Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com12. September 2021 · Q010382

5 Common Excel Tasks Simplified with Python

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Frank Andrade zeigt fünf Wege, Excel-Aufgaben mit Python und Pandas zu automatisieren: Dateien zusammenführen, CSV-Dateien umbenennen, Werte in einer Spalte ergänzen, Duplikate und fehlende Werte behandeln sowie Daten sortieren. Die Beispiele setzen Grundkenntnisse zum Excel-Import und -Export mit Pandas voraus und werden nicht durch Leistungsmessungen oder systematische Tests ergänzt.

Mittel

Frank Andrade stellt fünf typische Excel-Aufgaben vor, die sich seiner Ansicht nach mit Python und Pandas bei vielen Dateien erleichtern lassen. Seine Beispiele gehen davon aus, dass die Dateien im selben Ordner wie das Skript liegen und Leser Excel-Dateien bereits mit Pandas einlesen und speichern können.

Die Aufgaben sind: mehrere Excel-Tabellen mit `pd.concat()` zusammenführen; CSV-Dateien mit Datum im Namen umbenennen und ihre Endung ändern; einer Spalte mit Telefonnummern den Ländercode `44` voranstellen; doppelte Einträge und fehlende Werte entfernen oder auffüllen; sowie Tabellen nach ausgewählten Spalten sortieren. Dafür verwendet der Beitrag Pandas-Funktionen wie `drop_duplicates()`, `dropna()`, `fillna()` und `sort_values()` sowie Standardbibliotheken zur Dateiverwaltung und Datumsformatierung.

Der Artikel bietet kurze Codebeispiele und erklärt deren Grundidee. Er nennt jedoch keine Testergebnisse oder Leistungswerte. Die Beispiele zeigen daher konkrete Ansätze für die beschriebenen Fälle, belegen aber nicht deren Verhalten bei abweichenden Dateistrukturen oder Sonderfällen.

Ausführlich lesen

Der Beitrag von Frank Andrade zeigt fünf wiederkehrende Excel-Aufgaben, die sich seiner Darstellung nach mit Python und Pandas bei vielen Dateien vereinfachen lassen. Ausgangspunkt ist seine Erfahrung, dass manuelle Arbeit mit einzelnen Tabellen bei Hunderten Dateien mühsam und zeitaufwendig werde. Der Artikel ist als praktische Einführung mit Beispielcode angelegt: Die Beispieldateien liegen im selben Ordner wie das Python-Skript; Pandas muss installiert sein, während `os` und `datetime` zur Python-Standardbibliothek gehören. Der Autor setzt voraus, dass Leserinnen und Leser Excel-Dateien bereits mit Pandas einlesen und exportieren können.

Erstens beschreibt Andrade, wie sich mehrere `.xlsx`-Dateien im aktuellen Ordner mit `os.listdir()` finden, mit Pandas einlesen, in einer Liste sammeln und per `pd.concat()` zeilenweise zusammenführen lassen. Das Ergebnis wird als neue Excel-Datei gespeichert. Für CSV-Dateien verweist er auf `read_csv()` und `to_csv()`.

Zweitens zeigt er das Umbenennen und Ändern der Endung mehrerer CSV-Dateien. Das Beispiel ermittelt das aktuelle Datum, formatiert es als Jahr-Monat-Tag und fügt es dem Dateinamen voran. Anschließend benennt `os.rename()` die Dateien um und ändert `.csv` zu `.txt`.

Drittens überträgt der Beitrag eine einfache Textbearbeitung aus Excel auf Pandas: Für jede Excel-Datei wird die Spalte `Number` als Text behandelt, und eine `apply`-Funktion mit Lambda-Ausdruck setzt den Ländercode `44` vor jeden Wert. Die bearbeiteten Tabellen werden unter neuen Dateinamen gespeichert.

Viertens erläutert Andrade Datenbereinigung mit Pandas: `drop_duplicates()` entfernt doppelte Zeilen insgesamt oder, mit `subset`, anhand einer bestimmten Spalte. `dropna()` kann Zeilen mit fehlenden Werten in einer angegebenen Spalte entfernen. Alternativ lassen sich fehlende Werte mit `fillna(0)` durch null ersetzen oder mit Vorwärts- beziehungsweise Rückwärtsauffüllung ergänzen.

Fünftens behandelt er das Sortieren eines DataFrames mit `sort_values()`, wobei Sortierspalten und aufsteigende oder absteigende Reihenfolge festgelegt werden können. `inplace=True` speichert die Änderung direkt im bestehenden DataFrame.

Als Ergebnis liefert der Artikel fünf Codebeispiele und kurze Erläuterungen zu deren Zweck. Er berichtet jedoch keine Messwerte, systematischen Tests oder Vergleiche mit Excel. Die Beispiele sind daher als einfache Muster für die beschriebenen Aufgaben zu verstehen; der Beitrag belegt nicht, wie sie sich bei beliebigen Dateistrukturen oder Sonderfällen verhalten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen (kurz und mittel) wurden gemeinsam bewertet, da das Schema nur eine Zusammenfassung vorsieht. Sie geben die fünf Aufgaben, die Pandas-Funktionen und den Hinweis auf fehlende Tests korrekt wieder. Es wurden keine Fragen zur Einordnung angegeben, deshalb ist die Einordnung leer.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Installation von Pandas per pip wird nicht erwähnt.
  • Die Beispieldaten (zwei Excel-Dateien von GitHub) werden nicht erwähnt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →