# Abstraktionsgrad (S)

Julia hat das Problem im Buy-Pfad mit High-Level-Funktionen aus `pandas` gelöst. Diese Funktionen kapseln komplexe Datenstrukturen und statistische Auswertungen – und ermöglichen dadurch eine sehr kompakte Implementierung.

Im Build-Pfad hat Julia viele Schritte selbst implementiert. Dort arbeitet sie eher „low-level“: einzelne Teilschritte werden explizit programmiert. Am Ende nutzt sie zusätzlich Standardbibliotheken wie `statistics`, die elementare statistische Funktionen bereitstellen.


```{admonition} Definition
:class: definition

High-Level-Funktionen beschreiben primär, was berechnet werden soll (z. B. „gib mir eine statistische Zusammenfassung“).
Low-Level-Funktionen legen fest, wie etwas berechnet wird (z. B. Schleifen, Zwischenspeicher, Einzelschritte).

Wichtig: Das ist kein Entweder-oder, sondern eher ein Kontinuum – viele Funktionen liegen „dazwischen“.
```

**Beispiele**

- **High-Level**: `DataFrame.describe()` liefert eine komplette statistische Analyse „in einem Aufruf“.
- **Zwischenstufe**: `statistics.median()` liefert eine einzelne Kenngröße – sie ist Baustein einer Analyse, aber nicht die ganze Analyse.
- **Low-Level**: eine eigene Median-/Quartilsberechnung per Sortieren/Indexieren/Schleifen legt die Rechenschritte selbst fest.



Julia muss erkennen, auf welchem Abstraktionsgrad sie gerade arbeitet: Verwendet sie Bausteine, die viel „für sie erledigen“, oder implementiert sie die einzelnen Schritte selbst?

In der Vorlesung und den Praktika sind Ihnen verschiedenen Python-Bibliotheken begegnet, die sich im Abstraktionsgrad und in ihrem Einsatzzweck unterscheiden. Die Grafik soll Sie dabei unterstützen, diese Bibliotheken einzuordnen und ihre Beziehungen zueinander zu verstehen.

```{figure} ../../figs/12-fallbeispiel/abstraction-degress.png
---
width: 900px
---
Abstraktionsgrad: High-Level beschreibt *was*, Low-Level beschreibt *wie*.
```


Die Grafik ordnet Bibliotheken nach Abstraktionsgrad (oben = „mehr erledigt für mich“, unten = „mehr Kontrolle, mehr Eigenarbeit“):

- Daten/Numerik: Julia nutzt im Buy-Pfad `pandas` (hoch). `pandas` baut intern auf `numpy` auf (niedriger). Für grundlegende Statistik nutzt Julia im Build-Pfad `statistics` (Standardbibliothek), das wiederum auf einfachen mathematischen Bausteinen (z. B. `math`) aufsetzt.
- Visualisierung: Für Plots nutzt Julia `matplotlib`. Für die Performance-Auswertung (Boxplot) verwendet sie zusätzlich `seaborn` als High-Level-Schicht, die auf `matplotlib` aufbaut.

```{admonition} Merksatz
:class: remark
Je höher der Abstraktionsgrad, desto schneller kommen Sie zu Ergebnissen – je niedriger, desto mehr bestimmen Sie das „Wie“.
```

```{admonition} Kurz zusammengefasst
:class: note

- High-Level-Funktionen beschreiben eher, was berechnet werden soll, und sparen Implementierungsarbeit.
- Low-Level-Code legt fest, wie gerechnet wird, und bringt mehr Kontrolle (z. B. welche Methode für Quantile verwendet wird), aber auch mehr Aufwand.
- Im Fallbeispiel nutzt Julia beide Ebenen: erst `pandas` (hoch), dann Eigenimplementierung und Standardbibliothek (niedriger).
```