MIT ANDEREN KOMPONENTEN VERGLEICHEN

Pandas Lesen von Excel-Alternativen (ohne Interop) | IronXL for Python

Curtis Chau
Curtis Chau
Aktualisiert: 28. Juni 2026

Excel-Dateien sind allgegenwärtig bei Aufgaben der Datenanalyse und -manipulation und bieten eine praktische Möglichkeit, tabellarische Daten zu speichern und zu organisieren. In Python stehen mehrere Bibliotheken zum Lesen von Excel-Dateien zur Verfügung, jede mit ihrem eigenen Funktionsumfang und ihren Fähigkeiten. Zwei prominente Optionen sind Pandas und IronXL, die beide effiziente Methoden zum Lesen von Excel-Dateien in Python bieten.

In diesem Artikel vergleichen wir die Funktionalität und Leistung von Pandas und IronXL beim Lesen von Excel-Dateien in Python.

Pandas – Open-Source-Bibliothek

Pandas ist eine leistungsstarke Open-Source-Bibliothek für Datenanalyse und -manipulation in Python. Sie führt die DataFrame-Datenstruktur ein, eine zweidimensionale, beschriftete Datenstruktur mit Spalten potenziell unterschiedlichen Typs. Pandas bietet eine breite Palette an Funktionen zur Datenmanipulation, einschließlich Lesen und Schreiben von Daten aus verschiedenen Quellen wie CSV-Dateien, SQL-Datenbanken und Excel-Dateien.

Einige wichtige Funktionen von Pandas sind:

DataFrame

Pandas führt die DataFrame-Datenstruktur ein, die im Wesentlichen eine zweidimensionale, beschriftete Datenstruktur mit Spalten potenziell unterschiedlichen Typs ist. Sie ähnelt einer Tabellenkalkulation oder einer SQL-Tabelle und erleichtert Operationen wie Filtern, Gruppieren und Aggregieren von tabellarischen Daten.

Datenmanipulation

Pandas bietet eine breite Palette an Funktionen zur Datenmanipulation, darunter das Zusammenführen, Umformen, Schneiden, Indizieren und Pivotieren von Daten. Diese Operationen ermöglichen es den Nutzern, Daten effizient zu bereinigen, zu transformieren und für Analysen oder Visualisierungen vorzubereiten.

Zeitreihen-Funktionalität

Pandas bietet robuste Unterstützung für die Arbeit mit Zeitreihendaten, einschließlich Tools für Datums-/Zeitindizierung und Resampling sowie praktische Methoden zum Umgang mit fehlenden Daten und Zeitzonenumrechnung.

Integration mit Bibliotheken

Pandas kann nahtlos mit verschiedenen Python-Bibliotheken zusammenarbeiten, die häufig in der Datenanalyse und wissenschaftlichen Berechnungen eingesetzt werden, darunter NumPy, Matplotlib und Scikit-learn. Diese Interoperabilität ermöglicht es den Nutzern, die Stärken verschiedener Bibliotheken innerhalb eines einzigen Analyse-Workflows zu nutzen.

Insgesamt ist Pandas ein leistungsstarkes Werkzeug für Datenmanipulation und -analyse in Python und wird in verschiedenen Bereichen wie Finanzen, Wirtschaft, Biologie und Sozialwissenschaften weit verbreitet eingesetzt.

IronXL – Die Python Excel-Bibliothek

IronXL ist eine speziell für die Arbeit mit Excel-Dateien entwickelte Python-Bibliothek. Sie bietet eine intuitive API zum Lesen, Schreiben und Bearbeiten von Excel-Dokumenten in Python. IronXL zielt darauf ab, Excel-Dateioperationen zu vereinfachen, indem es eine unkomplizierte Schnittstelle bereitstellt und die Notwendigkeit externer Abhängigkeiten wie Microsoft Excel oder Excel Interop eliminiert.

Einige wichtige Funktionen von IronXL sind unten aufgeführt:

Intuitive Python 3+ Excel-Dokumenten-API

IronXL bietet eine Python 3+ Excel-Dokumenten-API, die intuitiv und einfach zu bedienen ist und es Entwicklern ermöglicht, Excel-Tabellendateien nahtlos zu lesen, zu bearbeiten und zu erstellen.

Plattformübergreifende Unterstützung

Entwickelt für Python 3+ und kompatibel mit Windows, Mac, Linux und Cloud-Plattformen, gewährleistet IronXL Flexibilität in verschiedenen Bereitstellungsumgebungen.

Kein Bedarf an Microsoft Office oder Excel Interop

Entwickler können mit Excel-Dateien in Python arbeiten, ohne Microsoft Office zu installieren oder sich mit Excel Interop auseinanderzusetzen, was den Integrationsprozess vereinfacht und Abhängigkeiten minimiert.

Kompatibilität

Unterstützt Python 3.7+ auf verschiedenen Betriebssystemen, einschließlich Microsoft Windows, macOS, Linux, Docker, Azure und AWS. Kompatibel mit beliebten IDEs wie JetBrains PyCharm und anderen Python-IDEs.

Vielseitige Arbeitsmappen-Verwaltung

Erstellen, laden, speichern und exportieren Sie Tabellenkalkulationen in verschiedenen Formaten, darunter XLS, XLSX, XSLT, XLSM, CSV, TSV, JSON, HTML, Binary und Byte Array.

Leistungsstarke Arbeitsblattbearbeitung

Bearbeiten Sie Metadaten, setzen Sie Berechtigungen und Passwörter, erstellen und entfernen Sie Arbeitsblätter, manipulieren Sie das Layout von Blättern, verwalten Sie Bilder und vieles mehr.

Erweiterte Zellbereichsoperationen

Führen Sie verschiedene Operationen auf Zellbereichen durch, wie Sortieren, Trimmen, Löschen, Kopieren, Suchen und Ersetzen von Werten, Setzen von Hyperlinks sowie Zusammenführen und Aufheben der Zusammenführung von Zellen.

Flexible Zellformatierung

Passen Sie Zellstile an, einschließlich Schriftart, Größe, Rahmen, Ausrichtung und Hintergrundmuster, und wenden Sie bedingte Formatierungen an.

Mathematische Funktionen und Datenformate

Nutzen Sie mathematische Funktionen wie Durchschnitt, Summe, Minimum und Maximum und legen Sie Zellformate fest, darunter Text, Zahl, Formel, Datum, Währung, Wissenschaftlich, Zeit, Boolean und benutzerdefinierte Formate.

Erstellen eines Python-Projekts mit PyCharm

Zunächst muss Python auf Ihrem Rechner installiert sein. Installieren Sie die neueste Version von Python 3.x von der offiziellen Python-Website. Achten Sie bei der Installation darauf, die Option auszuwählen, Python zum System-PATH hinzuzufügen, damit Sie von der Befehlszeile darauf zugreifen können.

Um die Funktionalität von sowohl Pandas als auch IronXL beim Lesen von Excel-Dateien zu demonstrieren, erstellen wir ein Python-Projekt mit PyCharm, einer beliebten integrierten Entwicklungsumgebung (IDE) für Python.

  1. Öffnen Sie PyCharm und erstellen Sie ein neues Python-Projekt.

    Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 1 - Erstellen eines neuen PyCharm-Projekts

  2. Konfigurieren Sie das Projekt wie folgt:

    • Geben Sie dem Projekt einen Namen. In diesem Fall "pythonReadExcel"
    • Wählen Sie den gewünschten Speicherort für das Projekt
    • Wählen Sie den Interpreter-Typ: Project venv
    • Wählen Sie die Python-Version aus

    Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 2 - Konfigurieren des Projektnamens, Interpreter-Typs und der Python-Version

  3. Klicken Sie auf "Create", um das Projekt zu erstellen.

Installation von Pandas und IronXL mit pip

Installation von Pandas

Um Pandas in Ihrem Projekt zu installieren, gehen Sie wie folgt vor:

  1. Öffnen Sie die Eingabeaufforderung oder das Terminal: In PyCharm unter Ansicht->Tool-Fenster->Terminal.

    Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 3 - Öffnen des Terminals

  2. Installieren Sie Pandas über pip: Pandas kann mit dem Paketmanager pip installiert werden. Führen Sie den folgenden Befehl im Terminal aus:

    pip install pandas
    SHELL

    Dieser Befehl installiert die Pandas-Bibliothek und deren Abhängigkeiten aus dem Python Package Index (PyPI).

    Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 4 - Konsolenausgabe nach der Installation von Pandas

  3. Installieren Sie OpenPyXL über pip: OpenPyXL ist die Bibliothek, die beim Lesen und Schreiben von Excel-Dateien hilft. Sie ist eine der Abhängigkeiten, die von Pandas verwendet werden. Wenn Sie Pandas installieren, wird OpenPyXL automatisch installiert, falls es noch nicht vorhanden ist. Sollte es dennoch nicht installiert sein, können Sie es mit folgendem Befehl im Terminal installieren:

    pip install openpyxl
    SHELL

Installation von IronXL

Um IronXL in einem Python-Projekt zu installieren, gehen Sie wie folgt vor:

  1. Stellen Sie die Voraussetzungen sicher: Bevor Sie IronXL installieren, stellen Sie sicher, dass Sie die notwendigen Voraussetzungen auf Ihrem System installiert haben.

    .NET 6.0 SDK: IronXL basiert auf der IronXL .NET-Bibliothek, insbesondere .NET 6.0, als zugrunde liegende Technologie. Stellen Sie sicher, dass das .NET 6.0 SDK auf Ihrem Rechner installiert ist. Sie können es von der offiziellen .NET-Website herunterladen.

  2. Öffnen Sie die Eingabeaufforderung oder das Terminal: Wie zuvor beschrieben.

  3. Installieren Sie IronXL über pip: IronXL kann mit dem Paketmanager pip installiert werden. Führen Sie den folgenden Befehl aus:

    > pip install ironxl

    Dieser Befehl sammelt, lädt herunter und installiert die IronXL-Bibliothek und deren Abhängigkeiten aus dem Python Package Index (PyPI).

    Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 5 - Konsolenausgabe nach der Installation von IronXL

Excel-Dateien mit Pandas und IronXL lesen

Nachdem wir alles eingerichtet haben, fahren wir fort mit dem Lesen von Excel-Dateien mit beiden Bibliotheken. Die Demo-Excel-Datei, die wir lesen werden, enthält die folgenden Werte mit Kopfzeilen Name, Marks und Res:

Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Abbildung 6 - Beispiel-Excel-Tabelle

Verwendung von Pandas

Schritt 1

Importieren Sie die Pandas-Bibliothek und verwenden Sie die read_excel()-Funktion, um Spaltendaten aus der Excel-Datei zu lesen.

import pandas as pd

# Read the Excel file
df = pd.read_excel("file.xlsx")
Python

Bei der Verwendung der read_excel()-Funktion von Pandas können Sie verschiedene Optionen angeben, um die Anzeige nach Bedarf zu steuern:

  • header: Gibt an, welche Zeile in der Excel-Datei als Spaltennamen verwendet werden soll. Sie können None setzen, um anzugeben, dass keine Kopfzeile vorhanden ist, oder eine Ganzzahl angeben, die die Zeilennummer angibt. Wenn diese Option übersprungen wird, sind die Header standardmäßig auf True gesetzt und die erste Zeile wird als Kopfzeile angezeigt.
  • index_col: Gibt an, welche Spalte oder welche Spalten als Index des DataFrame verwendet werden sollen. Sie können einen einzelnen Spaltennamen oder Spaltenindex übergeben oder eine Liste von Spaltennamen oder Spaltenindizes, um einen MultiIndex zu erstellen.
  • sheet_name: Gibt das/die Arbeitsblatt/-blätter an, die aus der Excel-Datei gelesen werden sollen. Sie können den Blattnamen als Zeichenkette oder eine Ganzzahl angeben, die die nullbasierte Position des Blattes angibt.
  • usecols: Gibt an, welche Spalten aus der Excel-Datei gelesen werden sollen. Sie können entweder einen einzelnen Spaltennamen oder Spaltenindex übergeben oder eine Liste von Spaltennamen oder Spaltenindizes, um bestimmte Spalten zu lesen.
  • dtype: Gibt die Datentypen für Spalten an. Sie können ein Wörterbuch übergeben, bei dem die Schlüssel Spaltennamen oder Spaltenindizes und die Werte die gewünschten Datentypen sind.
  • converters: Gibt Funktionen an, die auf Spalten für benutzerdefiniertes Parsen angewendet werden. Sie können ein Wörterbuch übergeben, bei dem die Schlüssel Spaltennamen oder Spaltenindizes und die Werte Funktionen sind.
  • na_values: Gibt zusätzliche Zeichenfolgen an, die als NaN (Not a Number) erkannt werden sollen. Sie können eine Liste von Zeichenfolgen übergeben, die als NaN behandelt werden.
  • parse_dates: Gibt an, welche Spalten als Datumsangaben geparst werden sollen. Sie können entweder einen einzelnen Spaltennamen oder Spaltenindex übergeben oder eine Liste von Spaltennamen oder Indizes, die als Datum geparst werden sollen.
  • date_parser: Gibt eine Funktion an, die zum Parsen von Datumsangaben verwendet werden soll. Sie können eine Funktion übergeben, die eine Zeichenkette akzeptiert und ein datetime-Objekt zurückgibt.
  • skiprows: Gibt die Anzahl der Zeilen an, die am Anfang der Excel-Datei übersprungen werden sollen.

Diese Optionen bieten Flexibilität beim Lesen von Excel-Dateien mit Pandas und ermöglichen es Ihnen, den Lesevorgang an Ihre spezifischen Anforderungen anzupassen.

Schritt 2

Zeigen Sie den Inhalt des DataFrame an.

print(df)
Python

Hier ist die Ausgabe des obigen Codes:

Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Figure 7 - Output from running the Pandas code

Verwendung von IronXL

Schritt 1: Importieren Sie die IronXL-Bibliothek und verwenden Sie die WorkBook.Load()-Methode, um die Excel-Datei zu laden. Im Parameter der Load-Methode können Sie die gültige Datei-URL, ein lokales Dateipfad-Objekt oder den Dateinamen angeben, wenn sich die Datei im selben Verzeichnis wie das Skript befindet.

from ironxl import WorkBook

# Load the Excel file as a WorkBook object
workbook = WorkBook.Load("file.xlsx")
Python

Schritt 2: Mit IronXL können Sie auf mehrere Arbeitsblätter zugreifen und Spaltenbezeichnungen ausgeben. Greifen Sie auf die Arbeitsblätter und Zellen zu, um die in Spalten gespeicherten Daten zu lesen. Die Zellen können jeden Datentyp haben, wie numerische Spalten oder Zeichenfolgenspalten. Die Zellwerte können in int umgewandelt werden, indem Sie Zeichenfolgenspalten mit der Eigenschaft IntValue in numerische Werte parsen und umgekehrt.

# Access the first worksheet
worksheet = workbook.DefaultWorkSheet

# Select a specific cell and return the converted value
cell_value = worksheet["A2"].IntValue
print(cell_value)

# Read from the entire worksheet and print each cell's address and value
for cell in worksheet:
    print(f"Cell {cell.AddressString} has value '{cell.Text}'")
Python

Hier ist die Ausgabe des obigen Codes mit einem passenden Anzeigeformat, das die Vielseitigkeit von IronXL zeigt:

Pandas Read Excel Alternatives (Without Using Interop) | IronXL for Python: Figure 8 - Console output from the IronXL code

Weitere Informationen zur Arbeit mit Excel-Dateien finden Sie auf dieser Seite mit Codebeispielen.

Fazit

Zusammenfassend bieten sowohl Pandas als auch IronXL effiziente Methoden zum Lesen von Excel-Dateien in Python. Allerdings bietet IronXL gegenüber Pandas mehrere Vorteile, insbesondere in Bezug auf Benutzerfreundlichkeit, Leistung und spezialisierte Funktionen für die Verarbeitung von Excel-Dateien. Die intuitive API und die umfassenden Funktionen von IronXL machen es zur überlegenen Wahl für Projekte, die umfangreiche Excel-Bearbeitungsaufgaben erfordern.

Darüber hinaus beseitigt IronXL die Notwendigkeit externer Abhängigkeiten wie Microsoft Excel oder Excel Interop, was den Entwicklungsprozess vereinfacht und die Portabilität über verschiedene Plattformen hinweg verbessert. Daher ist IronXL für Python-Entwickler, die eine robuste und effiziente Lösung für Excel-Dateioperationen suchen, die bevorzugte Wahl und bietet bessere Möglichkeiten und erweiterte Funktionalitäten im Vergleich zu Pandas. Für ausführlichere Informationen zu IronXL besuchen Sie bitte diese Dokumentationsseite.

IronXL bietet eine kostenlose Testversion an, um die Funktionalität und Eignung für Ihre Python-Projekte zu testen. Diese Testversion ermöglicht es Entwicklern, den vollständigen Funktionsumfang von IronXL ohne finanzielle Verpflichtung im Voraus zu erkunden. Egal, ob Sie IronXL für Datenimport/-export, Berichtserstellung oder Datenanalyse in Betracht ziehen – die kostenlose Testversion bietet die Möglichkeit, Leistung und Eignung für Ihre spezifischen Anforderungen zu bewerten.

Weitere Informationen zu Lizenzierungsoptionen und zum Herunterladen der kostenlosen Testversion finden Sie auf der Lizenzierungsseite der IronXL-Website. Dort finden Sie detaillierte Informationen zu den Lizenzbedingungen, einschließlich Optionen für kommerzielle Nutzung und Support. Um mit IronXL zu starten und die Vorteile selbst zu erleben, laden Sie die Bibliothek hier herunter.

Bitte beachten Sie: Pandas ist eine eingetragene Marke des jeweiligen Eigentümers. Diese Seite steht in keiner Verbindung zu Pandas, wird nicht von Pandas unterstützt oder gesponsert. Alle Produktnamen, Logos und Marken sind Eigentum ihrer jeweiligen Inhaber. Vergleiche dienen ausschließlich Informationszwecken und spiegeln öffentlich verfügbare Informationen zum Zeitpunkt der Erstellung wider.

Curtis Chau hat einen Bachelor-Abschluss in Informatik von der Carleton University und ist spezialisiert auf Frontend-Entwicklung mit Expertise in Node.js, TypeScript, JavaScript und React. Leidenschaftlich widmet er sich der Erstellung intuitiver und ästhetisch ansprechender Benutzerschnittstellen und arbeitet gerne mit modernen Frameworks sowie der Erstellung gut strukturierter, optisch ansprechender Handbücher.

Mehr lesen

Verwandte Artikel