Python Pandas: Die Bibliothek für Datenanalyse und -manipulation

Bei Python Pandas handelt es sich um eine Open-Source-Bibliothek, die speziell für die Analyse und Manipulation von Daten entwickelt wurde. Sie bietet Programmiererinnen und Programmierern Datenstrukturen und Funktionen, die den Umgang mit numerischen Tabellen und Zeitreihen erheblich vereinfachen.

Wozu wird Python Pandas eingesetzt?

Die Pandas-Bibliothek wird in verschiedenen Teilbereichen der Datenverarbeitung eingesetzt. Dank einer Vielzahl an passenden Funktionen kann ein breites Anwendungsspektrum mit Python Pandas abgedeckt werden:

• Explorative Datenanalyse (EDA): Python Pandas erleichtert die Untersuchung und das allgemeine Verständnis von Datensätzen. Mit Funktionen wie describe(), head() oder info() können Entwicklerinnen und Entwickler schnelle Einblicke in die Datensätze gewinnen und statistische Zusammenhänge erkennen.
• Datenbereinigung und -vorverarbeitung: Daten aus verschiedenen Quellen müssen oft bereinigt und in ein konsistentes Format gebracht werden, bevor sie analysiert werden können. Auch hier bietet Pandas eine Vielzahl von Funktionen, um Daten zu filtern oder zu transformieren.
• Datenmanipulation und -transformation: Die Hauptaufgabe von Pandas ist die Manipulation, Analyse und Transformation von Datensätzen. Funktionen wie merge() oder groupby() ermöglichen komplexe Datenoperationen.
• Datenvisualisierung: Ein weiteres praktisches Anwendungsfeld ergibt sich in Kombination mit Bibliotheken wie Matplotlib oder Seaborn. Auf diese Weise können Pandas-Dataframes direkt in aussagekräftige Diagramme umgewandelt oder geplottet werden.

Vorteile von Python Pandas

Python Pandas bietet zahlreiche Vorteile, die es zu einem unverzichtbaren Werkzeug für Datenanalysten und -analystinnen sowie Forschende machen. Die intuitive und leicht verständliche API sorgt für hohe Benutzerfreundlichkeit. Da die zentralen Datenstrukturen von Python Pandas – DataFrame und Series – Tabellenkalkulationen ähneln, ist der Einstieg ebenfalls nicht allzu schwierig.

Ein weiterer zentraler Vorteil von Python Pandas ist die Leistungsfähigkeit. Obwohl Python im Allgemeinen als eher langsame Programmiersprache gilt, kann Pandas selbst große Datensätze effizient verarbeiten. Das liegt daran, dass die Bibliothek in C geschrieben ist und optimierte Algorithmen nutzt.

Da Python Pandas eine Vielzahl verschiedener Datenformate, einschließlich CSV, Excel und SQL-Datenbanken, unterstützt und Daten somit aus verschiedenen Quellen importiert und exportiert werden können, bietet die Bibliothek eine beeindruckende Flexibilität. Auch die Integration mit bestehenden Bibliotheken im Python-Ökosystem wie NumPy oder Matplotlib erhöht die Flexibilität und ermöglicht eine umfassende Datenanalyse und -modellierung.

Die Pandas-Syntax am praktischen Beispiel

Um die grundlegende Syntax von Pandas zu veranschaulichen, betrachten wir ein einfaches Beispiel. Angenommen, wir haben einen CSV-Datensatz, der Informationen über Verkäufe enthält. Wir werden diesen Datensatz laden, untersuchen und einige grundlegende Datenmanipulationen durchführen. Der Datensatz ist wie folgt aufgebaut:

Date,Product,Quantity,Price
2024-01-01,Product A,10,20.00
2024-01-02,Product B,5,30.00
2024-01-03,Product C,7,25.00
2024-01-04,Product A,3,20.00
2024-01-05,Product B,6,30.00
2024-01-06,Product C,2,25.00
2024-01-07,Product A,8,20.00
2024-01-08,Product B,4,30.00
2024-01-09,Product C,10,25.00

Schritt 1: Importieren von Pandas und Laden des Datensatzes

Nachdem Python Pandas importiert wurde, kann man aus den CSV-Daten mithilfe von read_csv() einen Dataframe erstellen.

import pandas as pd
df = pd.read_csv('sales_data.csv')

Schritt 2: Untersuchung des Datensatzes

Einen ersten Überblick über die Daten erhält man, indem man sich die ersten Zeilen und eine statistische Zusammenfassung des Datensatzes anzeigen lässt. Hierfür werden die Funktionen head() und describe() genutzt. Letztere gibt eine Übersicht über wichtige statische Kennziffern wie den Minimal- und Maximalwert, die Standardabweichung oder den Mittelwert aus.

# Anzeigen der ersten fünf Zeilen des Dataframes
print(df.head())
# Anzeigen einer statistischen Zusammenfassung
print(df.describe())

Schritt 3: Datenmanipulation

Auch Datenmanipulation funktioniert mit Python Pandas. Im folgenden Codeschnipsel sollen die Verkaufsdaten nach Produkt und Monat aggregiert werden:

# Umwandeln der „Date“-Spalte in ein Datetime-Objekt, damit die Datumsangaben als solche erkannt werden
df['Date'] = pd.to_datetime(df['Date'])
# Extrahieren des Monats aus der „Date“-Spalte und Speicherung in einer neuen Spalte namens „Month“
df['Month'] = df['Date'].dt.month
# Berechnen der Einnahmen (Quantity * Price) und Sicherung in Spalte namens „Revenue“
df['Revenue'] = df['Quantity'] * df['Price']
# Aggregieren der Verkaufsdaten nach Produkt und Monat
sales_summary = df.groupby(['Product', 'Month'])['Revenue'].sum().reset_index()
# Anzeigen der aggregierten Daten
print(sales_summary)

Schritt 4: Datenvisualisierung

Zum Schluss kann man die monatlichen Verkaufszahlen eines Produkts mithilfe der zusätzlichen Python-Bibliothek Matplotlib visualisieren.

import matplotlib.pyplot as plt
# Filtern der Daten für ein bestimmtes Produkt
product_sales = sales_summary[sales_summary['Product'] == 'Product A']
# Erstellen eines Liniendiagramms
plt.plot(product_sales['Month'], product_sales['Revenue'], marker='o')
plt.xlabel('Monat')
plt.gca().set_xticks(product_sales['Month'])
plt.ylabel('Einnahmen')
plt.title('Monatliche Einnahmen für Produkt A')
plt.grid(True)
plt.show()

Das visualisierte Diagramm zeigt, dass im ersten Monat des Jahres 940 Euro mit Produkt A eingenommen wurden. Es sieht wie folgt aus: