Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Datensäuberung und Transformation

Lektion 3 von 14 Aktualisiert am 5. November 2026 Mittelstufe
Auf dieser Seite
  1. Von Rohdaten zu verwertbaren Erkenntnissen
  2. Diagnose Ihrer Datenqualität
  3. Umgang mit fehlenden Werten
  4. Entfernen von Duplikaten
  5. Vereinheitlichung von Formaten
  6. Erstellen neuer Spalten
  7. Exportieren von gesäuberten Daten
  8. Ihre Reihe
  9. Wichtige Erkenntnisse

Von Rohdaten zu verwertbaren Erkenntnissen

Echte Daten sind selten sauber. Sie finden Duplikate durch doppelte Importe, fehlende Werte, weil ein Feld optional war, Datumsformate, die je nach Eingabeperson variieren, und Spalten, die von veralteten Tools übernommen wurden. Bevor Sie etwas analysieren können, müssen Sie säubern. Dieser Schritt galt lange als die unbeliebteste Aufgabe. ChatGPT verwandelt ihn in ein Gespräch: Sie beschreiben das Problem, es generiert den Säubercode, führt ihn aus und zeigt Ihnen das Ergebnis zur Überprüfung an, bevor Sie fortfahren.

Diagnose Ihrer Datenqualität

Säubern ohne Diagnose ist wie das Reparieren einer Sache mit verbundenen Augen. Beginnen Sie jede Sitzung mit einer Prüfung:

Analysieren Sie die Qualität dieser Datei: fehlende Werte pro Spalte,
Duplikate, erkannte Datentypen und potenzielle Ausreißer.

Der Bericht liefert den prozentualen Anteil fehlender Werte spaltenweise, die Anzahl der Duplikatreihen, Spalten mit inkonsistenten Typen – eine Mischung aus Text und Zahlen deutet fast immer auf manuelle Eingaben hin – und extreme Werte, die wahrscheinlich Tippfehler sind. Bei einer Auftragsdatei könnte die Prüfung Kunden ohne Postleitzahlen oder eine Bestellung für 950.000 € statt 950 € offenbaren. Ein kürzerer Prompt funktioniert ebenfalls: „Prüfen Sie diese Datei: Welche häufigen Probleme finden Sie?” ChatGPT kann daraufhin mehrere Lösungswege vorschlagen; fragen Sie vor der Entscheidung nach den Konsequenzen jeder Option.

Umgang mit fehlenden Werten

Dies ist das häufigste Problem, und es gibt keine Einheitslösung: Die richtige Strategie hängt davon ab, was der leere Raum in Ihrem Kontext bedeutet. Ein fehlender Betrag ist nicht dasselbe wie eine fehlende E-Mail-Adresse.

Das Löschen unvollständiger Reihen funktioniert, wenn die fehlenden Daten selten und nicht kritisch sind. Eine E-Mail-Kampagne hat keinen Nutzen für einen Kontakt ohne Adresse: Diese Reihe ist nicht wiederherstellbar.

Löschen Sie alle Reihen, bei denen die Spalte "email" leer ist.

Das Auffüllen mit einem Standardwert macht Sinn, wenn Sie den logischen Wert kennen. Wenn Ihr Unternehmen ausschließlich in Frankreich tätig ist und das Länderfeld optional war, bedeutet Abwesenheit „Frankreich”; ein leerer Betrag in einer Rabattzeile bedeutet null, nicht „unbekannt”.

Ersetzen Sie fehlende Werte in "country" mit "France"
und diejenigen in "amount" mit 0.

Schließlich eignet sich die Interpolation für Zeitreihen und kontinuierliche Daten, bei denen ein Nullwert eine künstliche Lücke in der Kurve erzeugen würde.

Für fehlende Werte in "monthly_revenue" verwenden Sie den Durchschnitt
der vorhergehenden und folgenden Monate desselben Kunden.

Entfernen von Duplikaten

Duplikate verzerren alle nachgelagerten Statistiken: Die Zählung eines Kunden doppelt verdoppelt seinen Beitrag zum Umsatz und treibt sein Ranking künstlich in die Höhe. Sie müssen jedoch zuerst definieren, was ein Duplikat darstellt, da zwei Aufträge desselben Kunden an einem Tag legitim sein können.

Identifizieren und entfernen Sie Duplikate basierend auf den Spalten
"customer_name" und "order_date". Behalten Sie den ersten Vorkommens.

Bitten Sie ChatGPT, Ihnen die betroffenen Reihen anzuzeigen, bevor Sie sie entfernen, und nehmen Sie sich Zeit, sie zu überprüfen: Genau hier erkennen Sie, ob Sie einen echten Importduplikat oder einen legitimen zweiten Auftrag löschen.

Vereinheitlichung von Formaten

Datumsangaben sind die erste Hürde. Eine Datei, die von mehreren Quellen gespeist wird, enthält oft „15/03/2026”, „2026-03-15” und „15. März 2026”, die pandas nicht gemeinsam sortieren können: Ihre monatliche Kurve bleibt stumm, bis dies gelöst ist.

Konvertieren Sie alle Datumsangaben in der Spalte "purchase_date"
in das YYYY-MM-DD-Format und kennzeichnen Sie diejenigen, die nicht konvertiert werden können.

Text stellt subtilere Schwierigkeiten dar, da er für das menschliche Auge lesbar bleibt. „Paris”, „PARIS” und „paris” zählen als drei verschiedene Städte; ein Leerzeichen am Ende von „Lyon ” erzeugt eine vierte; „Saint-Étienne” versus „St Etienne” spaltet Ihre regionalen Verkäufe in zwei Zeilen auf, von denen keine korrekt ist.

Normalisieren Sie die Spalte "city": Großschreiben Sie den ersten Buchstaben,
entfernen Sie zusätzliche Leerzeichen und gruppieren Sie Varianten
(Saint/St, fehlende Bindestriche).

Schließlich kommen Zahlen oft im Format für die Darstellung statt für die Berechnung an. Solange die Spalte Werte wie „1.250,50 €” enthält, ist keine Summation möglich.

Die Spalte "price" enthält Werte wie „1.250,50 €".
Konvertieren Sie sie in eine Dezimalzahl (1250,50) und entfernen Sie das Euro-Symbol.

Erstellen neuer Spalten

Transformation geht nicht nur um das Beheben; es geht auch um die Bereicherung. Eine Datums-Spalte wird zu einem Quartalsachse zum Vergleich von Perioden; eine Betragsspalte wird zu einem kommerziellen Segment, das in Ihren Analysen nutzbar ist.

Erstellen Sie eine Spalte "quarter" aus "order_date"
und eine Spalte "revenue_tier", die den Umsatz kategorisiert als:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).

ChatGPT generiert den entsprechenden pandas-Code, verwendet pd.cut() oder logische Bedingungen, und führt ihn aus. Prüfen Sie dann die resultierende Verteilung: Wenn 90 % Ihrer Kunden in „Small” fallen, sind Ihre Schwellenwerte schlecht kalibriert und die Segmentierung wird Ihnen nichts lehren.

Exportieren von gesäuberten Daten

Sobald die Säuberung abgeschlossen ist, rufen Sie die saubere Datei ab. Die Download-Schaltfläche, die sich oben rechts in einer von ChatGPT erzeugten Tabelle befindet, speichert sie im CSV-Format. Für ein bestimmtes Format bitten Sie darum:

Exportieren Sie den bereinigten DataFrame als CSV (UTF-8, Semikolon-Trennzeichen),
damit ich ihn herunterladen kann.

Öffnen Sie die Datei dann in Ihrer Tabellenkalkulationssoftware und vergleichen Sie die Anzahl der Zeilen mit der Originaldatei: Sie verlassen sich mit einer Datei, die an anderer Stelle nutzbar ist – Excel, BI-Tool, nächste Sitzung –, ohne dass Sie alles nächste Woche wiederholen müssen. Arbeiten Sie immer auf einer Kopie und behalten Sie die Originaldatei intakt, damit Sie im Bedarfsfall zurückkehren können.

Die fünf Phasen der Säuberung Fünf Schritte: Dateiqualität prüfen; fehlende Werte basierend auf der Bedeutung des leeren Raums behandeln; Duplikate definieren und überprüfen; Datumsangaben, Texte und Zahlen vereinheitlichen; saubere Datei exportieren. SÄUBERUNG Die fünf Phasen der Säuberung 1 Prüfung Qualität 2 Fehlende Basierend auf leerem Raum 3 Duplikate Geprüft 4 Formate Datumsangaben, Texte 5 Export Saubere Datei Arbeiten Sie auf einer Kopie: Die Originaldatei bleibt intakt.
Lernmethode; Anomalien basierend auf dem Artikel „Extracting Insights with ChatGPT Data Analysis" aus dem OpenAI Help Center (November 2026).

Ihre Reihe

Ihre erste Säuberung.

  1. Importieren Sie eine Kopie einer echten Datei und fordern Sie eine Qualitätsprüfung an
  2. Behandeln Sie fehlende Werte spaltenweise, basierend auf der Bedeutung des leeren Raums
  3. Definieren Sie, was ein Duplikat darstellt, untersuchen Sie die betroffenen Reihen und entfernen Sie sie dann
  4. Vereinheitlichen Sie Datumsangaben, Städte und Beträge
  5. Laden Sie die saubere Datei herunter und vergleichen Sie die Anzahl der Zeilen mit der Originaldatei

Offizielle Quellen: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)

Wichtige Erkenntnisse

  • Beginnen Sie immer mit einer Qualitätsprüfung, bevor Sie analysieren
  • ChatGPT behandelt fehlende Werte, Duplikate und inkonsistente Formate in wenigen Nachrichten
  • Überprüfen Sie Zwischenergebnisse systematisch – bitten Sie nach jeder Operation um eine Vorschau
  • Exportieren Sie die gesäuberte Datei, um sie in anderen Tools bei Bedarf zu verwenden
  • Der Python-Code ist sichtbar: Sie können ihn kopieren und in Ihren eigenen Skripten wiederverwenden