Pipenv

9%

9%

pip-tools

Seth Larson
Security Developer-in-Residence bei der PSF, PSF Fellow

Die Einführung von Tools zur Verwaltung von Abhängigkeiten, die das Sperren von Abhängigkeiten mit Prüfsummen und Versionen unterstützen, ist aus Sicht der Lieferkettensicherheit sehr zu begrüßen. Alle Anwendungen in Python sollten eines dieser Tools verwenden, wie pip-tools, Poetry oder uv.

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

63%

59%

requirements.txt

32%

36%

pyproject.toml

17%

16%

setup.py

11%

12%

Ich speichere keine Abhängigkeitsinformationen

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

Das pyproject.toml PEP 621 wurde im November 2020 angenommen.Es ist großartig zu sehen, dass dieser moderne Standard für Python-Pakete immer weiter verbreitet wird.

simonwillison.net, GitHub, LinkedIn, Mastodon, Bluesky

Aus welchen Quellen installieren Sie Pakete?100

80%

75%

PyPI

28%

29%

GitHub

16%

16%

Anaconda

14%

14%

Lokale Quelle

10%

10%

Privater Python-Package-Index

10%

11%

Linux-Distribution

10%

11%

Interner PyPI-Mirror

Charlie Marsh
Gründer von Astral, Schöpfer von Ruff und uv

Als Nutzer bin ich immer wieder beeindruckt von der Geschwindigkeit und Stabilität von PyPI. Es ist eine grundlegende Infrastruktur für das gesamte Python-Ökosystem, und das Team leistet bemerkenswerte Arbeit, um das Ökosystem am Laufen zu halten.

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

Das zeigt die Wichtigkeit von PyPI, da die meisten Entwickler*innen ihre Pakete von dort installieren. Die Sicherheit des Systems zu erhalten, war ein Schwerpunkt der PSF, und die Gemeinschaft muss diese Bemühungen ebenfalls unterstützen.

Aus welchen Quellen installieren Sie Pakete?100

73%

83%

PyPI

29%

25%

GitHub

27%

6%

Anaconda

15%

10%

Lokale Quelle

13%

11%

Interner PyPI-Mirror

11%

12%

Privater Python-Package-Index

10%

2%

Andere Conda-Channels

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

Anaconda und Conda sind nach wie vor beliebte Optionen für Data Scientists, da sie eine stabile plattformübergreifende Erfahrung und sofort einsatzbereite Tools für Data-Science-Projekte bieten.

26%

der Befragten haben eine Python-Anwendung, die sie entwickelt haben, paketiert und in einem Paket-Repository veröffentlicht.

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

44%

Twine

31%

PyPI Publish GitHub Action

29%

Poetry

10%

Hatch

5%

Flit

5%

PDM

8%

Sonstiges

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

Ich verwende PyPI Publish GitHub Action für viele meiner Projekte. Es ist eine wirklich effiziente Methode, Pakete an PyPI zu übermitteln, und ab November 2024 werden digitale Bescheinigungen automatisch ohne Änderungen für Endbenutzer*innen verarbeitet.

simonwillison.net, GitHub, LinkedIn, Mastodon, Bluesky

Wie gut kennen Sie Trusted Publishers?

51%

Ich habe noch nie davon gehört

33%

Ich habe eine vage Idee davon

4%

Ich habe es ausprobiert, nutze es aber nicht mehr

12%

Ich verwende es aktuell

Simon Willison
PSF Board Member, Django-Mitgründer und Datasette-Gründer

„Trusted Publishing“ bietet eine sichere Möglichkeit, PyPI-Pakete zu veröffentlichen, ohne Passwörter oder Authentifizierungstoken in CI-Systeme kopieren zu müssen.Es ist dank der PyPI Publish GitHub Action wirklich einfach zu verwenden.

Charlie Marsh
Gründer von Astral, Schöpfer von Ruff und uv

„Trusted Publishing“ ist eine der großartigen, unauffälligen Innovationen des Packaging-Ökosystems im letzten Jahr.

30%

der befragten Python-Entwickler*innen arbeiten mit einem monolithischen Repository, in dem mehrere Pakete oder Dienste in einem einzigen Repository gespeichert sind, wobei jedes seine eigenen unabhängig verwalteten Abhängigkeiten hat.

Verwenden Sie in Containern eine virtuelle Umgebung?

35%

Ja

42%

Nein

1%

Sonstiges

21%

Ich verwende keine Container für die Python-Entwicklung

17%

der Befragten bauen Python-Binärmodule mit anderen Sprachen, hauptsächlich C++, C und Rust. Interessanterweise hat Rust seit dem vergangenen Jahr 6 Prozentpunkte zugelegt.

Sprachen zur Kompilierung von Binärmodulen für Python100+

55%

54%

C++

44%

45%

C

27%

33%

Der Rust

9%

10%

Go

Seth Larson
Security Developer-in-Residence bei der PSF, PSF Fellow

Es ist sehr erfreulich, dass neben Python auch andere speichersichere Sprachen wie Rust, Go und C# immer häufiger eingesetzt werden. Dies ist nicht zuletzt auf qualitativ hochwertige, von der Community durchgeführte Projekte wie PyO3 und Maturin zurückzuführen.Ein großes Dankeschön an die Mitwirkenden an diesen Projekten.

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

Python und Rust ergänzen sich gut.Python ist eine höhere Programmiersprache und lässt sich schnell programmieren, wohingegen Rust kompiliert und schnell ausgeführt werden kann. PyO3 kombiniert beides, damit Entwickler*innen die Vorteile der beiden Sprachen nutzen können.

Demografie

Geschlecht

Diese Frage war optional.

Altersgruppe

9%

18–20

38%

21–29

27%

30–39

15%

40–49

7%

50–59

3%

60 Jahre oder älter

Cheuk Ting Ho
PSF Board Member, Developer Advocate bei JetBrains

Obwohl die Community sich bemüht, Diversität und Inklusion zu fördern, sehen wir immer noch, dass die Mehrheit der Programmierer*innen männlich ist. Diversität und Inklusion ist eine Initiative, die fortgeführt werden muss.

Bitte wählen Sie Ihr Land oder Ihre Region aus.

14%

Vereinigte Staaten

11%

Indien

6%

Deutschland

4%

Großbritannien

4%

Brasilien

4%

Frankreich

3%

China (Festland)

Alle Optionen mit einem Anteil unter 1 % wurden unter „Sonstige“ zusammengefasst.

Marie Nordin
Community Communications Manager bei der PSF

Während der Prozentsatz der Antworten aus den USA immer noch am höchsten ist, ist es großartig zu sehen, dass unsere Bemühungen, eine breitere Vielfalt von Teilnehmer*innen für die Umfrage 2024 zu erreichen, sich ausgezahlt haben!

Teamarbeiter und Einzelkämpfer

Arbeit an Projekten

Haupterwerbsstatus

59%

Vollzeitbeschäftigt bei einem Unternehmen/einer Organisation

4%

Teilzeitbeschäftigt bei einem Unternehmen/einer Organisation

6%

Selbständig

6%

Freelancer

6%

Werkstudent*in

12%

Schüler(in)/Student(in)

4%

Derzeit ohne Beschäftigung

1%

Im Ruhestand

1%

Sonstiges

Arbeitsrollen100+

66%

Entwicklung/Programmierung

16%

Teamleiter

16%

Data Engineer

15%

Datenwissenschaftler*in

15%

Architekt

13%

Data Analyst

12%

ML-Entwickler*in / MLOps

Firmengröße

7%

Nur ich

12%

2–10

17%

11–50

24%

51–500

7%

501–1000

10%

1001–5000

18%

Mehr als 5000

4%

Ich weiß es nicht

Teamgröße

70%

2–7 Personen

19%

8–12 Personen

6%

13–20 Personen

3%

21–40 Personen

2%

Mehr als 40 Personen

Unternehmensbranche

41%

Informationstechnologie / Software-Entwicklung

7%

Wissenschaften

6%

Bildung / Ausbildung

5%

Buchhaltung / Finanz / Versicherung

4%

Verarbeitendes Gewerbe / Fertigungsindustrie

4%

Medizin / Gesundheit

3%

Banking / Immobilien / Hypothekenfinanzierung

Alle Optionen 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 X 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 Antworten, die im Zeitraum von Oktober 2024 bis November 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 X 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 2023, 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!

Machen Sie beim JetBrains Tech Insights Lab mit

Nehmen Sie an Umfragen und UX-Studien teil, um JetBrains-Produkte benutzerfreundlicher und gleichzeitig leistungsfähiger zu machen. Durch die Teilnahme an unserer Forschung können Sie auch Prämien erhalten.