Zu jedem Zeitpunkt hat die Technologie zwei Auswirkungen auf die Beschäftigung: Sie ersetzt traditionelle Arbeitsplätze und schafft neue Arbeitsfelder. Maschinen ersetzen Landwirte, ermöglichen aber beispielsweise die Existenz von Luftfahrtingenieuren. Wenn additionally die Technologie neue Arbeitsplätze schafft, wer bekommt sie dann? Wie intestine bezahlen sie? Wie lange bleiben neue Arbeitsplätze neu, bevor sie zu einer weiteren alltäglichen Aufgabe werden, die jeder Arbeitnehmer erledigen kann?

Eine neue Studie zur Beschäftigung in den USA unter der Leitung des MIT-Arbeitsökonomen David Autor beleuchtet all diese Fragen. In den USA der Nachkriegszeit kamen, wie Autor und seine Kollegen detailliert zeigen, tendenziell Hochschulabsolventen unter 30 mehr als allen anderen neue Arbeitsformen zugute.

„Wir hatten noch nie genau gesehen, wer neue Arbeiten macht“, sagt Autor. „Es wird eher von jungen und gebildeten Menschen in städtischen Umgebungen durchgeführt.“

Die Studie enthält auch eine aussagekräftige umfassende Erkenntnis: Viele innovationsbasierte neue Arbeiten werden von der Nachfrage bestimmt. Der von der Regierung unterstützte Ausbau von Forschung und Fertigung in den 1940er Jahren als Reaktion auf den Zweiten Weltkrieg führte zu einer enormen Menge neuer Arbeiten und neuen Formen von Fachwissen.

„Das bedeutet, dass wir überall dort, wo wir neue Investitionen tätigen, am Ende auch neue Spezialisierungen bekommen“, sagt Autor. „Wenn man eine groß angelegte Aktivität ins Leben ruft, gibt es immer die Möglichkeit, neues Fachwissen zu erwerben, das für diese related ist. Wir fanden das spannend zu sehen.“

Das Papier: „Was New Work von Extra Work unterscheidet?“ ist demnächst in der Jahresrückblick auf die Wirtschaftswissenschaften. Die Autoren sind Autor; Caroline Chin, Doktorandin am Division of Economics des MIT; Anna M. Salomons, Professorin am Division of Economics der Universität Tilburg und an der College of Economics der Universität Utrecht; und Bryan Seegmiller PhD ’22, Assistenzprofessor an der Kellogg College of Administration der Northwestern College.

Und ja, das Lernen über neue Arbeit und die Artwork von Arbeitnehmern, die sie erhalten, könnte für die Verbreitung künstlicher Intelligenz related sein – obwohl es nach Einschätzung von Autor noch zu früh ist, um zu sagen, wie sich KI auf den Arbeitsplatz auswirken wird.

„Die Leute sind wirklich besorgt, dass die KI-basierte Automatisierung bestimmte Aufgaben schneller untergraben wird“, stellt Autor fest. „Aufgaben zu streichen ist nicht dasselbe wie Arbeitsplätze zu streichen, da viele Jobs mit vielen Aufgaben verbunden sind. Aber wir alle sagen: Woher soll die neue Arbeit kommen? Sie ist so wichtig, und wir wissen wenig darüber. Wir wissen nicht, was sie sein wird, wie sie aussehen wird und wer in der Lage sein wird, sie zu erledigen.“

„Wenn jeder ein Experte ist, dann ist niemand ein Experte“

Die vier Co-Autoren arbeiteten auch an einer früheren großen Studie über neue Arbeiten mit, die 2024 veröffentlicht wurde und ergab, dass etwa sechs von zehn Arbeitsplätzen in den USA von 1940 bis 2018 in neuen Fachgebieten angesiedelt waren, die sich erst seit 1940 umfassend entwickelt hatten. Die neue Studie erweitert diese Forschungsrichtung, indem sie genauer untersucht, wer die neuen Arbeitsbereiche besetzt.

Zu diesem Zweck verwendeten die Forscher Daten des US Census Bureau von 1940 bis 1950 sowie die Daten des American Neighborhood Survey (ACS) des Census Bureau von 2011 bis 2023. Da die Aufzeichnungen des Census Bureau nach etwa 70 Jahren vollständig öffentlich werden, konnten die Wissenschaftler im ersten Fall Daten auf individueller Ebene über Berufe, Gehälter und mehr untersuchen und dieselben Arbeitnehmer verfolgen, die zwischen 1940 und 1940 ihren Arbeitsplatz wechselten Zählungen der Volkszählung 1950.

Durch eine Forschungskooperation mit dem US Census Bureau erhielten die Autoren außerdem sicheren Zugriff auf ACS-Datensätze auf Personenebene. Diese Daten ermöglichten es ihnen, das Einkommen, die Ausbildung und andere demografische Merkmale von Arbeitnehmern in neuen Berufsfeldern zu analysieren – und sie mit Arbeitnehmern in langjährigen Berufszweigen zu vergleichen.

Neue Arbeiten sind, so stellt Autor fest, immer mit neuen Formen von Fachwissen verbunden. Diese Experience ist zunächst rar; Mit der Zeit kann es häufiger vorkommen. Ohnehin ist Fachwissen häufig mit neuen Technologien verknüpft.

„Es erfordert die Beherrschung einiger Fähigkeiten“, sagt Autor. „Was Arbeit wertvoll macht, ist nicht nur die Fähigkeit, etwas zu tun, sondern auch Fachwissen. Und das unterscheidet oft hochbezahlte Arbeit von schlecht bezahlter Arbeit.“ Darüber hinaus fügt er hinzu: „Es muss knapp sein. Wenn jeder ein Experte ist, dann ist niemand ein Experte.“

Durch die Untersuchung der Volkszählungsdaten stellten die Wissenschaftler fest, dass im Jahr 1950 etwa 7 Prozent der Arbeitnehmer in Berufen beschäftigt waren, die seit 1930 entstanden sind. In jüngerer Zeit waren etwa 18 Prozent der Arbeitnehmer im Zeitraum 2011–2023 in Berufen tätig, die seit 1970 eingeführt wurden. (Das entspricht ungefähr dem gleichen Anteil an neuen Arbeitsplätzen professional Jahrzehnt, obwohl Autor dies nicht für einen eindeutigen Pattern hält.)

In diesen Zeiträumen sind neue Arbeitsplätze häufiger in städtischen Gebieten entstanden, wobei Menschen unter 30 Jahren mehr davon profitieren als jede andere Altersgruppe. Die Aufnahme eines Arbeitsplatzes in einer Branche mit neuen Arbeitsplätzen scheint eine nachhaltige Wirkung zu haben: Bei Personen, die 1940 in neuen Arbeitsplätzen beschäftigt waren, warfare die Wahrscheinlichkeit, dass sie 1950 in neuen Arbeitsplätzen beschäftigt waren, im Vergleich zur Gesamtbevölkerung 2,5-mal höher. Bei Hochschulabsolventen warfare die Wahrscheinlichkeit, dass sie sich einer neuen Tätigkeit widmeten, um 2,9 Prozentpunkte höher als bei Hochschulabsolventen.

Neue Arbeitsformen haben auch einen Lohnaufschlag, d. h. insgesamt bessere Gehälter als bei bereits bestehenden Arbeitsformen. Doch wie die Studie zeigt, nimmt auch dieser Lohnaufschlag mit der Zeit ab, da die besondere Fachkompetenz in vielen Formen der neuen Arbeit viel umfassender verstanden wird.

„Der Knappheitswert erodiert“, sagt Autor. „Es wird allgemein bekannt. Es selbst wird automatisiert. Neue Arbeit wird alt.“

Schließlich sei das Autofahren einst eine seltene Type der Fachkompetenz gewesen, betont Autor. Auch die Nutzung von Textverarbeitungsprogrammen wie WordPerfect oder Microsoft Phrase warfare bis weit in die 1990er Jahre möglich. Nach einiger Zeit wurde der Umgang mit Textverarbeitungswerkzeugen jedoch zum elementarsten Teil der Computernutzung.

Zurück zur KI für eine Minute

Die Untersuchung, wer neue Jobs bekommt, führte die Wissenschaftler zu bemerkenswerten Schlussfolgerungen darüber, wie neue Arbeit entsteht. Die Studie untersucht Daten auf Bezirksebene aus der Zeit des Zweiten Weltkriegs, als die Bundesregierung in den gesamten USA neue Produktionsanlagen in öffentlich-privaten Partnerschaften unterstützte. Sie zeigt, dass Bezirke mit neuen Fabriken mehr neue Arbeitsplätze hatten und dass 85 bis 90 Prozent der neuen Arbeitsplätze zwischen 1940 und 1950 technologiegetrieben waren.

In diesem Sinne gab es damals viele nachfrageorientierte Innovationen. Heutzutage konzentriert sich der öffentliche Diskurs über Innovation oft auf die Angebotsseite, nämlich die Innovatoren und Unternehmer, die versuchen, neue Produkte zu entwickeln. Doch die Studie zeigt, dass die Nachfrageseite die Innovationstätigkeit maßgeblich beeinflussen kann.

„Technologie ist nicht wie ‚Eureka!‘ wo es einfach passiert“, sagt Autor. „Innovation ist eine zielgerichtete Aktivität. Und Innovation ist kumulativ. Wenn man weit genug kommt, wird sie ihre eigene Dynamik entwickeln. Aber wenn nicht, wird sie nie dort ankommen.“

Womit wir wieder bei KI wären, dem Thema, das im Jahr 2026 so viele Menschen beschäftigt. Wird KI gute neue Arbeitsplätze schaffen oder wird sie Arbeit wegnehmen? Nun, es hängt wahrscheinlich davon ab, wie wir es umsetzen, denkt Autor. Denken Sie an den riesigen Gesundheitssektor, wo es viele Arten von technologiegetriebener neuer Arbeit geben könnte, wenn die Menschen daran interessiert sind, Arbeitsplätze zu schaffen.

„Es gibt verschiedene Möglichkeiten, KI im Gesundheitswesen einzusetzen“, sagt Autor. „Die eine besteht einfach darin, die Arbeit der Menschen zu automatisieren. Die andere besteht darin, es Menschen mit unterschiedlichem Fachwissen zu ermöglichen, unterschiedliche Aufgaben zu erledigen. Ich würde sagen, Letzteres ist gesellschaftlich vorteilhafter. Aber es ist nicht klar, wohin sich der Markt entwickeln wird.“

Andererseits könnte KI möglicherweise aufgrund einer staatlich gesteuerten Nachfrage in verschiedenen Formen auf eine Weise eingesetzt werden, die letztendlich die Produktivität im Gesundheitswesen steigert und dadurch neue Arbeitsplätze schafft.

„Mehr als die Hälfte der {Dollars} für die Gesundheitsversorgung in den USA sind öffentliche Gelder“, stellt Autor fest. „Wir haben dort einen großen Einfluss, wir können die Dinge in diese Richtung vorantreiben. Es gibt verschiedene Möglichkeiten, dies zu nutzen.“

Diese Forschung wurde teilweise von der Hewlett Basis, dem Google Know-how and Society Visiting Fellows Program, der NOMIS Basis, dem Schmidt Sciences AI2050 Fellowship, der Smith Richardson Basis, der James M. and Cathleen D. Stone Basis und dem Instituut Gak unterstützt.

Bei Pandas sind Sie wahrscheinlich auf diese klassische Verwirrung gestoßen: Sollten Sie verwenden loc oder iloc Daten extrahieren? Auf den ersten Blick sehen sie quick identisch aus. Beide werden verwendet, um Zeilen oder Spalten aus einem DataFrame zu segmentieren, zu filtern und abzurufen – doch ein kleiner Unterschied in ihrer Funktionsweise kann Ihre Ergebnisse völlig verändern (oder einen Fehler auslösen, der Ihnen den Kopf verdreht).

Ich erinnere mich an das erste Mal, als ich versuchte, eine Zeile mit auszuwählen df.loc(0) und fragte mich, warum es nicht funktionierte. Der Grund? Pandas „denkt“ nicht immer in Positionen – manchmal verwendet es Bezeichnungen. Da ist das loc vs iloc Unterscheidung kommt ins Spiel.

In diesem Artikel werde ich ein einfaches Miniprojekt anhand eines kleinen Datensatzes zur Schülerleistung durchgehen. Am Ende werden Sie nicht nur den Unterschied verstehen loc Und ilocsondern wissen auch genau, wann Sie sie in Ihrer eigenen Datenanalyse verwenden müssen.

Vorstellung des Datensatzes

Der Datensatz stammt von ChatGPT. Es enthält einige grundlegende Aufzeichnungen über die Prüfungsergebnisse der Schüler. Hier ist ein Schnappschuss unseres Datensatzes

import pandas as pd
df = pd.read_csv(‘student_scores.csv’)
df

Ausgabe:

Ich werde versuchen, einige Datenextraktionsaufgaben beispielsweise mit loc und iloc durchzuführen

• Extrahieren einer einzelnen Zeile aus dem DataFrame
• Einen einzelnen Wert extrahieren
• Mehrere Zeilen extrahieren
• Schneiden einer Reihe von Zeilen
• Extrahieren bestimmter Spalten und
  Boolesche Filterung

Lassen Sie mich zunächst kurz erklären, was loc und iloc in Pandas sind.

Was ist loc und iloc?

Loc Und iloc sind Datenextraktionstechniken in Pandas. Sie sind sehr hilfreich bei der Auswahl von Daten aus Datensätzen.

Loc verwendet Beschriftungen, um Datensätze aus einem DataFrame abzurufen, daher finde ich es einfacher zu verwenden. Iloc hingegen sind für eine genauere Recherche von Datensätzen hilfreich, denn iloc Wählt Daten basierend auf den ganzzahligen Positionen der Zeilen und Spalten aus, ähnlich wie Sie eine Python-Liste oder ein Python-Array indizieren würden.

Aber wenn Sie wie ich sind, fragen Sie sich vielleicht. Wenn die Lokalisierung aufgrund der Zeilenbeschriftungen eindeutig einfacher ist, Warum sollte man sich die Mühe machen, iloc zu verwenden? Warum sollten Sie sich die Mühe machen, Zeilenindizes herauszufinden, insbesondere wenn Sie mit großen Datensätzen arbeiten? Hier sind ein paar Gründe.

• Häufig verfügen Datensätze nicht über übersichtliche Zeilenindizes (z. B. 101, 102, …). Stattdessen haben Sie einen einfachen Index (0, 1, 2, …), oder Sie schreiben beim Abrufen von Datensätzen möglicherweise die Zeilenbeschriftung falsch. In diesem Fall ist die Verwendung von iloc besser geeignet. Später in diesem Artikel werden wir uns auch noch damit befassen.
• In manchen Szenarien, etwa bei der Vorverarbeitung durch maschinelles Lernen, spielen Beschriftungen keine große Rolle. Es geht Ihnen nur um eine Momentaufnahme der Daten. Zum Beispiel die ersten oder letzten drei Datensätze. iloc ist in diesem Szenario wirklich hilfreich. iloc Macht den Code kürzer und weniger anfällig, insbesondere wenn sich Beschriftungen ändern, was Ihr maschinelles Lernmodell beschädigen könnte
• Viele Datensätze haben doppelte Zeilenbeschriftungen. In diesem Fall, iloc Funktioniert immer, da Positionen eindeutig sind.
• Die Quintessenz ist, dass Sie loc verwenden sollten, wenn Ihr Datensatz klare, aussagekräftige Beschriftungen hat und Sie möchten, dass Ihr Code lesbar ist.
• Verwenden Sie iloc, wenn Sie eine positionsbasierte Steuerung benötigen oder wenn Beschriftungen fehlen oder unordentlich sind.

Nachdem ich nun alles geklärt habe, finden Sie hier die grundlegende Syntax für loc und iloc:

df.loc(rows, columns)
df.iloc(rows, columns)

Die Syntax ist ziemlich gleich. Versuchen wir mit dieser Syntax, einige Datensätze mithilfe von loc und iloc abzurufen.

Extrahieren einer einzelnen Zeile aus dem DataFrame

Um eine ordnungsgemäße Demonstration durchzuführen, ändern wir zunächst den Spaltenindex und machen ihn zu student_id. Derzeit führt Pandas eine automatische Indizierung durch:

# setting student_id as index
df.set_index('student_id', inplace=True)

Hier ist die Ausgabe:

Sieht besser aus. Versuchen wir nun, alle Datensätze von Bob abzurufen. So gehen Sie mit loc vor:

df.loc(102)

Hier gebe ich lediglich die Zeilenbezeichnung an. Dadurch sollten alle Datensätze von Bob abgerufen werden.

Hier ist die Ausgabe:

identify   Bob
math    58
english 64
science 70
Title: 102, dtype: object

Das Coole daran ist, dass ich einen Drilldown durchführen kann, ein bisschen wie eine Hierarchie. Versuchen wir zum Beispiel, bestimmte Informationen über Bob abzurufen, etwa seine Punktzahl in Mathematik.

df.loc(102, ‘math’)

Die Ausgabe wäre 58.

Versuchen wir es nun mit iloc. Wenn Sie mit Hear und Arrays vertraut sind, beginnt die Indizierung immer bei 0. Wenn ich additionally den ersten Datensatz im DataFrame abrufen möchte, muss ich den Index 0 angeben. In diesem Fall versuche ich Bob abzurufen, das ist die zweite Zeile in unserem DataFrame – in diesem Fall wäre der Index additionally 1.

df.iloc(1)

Wir würden die gleiche Ausgabe wie oben erhalten:

identify   Bob
math    58
english 64
science 70
Title: 102, dtype: object

Und wenn ich versuche, einen Drilldown durchzuführen und die Mathematiknote von Bob abzurufen. Unser Index wäre ebenfalls 1, vorausgesetzt, dass Mathematik in der zweiten Zeile steht

df.iloc(1, 1)

Die Ausgabe wäre 58.

Okay, ich kann diesen Artikel hier abschließen, aber loc und iloc bieten noch einige beeindruckendere Funktionen. Lassen Sie uns einige davon im Schnelldurchlauf durchgehen.

Mehrere Zeilen extrahieren (bestimmte Schüler)

Mit Pandas können Sie mehrere Zeilen mithilfe von loc und iloc abrufen. Ich werde eine Demonstration durchführen, indem ich die Aufzeichnungen mehrerer Schüler abrufe. In diesem Fall würden wir, anstatt einen einzelnen Wert in unserer loc/iloc-Methode zu speichern, eine Liste speichern. So können Sie das mit loc machen:

# Alice, Charlie and Edward's data
df.loc((101, 103, 105))

Hier ist die Ausgabe:

Und hier erfahren Sie, wie Sie das machen iloc:

df.iloc((0, 2, 4))

Wir würden die gleiche Ausgabe erhalten:

Ich hoffe, du hast den Dreh raus.

Schneiden Sie einen Zeilenbereich auf

Eine weitere hilfreiche Funktion, die Python Pandas bietet, ist die Möglichkeit, einen Bereich von Zeilen aufzuteilen. Hier können Sie Ihre Begin- und Endposition angeben. Hier ist die Syntax für das Loc/Iloc-Slicing:

df.loc(start_label:end_label)

In locAllerdings wäre die Endbezeichnung in der Ausgabe enthalten – ganz anders als beim standardmäßigen Python-Slicing.

Die Syntax ist dieselbe für ilocmit der Ausnahme, dass die Endbezeichnung von der Ausgabe ausgeschlossen würde (genau wie beim standardmäßigen Python-Slicing).

Gehen wir ein Beispiel durch:

Ich versuche, eine Reihe von Schülerakten abzurufen. Versuchen wir es mit loc:

df.loc(101:103)

Ausgabe:

Wie Sie oben sehen können, ist das Endlabel im Ergebnis enthalten. Versuchen wir es jetzt mit iloc. Wenn Sie sich erinnern, wäre der Index der ersten Zeile 0, was bedeuten würde, dass die dritte Zeile 2 wäre.

df.iloc(0:3)

Ausgabe:

Hier ist die dritte Reihe ausgeschlossen. Aber wenn Sie wie ich sind (jemand, der viel hinterfragt), fragen Sie sich vielleicht: Warum soll die letzte Zeile ausgeschlossen werden? In welchen Szenarien wäre das hilfreich? Was wäre, wenn ich Ihnen sagen würde, dass es Ihr Leben tatsächlich einfacher macht? Lassen Sie uns das ganz schnell klären.

Angenommen, Sie möchten Ihren DataFrame in Blöcken zu je 100 Zeilen verarbeiten.

Wenn das Schneiden inklusive wäre, müssten Sie einige umständliche Berechnungen durchführen, um eine Wiederholung der letzten Zeile zu vermeiden.

Aber da das Schneiden ausschließlich am Ende erfolgt, können Sie dies ganz einfach tun.

df.iloc(0:100) # first 100 rows
df.iloc(100:200) # subsequent 100 rows
df.iloc(200:300) # subsequent 100 rows

Hier gibt es keine Überlappungen und es gibt einheitliche Chunk-Größen. Ein weiterer Grund ist die Ähnlichkeit mit der Funktionsweise von Bereichen in Pandas. Wenn Sie einen Zeilenbereich abrufen möchten, beginnt dieser normalerweise ebenfalls bei 0 und schließt die letzte Zeile nicht ein. Die gleiche Logik beim iloc-Slicing ist wirklich hilfreich, insbesondere wenn Sie an Net-Scraping arbeiten oder eine Reihe von Zeilen durchlaufen.

Bestimmte Spalten (Subjekte) extrahieren

Gerne stelle ich Ihnen auch den Dickdarm vor : Zeichen. Dadurch können Sie alle Datensätze in Ihrem DataFrame mithilfe von loc abrufen. Ähnlich dem * in SQL. Das Coole daran ist, dass Sie eine Teilmenge von Spalten filtern und extrahieren können.

Normalerweise beginne ich hier. Ich verwende es, um mir einen Überblick über einen bestimmten Datensatz zu verschaffen. Von dort aus kann ich mit dem Filtern und Drilldown beginnen. Lassen Sie mich Ihnen zeigen, was ich meine.

Lassen Sie uns alle Datensätze abrufen:

df.loc(:)

Ausgabe:

Von hier aus kann ich bestimmte Spalten auf diese Weise extrahieren. Mit Lok:

df.loc(:, (‘math’, ‘science’))

Ausgabe:

Mit iloc:

df.iloc(:, (2, 4))

Die Ausgabe wäre die gleiche.

Ich liebe diese Funktion, weil sie so flexibel ist. Nehmen wir an, ich möchte die Mathematik- und Naturwissenschaftsergebnisse von Alice und Bob abrufen. Es wird ungefähr so ​​ablaufen. Ich kann einfach den Bereich der gewünschten Datensätze und Spalten angeben.

Mit loc:

df.loc(101:103, ('identify', 'math', 'science'))

Ausgabe:

Mit iloc:

df.iloc(0:3, (0, 1, 3))

Wir würden die gleiche Ausgabe erhalten.

Boolesche Filterung (Wer hat in Mathematik mehr als 80 Punkte erzielt?)

Die letzte Funktion, die ich mit Ihnen teilen möchte, ist die Boolesche Filterung. Dies ermöglicht eine flexiblere Extraktion. Nehmen wir an, ich möchte die Aufzeichnungen von Schülern abrufen, die in Mathematik über 80 Punkte erzielt haben. Normalerweise müssen Sie in SQL die Klauseln WHERE und HAVING verwenden. Python macht das so einfach.

# College students with Math > 80.
df.loc(df('math') > 80)

Ausgabe:

Sie können auch nach mehreren Bedingungen filtern, indem Sie die Operatoren AND(&), OR(|) und NOT(~) verwenden. Zum Beispiel:

# Math > 70 and Science > 80
df.loc((df(‘math’) > 70) & (df(‘science’) > 80))

Ausgabe:
PS: Ich habe einen Artikel über das Filtern mit Pandas geschrieben. Sie können es lesen Hier

Normalerweise verwenden Sie diese Funktion mit loc. Es kann etwas kompliziert werden ilocda es keine booleschen Bedingungen unterstützt. Um dies mit iloc zu tun, müssen Sie die boolesche Filterung wie folgt in eine Liste umwandeln:

# College students with Math > 80.
df.iloc(listing(df('math') > 80))

Um Kopfschmerzen zu vermeiden, machen Sie einfach mit loc.

Abschluss

Sie werden wahrscheinlich das verwenden loc Und iloc Methoden werden häufig verwendet, wenn Sie an einem Datensatz arbeiten. Daher ist es wichtig zu wissen, wie sie funktionieren, und die beiden zu unterscheiden. Ich finde es toll, wie einfach und flexibel es ist, mit diesen Methoden Datensätze zu extrahieren. Wenn Sie verwirrt sind, denken Sie daran, dass es bei loc nur um Beschriftungen geht, während es bei iloc um Positionen geht.

Ich hoffe, Sie fanden diesen Artikel hilfreich. Versuchen Sie, diese Beispiele auf Ihrem eigenen Datensatz auszuführen, um den Unterschied in der Aktion zu sehen.

Ich schreibe diese Artikel, um mein eigenes Verständnis technischer Konzepte zu testen und zu stärken – und um das, was ich lerne, mit anderen zu teilen, die möglicherweise auf dem gleichen Weg sind. Teilen Sie es gerne mit anderen. Lasst uns gemeinsam lernen und wachsen. Prost!

Sagen Sie uns gerne auf einer dieser Plattformen Hallo

Medium

LinkedIn

Twitter

YouTube