Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
Python für Data Science 24.3.0
Logo
Python für Data Science 24.3.0
  • Einführung
  • Arbeitsbereich
    • IPython
      • Starten der IPython-Shell
      • IPython-Beispiele
      • IPython-Magie
      • Shell-Befehle in IPython
      • Unix-Shell
        • Navigieren durch Dateien und Verzeichnisse
        • Dateien und Verzeichnisse erstellen, aktualisieren und löschen
        • Pipes und Filter
        • grep und find
        • Shell-Variablen
      • Objekte anzeigen mit display
      • foo.ipynb
      • Notebooks importieren
      • IPython-Erweiterungen
      • Fehleranalyse
    • Jupyter
    • NumPy
      • Einführung in NumPy
      • ndarray – ein N-dimensionales Array-Objekt
      • dtype
      • Arithmetik
      • Indizierung und Slicing
      • Transponieren von Arrays und Vertauschen von Achsen
      • Universelle Funktionen (ufunc)
      • Array-orientierte Programmierung – Vektorisierung
      • Bedingte Logik als Array-Operationen – where
      • Mathematische und statistische Methoden
      • Methoden für boolesche Arrays
      • Sortieren
      • unique und andere Mengenlogik
      • Dateieingabe und -ausgabe mit Arrays
    • pandas
      • Einführung in die Datenstrukturen von pandas
      • Python-Datenstrukturen in pandas überführen
      • Indexierung
      • Datum und Uhrzeit
      • Daten auswählen und filtern
      • Hinzufügen, Ändern und Löschen von Daten
      • Manipulation von Zeichenketten
      • Arithmetik
      • Deskriptive Statistik
      • Sortieren und Ranking
      • Unterteilen und Kategorisieren von Daten
      • Kombinieren und Zusammenführen von Datensätzen
      • Gruppenoperationen
      • Aggregation
      • Apply
      • Pivot-Tabellen und Kreuztabellen
      • dtype konvertieren
  • Daten lesen, speichern und bereitstellen
    • Open-Data
    • pandas IO tools
    • Serialisierungsformate
      • Datenserialisierung
      • CSV
        • CSV-Beispiel
      • JSON
        • JSON-Beispiel
      • Excel
      • XML/HTML
        • XML/HTML-Beispiele
        • BeautifulSoup
      • YAML
        • Beispiel
      • TOML
        • Beispiel
      • Pickle
        • Pickle-Beispiele
      • Protocol Buffers (Protobuf)
      • Andere Formate
    • Intake
      • Intake installieren
      • Intake für die Datenwissenschaften
      • Intake-GUI : Erkunden von Daten in einer grafischen Oberfläche
      • Intake für das Data-Engineering
    • httpx
      • httpx-Installation und Beispielanwendung
      • Modul erstellen
    • Dateisysteme
    • Geodaten
    • PostgreSQL
      • Foreign Data Wrappers (FDW)
      • Prozedurale Programmiersprachen
      • DB-API 2.0
      • Psycopg
      • Objektrelationale Abbildung
      • SQLAlchemy
      • Alembic
      • ipython-sql
      • PostGIS
        • PostGIS installieren
        • Optimieren von PostgreSQL für GIS-Datenbankobjekte
        • Laden von Geodaten
      • Datenbank-Sicherheit
      • PostgreSQL-Performance
      • pgMonitor
      • pganalyze
    • NoSQL-Datenbanken
      • Schlüssel-Werte-Datenbanksysteme
      • Spaltenorientierte Datenbanksysteme
      • Dokumentenorientierte Datenbanksysteme
      • Graphdatenbanksysteme
      • Objektdatenbanksysteme
      • XML-Datenbanksysteme
    • Application Programming Interface (API)
      • FastAPI
        • Installation
        • Beispiel
        • Erweiterungen
      • gRPC
        • gRPC-Beispiel
        • gRPC testen
    • Glossar
  • Daten bereinigen und validieren
    • Verwalten fehlender Daten mit pandas
    • Erkennen und Filtern von Ausreißern
    • String-Vergleiche
    • Daten deduplizieren
    • Hypothesis: Property -basiertes Testen
    • TDDA: Test-Driven Data Analysis
    • Datenvalidierung mit Voluptuous (Schemadefinitionen)
    • Normalisierung und Vorverarbeitung
    • Satelitendaten Geostandorten zuordnen
  • Daten visualisieren
  • Performance
    • iPython Profiler
    • scalene
    • perflint
    • pandas parallelisieren
    • Dask
    • Einführung in Multithreading, Multiprocessing und async
    • Threading-Beispiel
    • Multi-Processing-Beispiel
    • Threading und Forking kombinieren
    • asyncio Beispiel
  • Produkt erstellen
    • Code verwalten mit Git
      • Arbeitsbereiche
      • Git-Installation und -Konfiguration
      • Mit Git arbeiten
      • Rückblick
      • Git-Tags
      • Git-Verzweigungen
      • Git rebase
      • Änderungen zurücknehmen
      • Git Best Practices
      • Git-Workflows
        • Feature-Branches
        • Deployment und Release Branches
        • Trunk-Based Development
        • Git Flow
        • Merge-Strategien: Merge vs. Squash vs. Rebase
        • Commits für ein sauberes Log ändern
        • Monorepos und große Repositories
        • Repos aufteilen und zusammenführen
        • CI-freundliche Git-Repos
      • Fortgeschrittenes Git
        • Git Cherry-Pick
        • Regressionen finden mit git bisect
        • Git Notes
        • Git Hooks
          • pre-commit-Framework
          • pre-commit-Skripte
          • Unterstützte Git-Hooks
          • pre-commit in CI-Pipelines
          • Hooks überspringen
          • Vorlage für Git-Repositories
        • Jupyter Notebooks unter Git
        • Shell-Konfiguration und Kommandozeilen-Werkzeuge
        • Stapelverarbeitung
        • Git für Binärdateien
        • Git LFS entfernen
        • Visual Studio Code
          • GitLab VS Code Extension
        • GitLab
          • Rollen, Gruppen und Berechtigungen
          • Merge-Requests
          • GitLab CI/CD
            • GitLab Pages
            • npm-Deployment mit rsync
            • Docker-Container bauen
            • Multi-Arch-Images mit Buildah
            • Migration von GitHub-Aktionen
          • GitLab Package-Registry
        • git-big-picture
        • etckeeper
        • Git’s Datenbank-Interna
      • Git-Glossar
    • Daten verwalten mit DVC
      • Projekt erstellen
      • Pipelines
      • Parametrisierung
      • Versuchsmetriken
      • Pipelines anzeigen
      • Reproduzieren
      • Vim- und IDE-Integration
      • FastDS
    • Python-Umgebungen
      • uv
        • CI/CD-Pipelines
        • Dependency-Bot
        • Python Docker Container mit uv
      • Spack
        • Spack-Installation
        • Kombinatorische Builds
        • Vorteile der Build-Automatisierung
        • Use Case 1: Verwalten kombinatorischer Installationen
        • Use Case 2: Python und andere interpretierte Sprachen
        • Zukünftige Features
        • Spack verwenden
        • Environments, spack.yaml und spack.lock
        • Spack Mirrors
    • Erstellen von Programmbibliotheken und -paketen
    • Dokumentieren
    • Lizenzieren
    • Zitieren
      • Daten zitieren
      • Software zitieren
        • Erstellen eines DOI mit Zenodo
        • CodeMeta
        • Citation File Format
        • Git2PROV
        • HERMES
      • Software-Journale
    • Testen
    • Logging
    • Code-Qualität und Komplexität überprüfen und verbessern
      • Code-Smells
      • flake8
      • Mypy
      • Pytype
      • Wily
      • Pystra
      • Pysa
      • check-manifest
      • Black
      • isort
      • prettier
      • Rope
    • Sicherheit
  • Web-Applikationen erstellen
  • Stichwortverzeichnis
Back to top
View this page

Psycopg¶

Pycopg ist ein PostgreSQL-Adapter, der auf der C-Bibliothek für PostgreSQL libpq basiert. Er bietet u.a.:

  • DB-API-2.0-Kompatibilität

  • Multithreading bei Thread Safety

  • Connections pooling um einen Cache von bestehenden Datenbankverbindungen für Anfragen verwenden zu können.

  • Asynchronous und Coroutines support

  • Adaptation der Python Typen in SQL

Installation¶

Ihr könnt psycopg2 mit Spack installieren, z.B. mit

$ spack env activate python-311
$ spack install py-psycopg2
Next
Objektrelationale Abbildung
Previous
DB-API 2.0
Copyright © 2019–2024, Veit Schiele
Made with Sphinx and @pradyunsg's Furo
On this page
  • Psycopg
    • Installation