bash
uv add pandas openpyxl
python
import pandas as pd
df = pd.read_csv('verkaeufe.csv', sep=';') # oder pd.read_excel('datei.xlsx')
df['umsatz'] = df['menge'] * df['preis'] # neue Spalte aus bestehenden
gross = df[df['umsatz'] > 20] # Zeilen filtern
pro_kunde = df.groupby('kunde')['umsatz'].sum() # gruppieren und summieren
print(pro_kunde.sort_values(ascending=False))
df.to_excel('auswertung.xlsx', index=False) # schreiben
df.to_csv('auswertung.csv', index=False, sep=';')
| Funktion | Wichtigste Parameter |
|---|---|
pd.read_csv(pfad, sep=',', encoding=None, dtype=None, parse_dates=None, usecols=None) |
sep Trenner, dtype Spaltentypen, parse_dates Datumsspalten, usecols nur bestimmte Spalten |
pd.read_excel(pfad, sheet_name=0, header=0) |
sheet_name Blattname oder Nummer |
df.head(n), df.info(), df.describe() |
Schneller Überblick |
df.sort_values(by, ascending=True) |
Sortieren |
df.groupby(spalte)[spalte2].sum() |
Gruppieren und aggregieren (sum, mean, count, max) |
df.to_csv(pfad, index=False, sep=','), df.to_excel(pfad, index=False) |
Schreiben. index=False lässt die Zeilennummern weg |
df.to_dict('records') |
Zurück zu einer Liste von Dictionaries |
Abwägung: pandas zieht numpy mit (insgesamt einige hundert MB Plattenplatz und deutlich mehr Speicherbedarf beim Start). Für einfaches Einlesen, Filtern, Summieren und Schreiben genügen csv und openpyxl mit etwas mehr eigenem Code. Starte schlank und nimm pandas erst, wenn Auswertungen zu aufwendig werden.