lecture anchors updated

src/Allgemeines/lecture.md

@@ -451,9 +451,8 @@ Ungleich
 2 != 3
 ```
 
-
+(logisch)=
 #### Logische Verknüpfungen
-<a id="logisch"></a>
 - `and`: logische Konjunktion
 - `or`: logische Disjunktion
 - `not`: logische Negation

src/Container/lecture.md

@@ -12,8 +12,8 @@ kernelspec:
 
 # Container
 
+(listen)=
 ## Listen
-<a id="listen"></a>
 Listen sind geordnete Sammlungen von beliebigen Objekten.
 
 ```{code-block}
@@ -68,8 +68,8 @@ Negative Indizes zählen von rechts:
 a[-1]
 ```
 
+(slicing)=
 ### Teil-Listen (Slices)
-<a id="slicing"></a>
 ```{code-block}
 liste[start:stop]
 ```
@@ -277,8 +277,9 @@ a
 
 `b` ist ein neuer Name für **dasselbe Objekt**, das `a` referenziert. Wird dieses z.B. über `b.append` verändert, so ändert sich auch `a`.
 
+
+(tupel)=
 ## Tupel
-<a id="tupel"></a>
 ```{code-block}
 (a, b, c, ...)
 ```
@@ -307,8 +308,8 @@ a = (10)
 a
 ```
 
+(multiple_assignment)=
 ### Multiple Assignment
-<a id="multiple_assignment"></a>
 *Hinweis*: Das hat Ähnlichkeit mit dem pattern matching aus der Linux-Vorlesung.
 
 Tupel werden vor allem für *Struktur* benutzt. Über Multiple Assignment können die einzelnen Elemente eines Tupels oder einer Liste direkt mehreren Variablen zugewiesen werden.
@@ -323,8 +324,9 @@ first
 
 Das ist insbesondere interessant für Funktionen, die so mehr als einen Rückgabewert haben können.
 
+
+(dictionaries)=
 ## Dictionaries (Wörterbücher)
-<a id="dictionaries"></a>
 ```{code-block}
 {key1: value1, key2: value2, ...}
 ```

src/Funktionen/lecture.md

@@ -9,12 +9,12 @@ kernelspec:
   name: python3
 ---
 
+(funktionen)=
 # Funktionen
 
 Die meisten nicht-trivialen Programme haben Code-Teile, die mehrfach genutzt werden sollen. Es bietet sich an, diese in selbst-definierte Funktionen auszulagern. Außerdem erhöhen Funktionen mit klar definiertem Verhalten, Argumenten und Rückgabewerten die Verständlichkeit des Programms.
 
 Funktionen werden mit dem zusammengesetzten Befehl `def` definiert:
-<a id="funktionen"></a>
 ```{code-block}
 def funktionsname(argument1, argument2, ...):
     befehl1

src/Gleichungen/lecture.md

@@ -69,8 +69,8 @@ mit der *left hand side (lhs)* und der *right hand side (rhs)*. Der default der
 sy.Eq(x**2, 2)
 ```
 
+(sympy_gleichungen)=
 ## Lösen von Gleichungen
-<a id="sympy_gleichungen"></a>
 Die Hauptfunktion für  das Lösen von Gleichungen ist `sy.solveset()`.
 
 ```{code-block}

src/Iteratoren_Generatoren/lecture.md

@@ -77,8 +77,8 @@ list(range(3, 13, 3))
 
 Zusätzlich zu den in Python existierenden Iteratoren kann man auch auf flexible Weise eigene erzeugen. Die einfachste Möglichkeit dazu sind **Generatoren**.
 
+(generatoren)=
 ## Generatoren
-<a id="generatoren"></a>
 Generatoren sind Funktionen, die den **`yield`**-Befehl verwenden.
 
 ```{code-block}

src/Itertools/lecture.md

@@ -9,8 +9,8 @@ kernelspec:
   name: python3
 ---
 
+(itertools)=
 # Itertools
-<a id="itertools"></a>
 Das Modul `itertools` enthält eine Reihe von Hilfsfunktionen zum Arbeiten mit Iteratoren.
 
 #### `count`

src/Kontrollstrukturen/lecture.md

@@ -11,8 +11,9 @@ kernelspec:
 
 # Kontrollstrukturen
 
+
+(ifelse)=
 ## Konditionale
-<a id="ifelse"></a>
 ```{code-block}
 if Bedingung:
     Befehle
@@ -73,8 +74,8 @@ Teilweise haben auch andere Typen Wahrheitswerte in diesem Kontext. Als Faustreg
 
 Schleifen dienen dazu, eine Reihe von Befehlen mehrfach auszuführen, wobei die Anzahl der Wiederholungen selbst programmatisch geregelt werden kann.
 
+(for)=
 ### `for`
-<a id="for"></a>
 ```{code-block}
 for Schleifenvariable in Iterierbare:
     Befehle
@@ -173,8 +174,8 @@ def calculate_sum(numbers):
 calculate_sum([-1, -4, 3, 8])
 ```
 
+(while)=
 ### `while`
-<a id="while"></a>
 ```{code-block}
 while Bedingung:
     Befehle

src/Lineare_Algebra/lecture.md

@@ -16,9 +16,8 @@ import numpy as np
 import numpy.linalg as npl
 import scipy.linalg as spl
 ```
-
+(@)=
 ## Matrix- und Vektor-Produkte
-<a id="@"></a>
 ```{code-block}
 numpy.dot(array1, array2)
 array1.dot(array2)

src/Mengen/lecture.md

@@ -17,8 +17,8 @@ Unter einer *Menge* verstehen wir jede Zusammenfassung $M$ von bestimmten wohlun
 - **Enthalten**: Es gilt für alle $x \in M$ auch $x \in N$ ($M \subset N$).
 - **Gleichheit**: Es gilt $M\subset N$ und $N \subset M$ ($M=N$).
 
+(mengen)=
 #### Definition
-<a id="mengen"></a>
 Die Definition einer beschränkten Menge kann durch
 
 ```{code-block}

src/Module_Laden/lecture.md

@@ -13,8 +13,8 @@ kernelspec:
 
 Module sind Sammlungen von Funktionen, Klassen und Konstanten und sind der Hauptmechanismus, über den in Python zusätzliche Funktionalität bereitgestellt wird.
 
+(module)=
 ## Module laden
-<a id="module"></a>
 ```{code-block}
 import modulname [as name]
 ```

src/Numerische_Differentation_Integration/lecture.md

@@ -238,7 +238,7 @@ def curve(N=20):
 
 hv.DynamicMap(curve, kdims=['N']).redim.range(N=(3, 20))
 ```
-
+(integrate)=
 ## Integration mit Scipy
 
 **Scpipy** ist eine auf Numpy aufbauende Bibliothek, die eine große Sammlung von Funktionen für wissenschaftliche Anwendungen enthält.
@@ -252,7 +252,6 @@ scipy.integrate.quad(f, a, b, args=())
 `args` sind zusätzliche Arguemnte, die an `f` übergeben werden.
 
 Der Rückgabewert ist ein Tupel `(result, error_bound)`.
-<a id="integrate"></a>
 ```{code-cell}
 from scipy.integrate import quad
 

src/Numpy/lecture.md

@@ -25,8 +25,8 @@ Arrays sind -- grob gesagt -- zusammenhängende Blöcke im Arbeitsspeicher, die
 
 Konzeptionell sind Arrays ein- oder mehrdimensionale rechteckige (oder n-dimensionale Varianten davon) Anordnungen von Zahlen.
 
+(arrays)=
 #### Erzeugen von Arrays aus Listen
-<a id="arrays"></a>
 ```{code-block}
 np.array(liste)
 ```
@@ -166,9 +166,9 @@ np.diag(np.array([3, 1, 4, 1]), 1)
 ```{code-cell}
 np.diag(np.array([3, 1, 4, 1]), -2)
 ```
-
+(np_indizierung)=
 ## Indizierung und Slices
-<a id="np_indizierung"></a>
+
 Indizierung funktioniert ähnlich wie für Listen:
 
 ```{code-block}
@@ -212,8 +212,8 @@ a[:3] = np.array([-1, -2, -3])
 a
 ```
 
+(stacking)=
 ## Stacking und Splitting
-<a id="stacking"></a>
 Arrays können entlang einer Achse zusammengesetzt werden:
 
 - Zusammensetzen entlang einer neuen Achse. Alle Arrays müssen die gleiche `shape` haben:
@@ -408,8 +408,8 @@ Es können auch nur einige der Dimensionen vertauscht werden, indem die neue Rei
 a.transpose((0, 2, 1)).shape
 ```
 
+(np_elementar)=
 ## Elementare Operationen
-<a id="np_elementar"></a>
 Die meisten Operationen werden elementweise durchgeführt. Man nennt die Funktionen, die das tun, auch *universal functions* (ufunc).
 
 ```{code-cell}

src/Objektorientierung/lecture.md

@@ -36,8 +36,9 @@ print('z.conjugate() = ', z.conjugate())
 
 `real`, `imag` und `conjugate` nennt man **Attribute** von `z`. Attribute eines Objekts sind alles, was sich über `<objekt>.<attribut-name>` referenzieren lässt. Allgemein werden Attribute immer zuerst in der Instanz gesucht, danach in der Klasse.
 
+(klasse)=
 ## Definition eigener Klassen
-<a id="klasse"></a>
+
 ```{code-block}
 class Klassenname:
     Definitionen
@@ -147,8 +148,9 @@ print(A)
 A
 ```
 
+(operationen)=
 ### Binäre Operatoren
-<a id="operationen"></a>
+
 - `__add__` implementiert Addition.
 - `__sub__` implementiert Subtraktion.
 - `__mul__` implementiert Multiplikation.

src/Pandas/lecture.md

@@ -25,9 +25,9 @@ import pandas as pd
 import holoviews as hv
 hv.extension('bokeh')
 ```
-
+(laden_speichern)=
 ## Daten einlesen und speichern mit Pandas
-<a id="laden_speichern"></a>
+
 Pandas stellt Funktionen bereit, um Daten aus beispielsweise CSV-(Comma
 Separated Values)-artigen  Dateien zu lesen und zu schreiben. Die Funktionalität
 von Pandas CSV-Leser ist sehr hoch. Er speichert die Daten in Pandas
@@ -183,9 +183,9 @@ Sortieren (geht sowohl mit den Spalten als auch mit dem Index):
 ```{code-cell}
 temperatureframe.sort_values('time').head()
 ```
-
+(pandas_zugriff)=
 ### Zugriff und Slicing
-<a id="pandas_zugriff"></a>
+
 funktioniert analog zu numpy-arrays mit den Spalten und Index-Namen.
 Eine Spalte eines Dataframes ist ein `Series` Objekt.
 
@@ -332,9 +332,9 @@ Das Ergebnis der Gruppierung können wir dann plotten als Temperatur über Koord
 ```{code-cell}
 hv.HeatMap(year_average, kdims=['longitude', 'latitude'], vdims = ['tem']).options(height=500,width=800)
 ```
-
+(merge)=
 ## Mehrere Tabellen zusammenführen
-<a id="merge"></a>
+
 Wir können mit Pandas wie mit einer relationalen Datenbank arbeiten.
 Hier schauen wir uns das Verbinden von zwei Tabellen an.
 Dafür besorgen wir uns zunächst zwei passende Tabellen/Daten: