2. Datenstrukturen
|
DataFrame 2D-Tabelle (wie eine Excel-Tabelle)
|
|
Series 1D-Array (eine Spalte oder Zeile)
|
3. Daten einlesen
|
CSV-Datei einlesen df = pd.read_csv('datei.csv')
|
|
Excel-Datei einlesen df = pd.read_excel('datei.xlsx')
|
|
JSON-Datei einlesen df = pd.read_json('datei.json')
|
|
Aus einer Liste erstellen df = pd.DataFrame([['Alice', 25], ['Bob', 30]], columns=['Name', 'Alter'])
|
4. Daten anzeigen
|
Erste 5 Zeilen anzeigen df.head()
|
|
Letzte 5 Zeilen anzeigen df.tail()
|
|
Zufällige Zeilen anzeigen df.sample(3)
|
|
Informationen über den DataFrame (Spalten, Datentypen, etc.) df.info()
|
|
Beschreibende Statistiken (nur numerische Spalten) df.describe()
|
|
|
5. Daten auswählen
|
Eine Spalte auswählen (als Series) df['Spaltenname']
|
|
Mehrere Spalten auswählen df[['Spalte1', 'Spalte2']]
|
|
Zeilen nach Index auswählen df.iloc[0] # Erste Zeile
df.iloc[0:5] # Zeilen 0 bis 4
|
|
Zeilen nach Bedingung filtern df[df['Alter'] > 30]
|
|
Werte in einer Spalte filtern df[df['Spalte'].isin(['Wert1', 'Wert2'])]
|
6. Daten bearbeiten
|
Neue Spalte hinzufügen df['NeueSpalte'] = df['Spalte1'] + df['Spalte2']
|
|
Spalte umbenennen df.rename(columns={'Alter': 'Age'}, inplace=True)
|
|
Spalte löschen df.drop('Spaltenname', axis=1, inplace=True)
|
|
Zeilen löschen df.drop([0, 1], axis=0, inplace=True) # Löscht die ersten beiden Zeilen
|
|
Fehlende Werte behandeln df.dropna() # Zeilen mit fehlenden Werten löschen
df.fillna(0) # Fehlende Werte mit 0 ersetzen
|
7. Dateien sortieren
|
Nach einer Spalte sortieren df.sort_values('Spaltenname', ascending=False)
|
|
Nach mehreren Spalten sortieren df.sort_values(['Spalte1', 'Spalte2'], ascending=[True, False])
|
8. Gruppieren und aggregieren
|
Gruppieren und Aggregieren df.groupby('Spalte')['AndereSpalte'].mean()
|
|
Mehrere Aggregationen df.groupby('Spalte').agg({'Spalte1': 'sum', 'Spalte2': 'mean'})
|
|
|
9. Daten speichern
|
Als CSV speichern df.to_csv('neue_datei.csv', index=False)
|
|
Als Excel speichern df.to_excel('neue_datei.xlsx', index=False)
|
|
Als JSON speichern df.to_json('neue_datei.json')
|
10. Nützliche Funktionen
|
Duplikate entfernen df.drop_duplicates()
|
|
Spalten in einen bestimmten Datentyp umwandeln df['Spalte'] = df['Spalte'].astype(int)
|
|
Zeilen- und Spaltenanzahl df.shape
|
|
Eindeutige Werte in einer Spalte df['Spalte'].unique()
|
|
Anzahl der eindeutigen Werte df['Spalte'].nunique()
|
11. Daten kombinieren
|
Vertikal kombinieren (Zeilen hinzufügen) pd.concat([df1, df2], axis=0)
|
|
Horizontal kombinieren (Spalten hinzufügen) pd.concat([df1, df2], axis=1)
|
|
Merge (SQL-ähnlicher Join) pd.merge(df1, df2, on='GemeinsameSpalte', how='inner')
|
12. Zeitreihen
|
Spalte in Datum umwandeln df['Datum'] = pd.to_datetime(df['Datum'])
|
|
Nach Datum filtern df[df['Datum'] > '2023-01-01']
|
|
Zeitreihen-Gruppierung df.set_index('Datum').resample('M').mean() # Monatliche Mittelwerte
|
|
