Python: hvad det er, hvem der kan det, og hvad de tjener

Python er et programmeringssprog. Færdigheden dækker at kunne skrive, læse og vedligeholde kode i Python, så en opgave bliver udført af en maskine i stedet for af en person.

I praksis betyder det at kunne hente data ind fra filer, regneark, databaser eller andre systemers grænseflader (API'er), bearbejde dem og sende et resultat videre. Resultatet kan være en rapport, en fil, en besked, en graf eller en opdatering i et andet system.

Fire anvendelser går igen i dansk erhvervsliv. Automatisering af manuelle rutiner, hvor et script overtager kopiering, sammenkørsel og udsendelse. Dataanalyse med bibliotekerne pandas og NumPy, hvor rå data bliver til tal, nogen kan handle på. Backend og webtjenester med Django, Flask eller FastAPI, altså den del af en løsning brugeren ikke ser. Og maskinlæring og AI med scikit-learn, PyTorch og klienter til sprogmodeller.

Selve sproget er kun halvdelen af færdigheden. Den anden halvdel er alt det, der skal til, for at koden virker uden for ens egen computer. Det er styring af pakker og virtuelle miljøer (venv, pip), versionsstyring i Git, automatiske tests med pytest, fejlhåndtering, logning, læsbar kodestil efter den officielle stilguide PEP 8 og typeangivelser, der gør koden lettere at overtage.

Hos en dygtig person viser færdigheden sig ved, at problemet bliver løst én gang og derefter kører af sig selv. Koden er til at læse for andre. Standardbiblioteket bliver brugt i stedet for hjemmelavede løsninger på løste problemer. Og vedkommende kan sige nej til Python, når et andet værktøj passer bedre.

En overset del af færdigheden er at læse kode. Det meste professionelle Python-arbejde handler om at rette og udbygge noget, en anden har skrevet, ofte uden dokumentation og ofte flere år efter.

Python gør størst forskel, når det samme arbejde skal gøres igen og igen, og når data skal flyttes eller kobles mellem systemer, der ikke taler sammen i forvejen.

Typiske situationer: en månedlig rapport, som nogen bygger i hånden i Excel. Data fra flere systemer, der skal kobles på tværs. En integration, hvor der ikke findes en færdig standardkobling. Indsamling af data fra andres systemer eller hjemmesider. Overvågning og test af egne systemer. Prototyper på AI-funktioner, før der investeres i en større løsning. Og datamængder, der er vokset ud af et regneark.

Roller hvor færdigheden ofte er afgørende: dataanalytiker og data scientist, backend-udvikler, DevOps- og platformsingeniør, testudvikler, ingeniør med beregnings- eller simuleringsopgaver, forsker, og it-sikkerhedsfolk, der behandler logdata og bygger småværktøjer. I mange andre roller er Python ikke jobbet, men det redskab, der halverer tidsforbruget: controllere, driftsplanlæggere, marketingfolk og administrative medarbejdere bruger det på den måde.

Der er også situationer, hvor færdigheden vejer mindre. Ren frontend-udvikling, apps til mobil og arbejde, der er bundet til en fast platform med sit eget sprog, kræver andre kompetencer. Er opgaven lille og stabil, kan et standardværktøj eller en indbygget funktion være det rigtige valg frem for et script, ingen ejer.

For en virksomhed er den vigtigste skelnen ikke, om nogen kan skrive Python, men om de kan aflevere det, de skriver. Et script, der kun kører på én medarbejders computer og kun forstås af vedkommende, er en risiko, ikke en gevinst. Færdigheden er først værd at betale for, når kode, dokumentation og drift kan overtages af en anden.

Grundlaget kan læres hurtigt. Håndværket tager år. Det er værd at sige rent ud, fordi Python er nemt at komme i gang med og derfor ofte bliver undervurderet. Variabler, løkker og funktioner kan de fleste få på plads på egen hånd. At kunne stå på mål for kode, andre er afhængige af i drift, kræver erfaring, der ikke kan komprimeres til et weekendkursus.

Den vej, der virker bedst, er at arbejde med et rigtigt problem, man selv har. Et lille værktøj man bruger hver uge, lærer mere end tyve øvelsesopgaver. Næste skridt er at give det til en kollega og opdage alt det, der brækker, når det forlader ens egen maskine.

Af selvstudiematerialer er der få, der reelt er anerkendte. Den officielle tutorial på docs.python.org er startpunktet og holdes opdateret af Python Software Foundation. Automate the Boring Stuff with Python af Al Sweigart er standardbogen for kontorautomatisering og ligger frit tilgængelig online. Fluent Python af Luciano Ramalho er den bog, folk læser, når de skal fra at kunne skrive Python til at forstå sproget. Til daglig træning bruger mange Exercism eller Advent of Code.

Formelle veje i Danmark: datamatikeruddannelsen, ingeniør- og datalogiuddannelserne, akademi- og diplomfag i programmering på erhvervsakademierne, jobrettede kursusforløb for ledige og virksomhedstilpassede kurser fra private udbydere. Prisen og længden oplyses af den enkelte udbyder.

Certificeringer findes fra OpenEDG Python Institute, som udbyder sporet PCEP for begyndere, PCAP for viderekomne og PCPP for professionelle. De dokumenterer viden om sproget, ikke erfaring med at bygge og drifte noget. Danske arbejdsgivere spørger sjældent efter dem, men de kan give struktur til et selvstudium og et konkret mål at læse op til. Pris og betingelser fremgår af udstederens egen side.

De to ting, der oftest rykker mest, er svære at købe. Den ene er kodegennemgang fra en mere erfaren person, hver uge, på rigtig kode. Den anden er ansvaret for noget, der kører i drift. Når man selv bliver ringet op, fordi ens job fejlede om natten, lærer man fejlhåndtering, logning og tests på en måde, ingen bog kan levere.

AI-assistenter har ændret indlæringen. Man kommer hurtigere til kørende kode, men man kan også blive stående på et plateau, hvor man kan bede om kode uden at kunne bedømme den. Træningen består i at læse forslagene kritisk, køre dem, forstå hvorfor de virker, og kunne rette dem, når de ikke gør.

Spørg ikke om sproget. Spørg om noget, vedkommende har bygget. Bed om et konkret eksempel: hvilket problem løste det, hvilke valg blev truffet undervejs, hvad gik galt, og hvad ville de gøre anderledes i dag. Den, der har færdigheden, fortæller gerne om det, der ikke virkede. Vage svar uden detaljer er det tydeligste advarselstegn.

Et godt spørgsmål er: hvad sker der, hvis dit script fejler klokken tre om natten? Svar om logning, genforsøg, alarmering og om at kunne køre det samme job igen uden at lave rod i data, afslører driftserfaring. Svar om at man så opdager det næste morgen, afslører hobbyniveau.

Andre spørgsmål der virker: Hvordan styrer du pakker og miljøer, når en kollega skal køre det samme? Hvad tester du, og hvad tester du bevidst ikke? Hvornår ville du ikke bruge Python? Hvilket bibliotek kender du godt nok til at kunne fortælle om dets begrænsninger? Den sidste er stærk, fordi begrænsninger kun kendes af den, der er stødt ind i dem, for eksempel at pandas holder data i hukommelsen, eller at Python ikke uden videre udnytter flere kerner.

En kort, realistisk praktisk opgave siger mere end en tavleøvelse. Giv et rodet datasæt og en times tid, tillad opslag i dokumentation og brug af AI-hjælp, og se på to ting: er koden til at læse, og kan vedkommende forklare sine valg bagefter. Sådan arbejder folk også i virkeligheden.

Se efter offentlig kode, hvis den findes: et repository med læsbar historik, en README, tests. Fraværet af en portefølje beviser dog ingenting. Meget af den bedste Python-kode ligger bag lukkede døre hos tidligere arbejdsgivere.

Tegn på overvurderet niveau: vedkommende kan kun henvise til gennemførte kurser, taler i biblioteksnavne uden at kunne forklare hvad der sker, eller har kode, der kun kan køre på deres egen maskine. Ordet Python på et cv siger intet om niveau. Spørg i stedet, hvad det største vedkommende har bygget alene er, og hvem der vedligeholder det i dag.