🐼 Arbeiten mit DataFrames – Filtern, Berechnen, Erweitern

🐼 Arbeiten mit DataFrames – Filtern, Berechnen, Erweitern#

🔄 Wiederholung: Was ist ein DataFrame?#

Ein DataFrame ist eine Tabelle mit Zeilen (Index) und Spalten (Labels). Man kann damit sehr einfach rechnen, filtern, kombinieren und analysieren – so wie mit Excel, nur programmierbar und effizient.

import pandas as pd

daten = {
    "Name": ["Anna", "Ben", "Clara", "David", "Ella"],
    "Alter": [22, 23, 21, 24, 20],
    "Stadt": ["Berlin", "Hamburg", "München", "Berlin", "Köln"],
    "Note": [1.7, 2.3, 1.3, None, 2.0]
}

df = pd.DataFrame(daten)

🔍 Daten filtern (Bedingungen)#

🔸 Nur Personen mit Alter > 21#

df[df["Alter"] > 21]

🔸 Mehrere Bedingungen (mit &, |)#

df[(df["Alter"] > 21) & (df["Stadt"] == "Berlin")]

🔸 Nur bestimmte Werte (isin())#

df[df["Stadt"].isin(["Berlin", "Köln"])]

➕ Neue Spalten berechnen#

df["Geburtsjahr"] = 2024 - df["Alter"]

📊 Sortieren#

Nach einer Spalte:

df.sort_values("Alter")

Nach mehreren Spalten:

df.sort_values(["Stadt", "Note"])

Absteigend:

df.sort_values("Note", ascending=False)

🚫 Fehlende Werte (NaN) erkennen und behandeln#

Fehlenden Werten erkennen:

df.isnull()         # True/False für jede Zelle
df["Note"].isnull() # nur für eine Spalte
df.isnull().sum()   # Anzahl pro Spalte
df[df["Note"].isnull()] # Zeilen, wo Note NaN ist

Fehlende Werte ersetzen:

df["Note"].fillna(0)

Oder mit dem Durchschnitt:

df["Note"].fillna(df["Note"].mean())

Zeilen mit fehlenden Werten löschen:

df.dropna()

➗ 5. Arithmetische Operationen auf Spalten#

df["Note"] * 2
df["Alter"] + 1

➡️ Funktioniert automatisch elementweise auf jede Zeile

🧬 Datentypen in Pandas und Umwandlung (astype, to_numeric)#

Jede Spalte in einem DataFrame hat einen Datentyp – z. B. int64, float64, object (für Strings).

📌 Datentypen anzeigen:#

print(df.dtypes)

🔄 Umwandlung in numerische Typen#

Variante 1: astype()

df["Alter"] = df["Alter"].astype(int)
df["Größe"] = df["Größe"].astype(float)

Variante 2: pd.to_numeric() (sicherer bei Fehlern)

df["Alter"] = pd.to_numeric(df["Alter"], errors="coerce")

→ Falls Umwandlung fehlschlägt: NaN wird gesetzt statt Fehler

✅ Zusammenfassung

Technik

Beispiel

Filtern

df[df[“Alter”] > 21]

Neue Spalte

df[“x”] = df[“y”] + 1

Sortieren

df.sort_values(“Spalte”)

Fehlende Werte ersetzen

fillna()

Logik & Bedingungen

&, `

🔧 Übung: Berechne BMI und entferne unvollständige Zeilen#

In einem Fitnessstudio wurde von verschiedenen Teilnehmer eines Kurses die Größe und das Gewicht abgefragt. Da die Angaben freiwillig waren haben nicht alle immer auch geantwortet. Berechnen Sie BMI für alle Teilnehmer, die vollständig geantwortet haben

\[ BMI = Gewicht / Größe² \]

sowie durchschnittlichen BMI aller Teilnehmer.

📄 Beispiel-DataFrame:#

import pandas as pd 

df = pd.DataFrame({
    "Name": ["Anna", "Ben", "Clara", "David"],
    "Größe_m": [1.70, 1.82, None, 1.76],
    "Gewicht_kg": [65, 85, 59, None]
})

✅ Lösung:#

💡 Lösung anzeigen

df = df.dropna()
df["BMI"] = df["Gewicht_kg"] / (df["Größe_m"] ** 2)
print(df[["Name", "BMI"]])
Contents