{"id":163395,"date":"2026-01-28T11:24:55","date_gmt":"2026-01-28T10:24:55","guid":{"rendered":"https:\/\/liora.io\/de\/?p=163395"},"modified":"2026-02-25T09:45:22","modified_gmt":"2026-02-25T08:45:22","slug":"dataframe","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/dataframe","title":{"rendered":"Was ist ein Data Frame?"},"content":{"rendered":"

Data Frame: Panda ist aus den Bibliotheken von Python nicht mehr wegzudenken. Es handelt sich um eine objektorientierte, sehr leistungsf\u00e4hige Programmiersprache, die bei Data Scientists sehr beliebt ist. Die am h\u00e4ufigsten verwendeten Strukturen dieser Programmbibliothek sind Series und DataFrames. Bei Series handelt es sich um Objekte, die eindimensionalen Arrays entsprechen. Bei DataFrames hingegen entsprechen die Objekte zweidimensionalen Arrays, die aus Zeilen und Spalten bestehen, wodurch die Beziehungen zwischen den verschiedenen Variablen des Datensatzes hervorgehoben werden k\u00f6nnen. <\/strong><\/p>\n

Ein Data Frame ist eine Reihe von Pandas Series<\/a>, die durch einen Wert indiziert sind. In diesem Artikel werden wir dann die Struktur von DataFrames vorstellen, ihre verschiedenen Attribute und grundlegenden Methoden betrachten, indem wir ihre N\u00fctzlichkeit und ihre Funktionsweise erl\u00e4utern.<\/p><\/blockquote>\n

1) Wie sieht ein Data Frame aus ?<\/h2>\n

Das Format von DataFrame kann mit Python-W\u00f6rterb\u00fcchern verglichen werden. Tats\u00e4chlich sind die Schl\u00fcssel die Spaltennamen und die Werte die Serien.<\/p>\n

Die Struktur von DataFrame ist einer Excel-Tabelle \u00e4hnlich.<\/p>\n

Jede Zeile enth\u00e4lt Daten, die f\u00fcr verschiedene Spalten spezifisch sind. Diese Spalten sind die Variablen. Der Name der Zeilen eines DataFrames hei\u00dft \u201eIndex\u201c, der standardm\u00e4\u00dfig immer mit 0 beginnt.<\/p><\/blockquote>\n

Es ist jedoch m\u00f6glich, die Zeilen eines DataFrames nach jedem m\u00f6glichen Wert zu indizieren: Kundenkennung oder Zeiteinheit. Die Namen der Spalten sind mit dem Namen einer bestimmten Variablen gekennzeichnet, der verschiedene Werte zugewiesen werden.<\/p>\n

Die Werte dieser Variablen k\u00f6nnen viele Datenformate annehmen. Jede Spalte ist einem Datentyp zugeordnet, beispielsweise einer Zeichenfolge (Objekt), die sich auf qualitative Daten bezieht, oder einer Spalte mit einem ganzzahligen Typ, der ganzen Zahlen entspricht.<\/p>\n

Es ist m\u00f6glich, den Typ der Variablen mit der Methode astype()<\/b> nach Bedarf zu \u00e4ndern.<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
Data Frame<\/figcaption><\/figure>\n

2) Wichtige Attribute und Methoden<\/h2>\n

Es gibt viele M\u00f6glichkeiten, DataFrames zu verwenden. Die Attribute und Methoden dieser Daten-Struktur sind sehr zahlreich. Dieser Artikel konzentriert sich haupts\u00e4chlich auf die grundlegenden Methoden zum Erlernen des Umgangs mit DataFrames.<\/p>\n

A- Import und Beobachtung des Datensatzes<\/h3>\n

Import und Information von Variablen<\/h5>\n

Um einen Datensatz zu importieren, bietet die Pandas-Bibliothek eine sehr praktische Methode, n\u00e4mlich pd.read_csv()<\/b>. Wenn die Datei, die den Datensatz enth\u00e4lt, in einem anderen Format als Comma Separated Value<\/i> vorliegt, muss der richtige Dateityp gew\u00e4hlt werden.<\/p>\n

Beispielsweise wird eine Excel-Datei wie folgt importiert: pd.read_excel()<\/b>.<\/p>\n

Diese Methode importiert das Dataset in eine DataFrame-Struktur.<\/p>\n

Dann muss die Methode info()<\/b> verwendet werden, um die Informationen \u00fcber den DataFrame zu erhalten. Diese Methode gibt den Variablentyp, die Anzahl der Spalten, die Anzahl der Nicht-Null-Zeilen, den Indextyp, die Speichergr\u00f6\u00dfe des Datensatzes usw. zur\u00fcck.<\/p>\n

Es wird auch empfohlen, die Methode describe() <\/b>zu verwenden, die Dir einige beschreibende Statistiken \u00fcber den DataFrame mitteilt.<\/p>\n

Es erm\u00f6glicht beispielsweise, den Mindest- und H\u00f6chstwert jeder Variablen, die Quartile oder die Standardabweichung der Spalten zu kennen.<\/p>\n

Diese Methode ist n\u00fctzlich, um sich ein Bild von der Verteilung von Variablen zu machen.<\/p>\n

?Auch interessant:<\/p>\n\n\n<\/colgroup>\n\n\n\n\n\n\n
Xplenty: Die wichtigsten Punkte dieses Datenintegrationssystems <\/a><\/td>\n<\/tr>\n
Was ist Technologiebeobachtung? Definition und Herausforderungen<\/a><\/td>\n<\/tr>\n
Aurora GenAI: Der neue Supercomputer mit einer Billion Parametern von Intel <\/a><\/td>\n<\/tr>\n
Computational Resource: Definition, Funktionsweise und Rolle <\/a><\/td>\n<\/tr>\n
Cloudera: Wie kann man sich auf dieser Plattform weiterbilden?<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
Erster Blick auf den DataFrame<\/h5>\n

Wenn der Datensatz importiert wird, ist es notwendig, einen \u00dcberblick \u00fcber den DataFrame zu haben.<\/p>\n

Der erste Schritt besteht darin, das Attribut shape<\/b> zu verwenden, das Dich \u00fcber die Dimension des DataFrame informiert, indem es ein Tupel zur\u00fcckgibt (number_of_rows, number_of_columns<\/i>).<\/p>\n

In Bezug auf das Verst\u00e4ndnis des Datensatzes sind drei Methoden sehr n\u00fctzlich, um die Zeilen des DataFrame zu visualisieren:<\/p>\n