Python in Excel für die DatenanalysePivot-Analysen und komplexe Auswertungen mit Pandas

Warum Pivot-Analysen wichtig sind

Pivot-Tabellen gehören zu den wichtigsten Werkzeugen in Excel. Typische Fragestellungen sind:

• Umsatz nach Land und Produkt
• Verkaufsmenge nach Stadt und Vertriebskanal
• Vergleich mehrerer Dimensionen gleichzeitig

Hier kommen Pivot-Analysen ins Spiel. Mit Pandas können Sie solche Auswertungen ebenfalls erstellen – oft sogar schneller und flexibler als in Excel.

Datensatz laden und vorbereiten

Die folgende Abbildung zeigt die Daten, die mit Pivot-Analysen ausgewertet werden sollen.

Die Daten liegen als intelligente Tabelle vor. Der Name der Tabelle ist Umsatzdaten. Mit den folgenden Python-Code können Sie die intelligente Tabelle in Python importieren:

import pandas as pd
umsatz = xl("Umsatzdaten_Filter[#Alle]", headers=True)
umsatz

Hinweis zur xl()-Funktion in Pandas

xl() ist eine spezielle Funktion von Python in Excel (Microsoft 365). Sie liest eine Excel-Tabelle direkt als DataFrame ein – das Äquivalent zu pd.read_excel(), aber noch enger in Excel integriert.

Falls Sie Pandas außerhalb von Excel nutzen, ersetzen Sie xl(…) einfach durch pd.read_excel("IhreDatei.xlsx", sheet_name="NameTabellenblatt").

Was ist eine Pivot-Analyse?

Eine Pivot-Tabelle besteht aus drei Elementen, die in Pandas direkt als Parameter angesprochen werden:

• Zeilen: index
• Spalten: columns
• Werte: values
• Zusammenfassen mit: aggfunc

Mit Pivot-Analysen fassen Sie Daten zusammen und vergleichen Kennzahlen (Werte).

Erste Pivot-Analyse erstellen

Zunächst wollen Sie eine einfache Pivot-Tabelle erstellen und damit den Umsatz nach Land und Produkt darstellen und auswerten. Der entsprechende Python-Code lautet:

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc="sum"
)

Ergebnis: Damit sehen Sie sofort, welches Produkt in welchem Land stark ist und welche Unterschiede zwischen Regionen bestehen.

Tipp: Bei kategorialen Daten (zum Beispiel Produkt, Land) kann Pandas unnötige Kombinationen erzeugen. Mit observed=True vermeiden Sie leere Kombinationen und verbessern die Performance:

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc="sum",
    observed=True
)

Hinweis: pd.pivot() ist nur zum Umformen (reshape) ohne Aggregation – es funktioniert nur, wenn jede Kombination aus Index und Spalten genau einmal vorkommt. Für echte Analysen (wie in Excel Pivot-Tabellen) brauchen Sie immer pd.pivot_table().

Mehrere Kennzahlen in Pivot-Tabellen

Sie können auch mehrere Kennzahlen gleichzeitig berechnen und in der Pivot-Tabelle ausgeben. Zum Beispiel mit:

pd.pivot_table(
    umsatz,
   values=["Umsatz","Verkaufsmenge"],
    index="Land",
    columns="Produkt",
    aggfunc="sum"
)

Ergebnis: Umsatz und Verkaufsmenge für jedes Produkt und Land – eine typische Business-Auswertung.

Entsprechend können auch mehrere Aggregationen (Kennzahlen) in der Pivot-Tabelle dargestellt werden. Das folgende Beispiel gibt für den Umsatz die Summe und den Mittelwert (Durchschnitt) pro Land und pro Produkt aus.

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc=["sum", "mean"]
)

Pivot-Tabellen mit mehreren Ebenen

Die Pivot-Tabellen können in Pandas auch erweitert werden, indem mehrere Merkmale kombiniert werden. Sie führen mehrdimensionale Analysen (Hierarchien) durch, indem Sie beispielsweise zwei Merkmale als index definieren:

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index=["Land", "Stadt"],
    columns="Produkt",
    aggfunc="sum"
)

Die Analyse-Struktur folgt der Logik: Land → Stadt → Produkt.

Gesamtsummen hinzufügen (Margins)

Mit dem folgenden Python-Code ergänzen Sie in Ihrer Pivot-Tabelle eine Spalte und eine Zeile mit der jeweiligen Gesamtsumme (Ergebnisspalte und Ergebniszeile):

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc="sum",
    margins=True,
    margins_name="Gesamt"
)

Sie ergänzen dazu den Parameter margins=True und legen die Bezeichnung der Ergebnisspalte fest. Im Beispiel margins_Name="Gesamt".

Fehlende Werte in Pivot-Tabellen

Wenn im Datensatz einzelne Werte fehlen, kann es zu Lücken oder Fehleranzeigen in der Pivot-Tabelle kommen. Das vermeiden Sie mit der Angabe fill_value=0.

pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc="sum",
    fill_value=0
)

Hinweis: fill_value=0 ersetzt nur Kombinationen ohne Daten. Echte NaN-Werte im Ursprungsdatensatz sollten vorher bereinigt werden.

Pivot-Tabelle sortieren

Schließlich können Sie die Darstellung in Pivot-Tabellen auch sortieren. Beispielsweise können Sie die Umsatzwerte nach den Ergebnissen für Produkt C mit diesem Python-Code sortieren:

pivot = pd.pivot_table(
    umsatz,
    values="Umsatz",
    index="Land",
    columns="Produkt",
    aggfunc="sum"
)
pivot.sort_values(by="C", ascending=False)

Weitere Varianten sind:

Nach der Gesamtsumme aller Produkte sortieren:

pivot.sort_values(by=pivot.sum(axis=1).name, ascending=False)

Eigene Summe berechnen und sortieren:

pivot.loc[pivot.sum(axis=1).sort_values(ascending=False).index]

Fazit

Pivot-Analysen gehören zu den mächtigsten Werkzeugen der Datenanalyse. Mit Pandas in Excel können Sie komplexe Analysen automatisieren, mehrere Kennzahlen flexibel kombinieren und professionelle Business-Reports erstellen.

Mit pd.pivot_table in Python kombinieren Sie die vertraute Pivot-Logik von Excel mit der Programmier-Power von Python – automatisiert, reproduzierbar und skalierbar.