A Python Pandas Introduction to Excel Users
Zusammenfassung
Kurz
Der vollständige Bericht erklärt Excel-Nutzenden die Pandas-Grundlagen: DataFrames, Series, Indizes, Datentypen und fehlende Werte. An Beispielen zeigt der Autor, wie DataFrames aus CSV-Dateien, Arrays beziehungsweise Listen oder Dictionaries entstehen, und nennt als Vorteile von Python unter anderem Automatisierung und die Verarbeitung großer Datenmengen. Pivot-Tabellen und Visualisierungen werden angekündigt, aber im Text nicht weiter ausgeführt.
Mittel
Der vollständige Bericht führt Excel-Nutzende in Pandas ein und vergleicht DataFrames mit Tabellenblättern. Der Autor beschreibt Pandas als Werkzeug für Datenbereinigung, Umformung, Visualisierung und Analyse. Als Vorteile gegenüber Excel nennt er die Verarbeitung sehr großer Datenmengen, den Umgang mit komplexen Berechnungen, umfangreichere Automatisierungsmöglichkeiten und plattformübergreifend gleichbleibenden Python-Code. Die genannten Leistungsgrenzen und Vergleiche werden im Artikel behauptet, aber nicht systematisch geprüft.
Erklärt werden Series als eindimensionale und DataFrames als zweidimensionale Datenstrukturen. DataFrames enthalten Zeilen und Spalten; Spalten stehen für Merkmale, Zeilen für Beobachtungen. Der Index beginnt standardmäßig bei null, fehlende Werte erscheinen als NaN. Der Autor empfiehlt, pro Spalte denselben Datentyp zu verwenden.
An Beispielen zeigt der Text drei Erstellungswege: CSV-Dateien mit `read_csv()` einlesen, Listen oder NumPy-Arrays an `pd.DataFrame()` übergeben und Daten über ein Dictionary mit Spaltennamen als Schlüsseln organisieren. Zur Installation nennt er `pip install pandas`. Pivot-Tabellen und Visualisierungen werden zwar angekündigt, im Haupttext aber nicht erläutert; dafür verweist der Autor auf ein Video.
Ausführlich lesen
Der vollständige Bericht ist eine Einführung von Frank Andrade in Pandas für Menschen, die mit Excel arbeiten. Er stellt Pandas als Python-Werkzeug für Datenbereinigung, Umformung, Visualisierung und Analyse vor und vergleicht seine Grundbegriffe und Arbeitsweisen mit Tabellenkalkulationen. Der Autor empfiehlt, vor dem Einstieg zumindest Python-Grundlagen zu kennen.
Als Gründe, Pandas zu lernen, nennt der Bericht mehrere Vorteile gegenüber Excel. Excel könne laut Autor ungefähr eine Million Zeilen verarbeiten, während Python auch mit Millionen von Zeilen umgehen könne; die praktische Grenze hänge dabei von der Rechenleistung ab. Außerdem seien komplexe, speicherintensive Berechnungen in Python weniger anfällig dafür, eine Arbeitsmappe zum Absturz zu bringen. Python biete zudem mehr Möglichkeiten zur Automatisierung als Makros und VBA, und Python-Code verhalte sich unabhängig vom Betriebssystem und der Spracheinstellung gleich. Das sind die im Artikel angeführten Vergleiche; eine unabhängige Prüfung oder ein systematischer Leistungsvergleich wird nicht beschrieben.
Der Artikel erläutert Pandas’ zwei zentrale Datenstrukturen: Eine Series ist eindimensional, ein DataFrame zweidimensional. Ein DataFrame wird mit einer Excel-Tabelle verglichen und besteht aus Zeilen und Spalten. Spalten können als Merkmale, Zeilen als Beobachtungen verstanden werden; der Index steht standardmäßig links und beginnt bei null. Einzelne Zellen enthalten Werte verschiedener möglicher Datentypen. Der Autor rät, innerhalb einer Spalte denselben Datentyp beizubehalten, da gemischte Typen Probleme verursachen könnten. Fehlende Werte werden in Pandas typischerweise als NaN dargestellt.
Anschließend zeigt der Bericht drei Wege, einen DataFrame zu erstellen. Erstens kann man eine CSV-Datei mit `pandas.read_csv()` einlesen; der Text verwendet dafür eine GDP-Datei. Zweitens lassen sich Daten aus einem NumPy-Array oder direkt aus verschachtelten Python-Listen übernehmen. Mit `pd.DataFrame()` können dabei Zeilenindex und Spaltennamen festgelegt werden. Drittens kann ein Dictionary verwendet werden: Schlüssel bilden die Spaltennamen, die zugehörigen Listen liefern die Werte. Ein Beispiel erstellt so eine Tabelle mit US-Bundesstaaten und Bevölkerungszahlen.
Zum Vorgehen gehört, Pandas zunächst zu installieren; genannt werden `pip install pandas` im Terminal sowie eine Variante für Jupyter. Obwohl Inhaltsübersicht und Einführung Pivot-Tabellen und Visualisierungen ankündigen, führt der vorliegende Haupttext deren Erstellung nicht aus. Er verweist dafür auf ein Video. Der Bericht ist als vollständiger Artikel gekennzeichnet, bietet aber eine grundlegende Einführung statt eines umfassenden Vergleichs oder einer vertieften Analyse.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Liste der Sammel- und Teilfragen ist leer, daher wurde keine Einordnung vorgenommen. Die Zusammenfassungen selbst enthalten keine erfundenen Angaben; die Auslassungen betreffen Randpunkte bzw. den Excel-Vergleich in der Kurzfassung.
Im Bericht, aber nicht in der Zusammenfassung
- Die Kurzfassung lässt den Kernvergleich aus, dass ein DataFrame dem Excel-Tabellenblatt entspricht und Pandas als „aufgerüstetes Excel“ beschrieben wird.
- Die Kurzfassung nennt den Vorteil der plattform- und sprachunabhängig gleichbleibenden Python-Ausführung nicht.
- Die Angabe, Excel verarbeite rund eine Million Zeilen, fehlt in beiden Fassungen.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.