[pre-commit.ci] auto fixes from pre-commit.com hooks

for more information, see https://pre-commit.ci

Author: pre-commit-ci[bot]

docs/data-processing/apis/fastapi/example.rst

@@ -16,7 +16,6 @@ Erstellt die Datei :file:`main.py` mit diesem Inhalt:
 
     from fastapi import FastAPI
 
-
     app = FastAPI()
 
 
@@ -81,7 +80,6 @@ zu erhalten:
 
     from fastapi import FastAPI
 
-
     app = FastAPI()
 
 

docs/data-processing/apis/grpc/accounts_server.py

@@ -3,7 +3,6 @@
 # SPDX-License-Identifier: BSD-3-Clause
 
 import logging
-
 from concurrent import futures
 
 import accounts_pb2 as accounts_messages

docs/data-processing/apis/grpc/tests/test_accounts.py

@@ -6,7 +6,6 @@
 
 import grpc
 import pytest
-
 from accounts_pb2 import CreateAccountRequest, GetAccountsRequest
 
 

docs/data-processing/postgresql/sqlalchemy.rst

@@ -44,7 +44,6 @@ Datenbankverbindung
 
     from sqlalchemy import create_engine
 
-
     engine = create_engine("postgresql:///example", echo=True)
 
 Datenmodell
@@ -56,7 +55,6 @@ Datenmodell
     from sqlalchemy.ext.declarative import declarative_base
     from sqlalchemy.orm import relationship
 
-
     Base = declarative_base()
 
 

docs/data-processing/serialisation-formats/toml/index.rst

@@ -66,7 +66,6 @@ Beispiel
 
     import toml
 
-
     config = toml.load("pyproject.toml")
 
 .. seealso::

docs/performance/ds_kmeans.py

@@ -3,7 +3,6 @@
 # SPDX-License-Identifier: BSD-3-Clause
 
 import numpy as np
-
 from dask import array as da
 from dask import dataframe as dd
 

docs/performance/index.rst

@@ -58,7 +58,6 @@ Beispieldaten können wir uns erstellen mit:
 
     from sklearn.datasets import make_blobs
 
-
     points, labels_true = make_blobs(
         n_samples=1000, centers=3, random_state=0, cluster_std=0.60
     )
@@ -136,7 +135,6 @@ k-Means-Algorithmus gibt es sogar gleich zwei Implementierungen:
 
      from sklearn.cluster import KMeans
 
-
      KMeans(10).fit_predict(points)
 
 * `dask_ml.cluster.KMeans
@@ -146,7 +144,6 @@ k-Means-Algorithmus gibt es sogar gleich zwei Implementierungen:
 
      from dask_ml.cluster import KMeans
 
-
      KMeans(10).fit(points).predict(points)
 
 Gegen diese bestehenden Lösungen könnte bestenfalls sprechen, dass sie einen

docs/performance/sp_kmeans.py

@@ -4,7 +4,6 @@
 
 import numpy as np
 import pandas as pd
-
 from scipy.spatial import cKDTree