Denn schneller geht das Umbenennen mit Hilfe einer Matchingtabelle in Kombination mit der M-Funktion Table.RenameColumns.
Die Matchingtabelle enthält lediglich zwei Spalten: OldHeader und NewHeader. Sie steuert, WELCHE Spalten WIE umbenannt werden sollen.
Das Ergebnis: Weniger Schritte, bessere Verständlichkeit und eine Lösung, die leicht zu warten ist. Wie das funktioniert, zeige ich in diesem Beitrag.

Kryptische Spaltenüberschriften werden mit Hilfe einer Matchingtabelle in verständliche Spaltenüberschriften umbenannt

Spaltenüberschriften manuell umbenennen

Zum besseren Verständnis zeige ich zuerst, welchen M-Code Power Query produziert, wenn ich Spalten manuell umbenenne.
So gehe ich vor:

• Ich lese die Tabelle Transaktionen in Power Query ein
• Die erste Spaltenüberschrift OBJ_ID kann unverändert bleiben.
• Ich starte also mit dem Umbenennen bei der zweiten Spalte: CLI_ID. Per Doppelklick auf die Spaltenüberschrift überschreibe ich diese mit Kundennummer.
  Dabei wird der Befehl Table.RenameColumns produziert mit einem Listenpaar, das alte und neue Benennung innerhalb einer Liste anzeigt. Listen werden in Power Query mit geschweiften Klammern gekennzeichnet.
  

• Benenne ich im nächsten Schritt DOC_NO um, entsteht innerhalb der Liste eine weitere mit dem nächsten Umbenennungspaar.

Das Umbenennen vieler Spalten auf diese Art wäre ziemlich mühsam. Vertippe ich mich, muss ich den Umbenennungsschritt wiederholen oder die richtige Bezeichnung im M-Code in der Bearbeitungsleiste austauschen. Das wäre nicht nur mühsam, sondern auch fehleranfällig. Daher braucht es eine Lösung, die a) flexibler ist und b) transparent zeigt, WELCHE Spaltenüberschriften WIE umbenannt wurden.

Nicht manuell, sondern automatisch mit einer Matchingtabelle

Statt jede Spalte einzeln umzubenennen, ordne ich die alten und die gewünschten neuen Spaltenüberschriften in einer Tabelle an. Die benenne ich Matchingtabelle (natürlich sind auch andere Namen möglich).
Wichtig dabei: Die Tabelle muss aus zwei Spalten mit den Namen OldHeader und NewHeader bestehen.
So gehe ich vor:

• Ich lese die Matchingtabelle in Power Query ein und lege die Datentypen beider Spalten auf Text fest.
• In der vorhergehenden Abfrage tausche ich nun im Table.RenameColumns-Schritt die komplette Liste der Umbenennungspaare aus durch Table.ToRows(Matchingtabelle).

Table.ToRows erstellt aus der Matchingtabelle eine Liste von geschachtelten Listen, so wie die Funktion Table.RenameColumns es benötigt

Aus der Praxis: Fehler bei fehlenden Spalten verhindern

Enthält die Matchingtabelle Spaltennamen, die beim nächsten Update nicht dabei sind, führt dies zu folgendem Fehler.

Enthält die Matchingtabelle überflüssige Spaltenüberschriften, die in der Datenquelle nicht vorhanden sind, so führt dies zu einem Fehler.

Ein solchen Fehler kann ich wie folgt vermeiden:

• Ich erweitere den Table.RenameColumns-Schritt um das dritte Argument missingField mit dem Wert MissingField.Ignore.  Dieses Argument ist nämlich standardmäßig mit MissingField.Error belegt.

Das dritte Argument mit dem Wert MissingField.Ignore sorgt dafür, dass überflüssige Einträge in der Matchingtabelle ignoriert werden und nicht zu einem Fehler führen.

Fazit

Das hier beschriebene Vorgehen zum Umbenennen von Spaltenüberschriften bringt mehrere praktische Vorteile:

1. Leichtere Wartung: Die Spaltenlogik liegt in einer Tabelle und nicht im M-Code.
2. Skalierbarkeit: Auch eine Vielzahl von Spalten lässt sich ohne lange Codezeilen verwalten.
3. Flexibilität: Die Matchingtabelle kann z. B. aus Excel, einer Datenbank oder anderen Quellen kommen.
4. Weniger Abfrage-Schritte: Alle Umbenennungen werden in einem einzigen Schritt erledigt.

Mit Table.RenameColumns und einer Matchingtabelle können Spaltennamen dynamisch, zentral gesteuert und in nur einem Schritt umbenannt werden – eine saubere Lösung für wiederverwendbare Power-Query-Abfragen.

Der Beitrag Power Query: Spaltenüberschriften verständlich statt kryptisch dank einer Matchingtabelle erschien zuerst auf Hügemann Informatik.

Transformationen auf mehreren Spalten inklusive Typumwandlung sehr performant in nur einem Schritt durchführen

Szenario 1: Komplette Spalte leeren oder mit festem Text belegen, unabhängig von den bisherigen Werten

Angenommen, eine Liste enthält eine Spalte Status, deren Inhalte aus verschiedenen Vorsystemen stammen. Diese sind leider uneinheitlich gepflegt wie z. B. „offen“, „neu“, „in Bearbeitung“, „in Prüfung“ usw. und so nicht brauchbar. Die Spalte soll deshalb vollständig geleert oder mit „tbd.“ überschrieben werden, um den Status in einem späteren Verarbeitungsschritt neu zu belegen.

So geht’s …
Ich markiere die Spalte Status und wähle im Register Transformieren [1] einen typischen Transformationsschritt aus, beispielsweise unter Format [2] > Präfix hinzufügen [3]. Anschließend gebe ich beispielsweise den Präfix „X“ ein [4].

Ein Transformieren-Befehl wie Präfix hinzufügen erzeugt einen typischen Code mit der Funktion Table.TransformColumns

Auf diese Weise erhalte ich den nötigen M-Code zur Transformation der Spalte. In dieser Anweisung wird mit Hilfe des Wörtchens each für jede Zeile die danach folgende Anweisung ausgeführt. Mit dem Unterstrich _ wird auf den jeweiligen Wert zugegriffen und hier mit dem Buchstaben „X“ am Anfang verkettet.

Die Funktion Table.TransformColumns mit einer Anweisung zur Transformation der Spalte Status

Möchte ich die Spalte leeren oder mit einem bestimmten Text belegen, ersetze ich den Ausdruck „X“ & _ , der dem each folgt, mit dem Schlüsselwort null oder mit einem festen Text, beispielsweise „tbd.“ .

Jeder Wert in der Spalte Status wird mit null (also vollständig geleert) oder dem festen Text „tbd.“ belegt

Tipp: Um den Schritt nachvollziehen zu können, benenne ich den Schritt Präfix hinzugefügt rechts unter Angewendete Schritte beispielsweise um in Status bereinigt.

Szenario 2: Nur bestimmte Werte in der Spalte ändern

In diesem Fall sollen in der Spalte Status nicht alle Werte geändert werden, sondern nur bestimmte. Beispielsweise soll nur der Wert „neu“ in „tbd.“ geändert werden.

So gehe ich vor …
Wie in Szenario 1 benutze ich den erstellten M-Code und ersetze den Ausdruck „X“ & _ durch eine if-Anweisung: each if _ = „neu“ then „tbd.“ else _. Diese prüft, ob der aktuelle Wert (dargestellt durch Unterstrich _) gleich „neu“ ist und ersetzt in diesem Fall den Text durch „tbd.“. Andernfalls wird der aktuelle Wert (_) beibehalten.

Transformationsschritt wird mit einer if-Anweisung versehen, um nur bestimmte Werte zu ersetzen

Tipp: Diese Anweisung kann natürlich beliebig erweitert werden, beispielsweise durch Hinzufügen einer or-Anweisung: each if _ = „neu“ or _ = „offen“ then „tbd.“ else _

Szenario 3: Nicht korrekte Werte ersetzen

Die Spalte Datum wurde nicht immer korrekt gepflegt. An manchen Stellen befinden sich Texte in der Spalte. Bevor der Datentyp für diese Spalte geändert wird und dies zu Fehlern führen würde, wird sie mit einer Art wenn-Fehler-Funktion geprüft (try … otherwise).

Nicht korrekte Datumsangaben führen zu Fehlern bei der Umwandlung der Spalte in Datumsformat und sollen daher geleert werden

So gehe ich vor …
Wie in Szenario 1 benutze ich den erstellten M-Code. Diesmal ersetze ich den Spaltennamen von Status in Datum und den Ausdruck „X“ & _ durch each try Date.From(_) otherwise null. Mit Hilfe der try-Anweisung wird in diesem Fall geprüft, ob eine Umwandlung in ein Datum möglich ist. Falls nicht, wird der Eintrag geleert.

Zusätzlich kann mit der Transformationsanweisung auch gleich der passende Datentyp mitgegeben werden, in diesem Fall date.

Mit Hilfe der try-Anweisung wird eine Fehlerprüfung vorgenommen und fehlerhafte Daten werden mit der otherwise-Anweisung korrigiert

Szenario 4: Gleich mehrere Spalten in einem Schritt bereinigen

Sollen auf mehreren Spalten Transformationen vorgenommen werden, so ist auch dies in einem Schritt möglich. Die Funktion Table.TransformColumns erlaubt eine Liste mit Transformationsschritten, die jeweils in geschweiften Klammern und kommagetrennt gelistet werden. So können beispielsweise sowohl die Spalte Status als auch die Spalte Datum in einem Rutsch bereinigt werden.

Die Funktion Table.TransformColumns erlaubt eine Liste {..} von Transformationsschritten

Alle Szenarien lassen sich mit wenigen Handgriffen in einem Schritt mit Hilfe der Funktion Table.TransformColumns umsetzen. Dabei wird der bestehende Spalteninhalt gezielt ersetzt, ohne jegliche Hilfsspalte.

Zusatz-Tipp: Natürlich kann ich auch jederzeit einen benutzerdefinierten Schritt einfügen und mit folgendem Code jeden beliebigen Ersetzungsprozess ausführen.

Auch ohne einen Transformationsschritt über das Menüband auszuführen und abzuändern, lässt sich ein solcher Schritt über Klick auf das fx erstellen

Interessiert an weiteren Tipps zu Power Query?
Wer sein Wissen zu Power Query systematisch auf- und ausbauen will, kann dazu einen meiner Online-Kurse nutzen. Auf dieser Seite ist das aktuelle Angebot zu finden.

Der Beitrag Power Query: Spaltenwerte flexibel und effizient verändern erschien zuerst auf Hügemann Informatik.

Nach dem Ausblenden wird das Blatt Rohdaten im Navigator von Power Query nicht angezeigt; auch auf die dort enthaltene Tabelle tbl_Umsatz kann nicht zugegriffen werden

Zugriff auf die komplette Arbeitsmappe ermöglichen

Will ich über Daten > Daten abrufen > Aus Datei > Aus Arbeitsmappe die oben gezeigte Excel-Datei einlesen, werden im Navigator-Fenster nur die eingeblendeten Arbeitsblätter und Tabellen angezeigt.
Um auf das ausgeblendete Blatt Rohdaten und dort die Tabelle tbl_Umsatz zugreifen zu können, gehe ich wie folgt vor:

• Nachdem ich über Daten > Daten abrufen > Aus Datei > Aus Arbeitsmappe ins Navigator-Fenster gelangt bin, mache ich einen Rechtsklick auf den Dateinamen.
• Dann wähle ich Daten transformieren.

Per Rechtsklick auf den Dateinamen und Daten transformieren den Zugriff auf ALLE Elemente der Arbeitsmappe erhalten

• So erhalte ich Zugriff auf die gesamte Arbeitsmappe – mit allen ein- und ausgeblendeten Blättern wie die gelbe Markierung im folgenden Bild  zeigt.
• Per Rechtsklick in der Spalte Data in der Zeile tbl_Umsatz wähle ich Drilldown ausführen.

Per Rechtsklick in der Spalte Data der Zeile tbl_Umsatz einen Drilldown auf die Daten ausführen

• Nun werden alle Daten der Tabelle tbl_Umsatz angezeigt und die Weiterverarbeitung der Daten kann starten.

Nach dem Befehl Drilldown ausführen steht die ausgeblendete Tabelle tbl_Umsatz in Power Query zur Weiterverarbeitung zur Verfügung

Zugriff auf ausgeblendete Blätter aller Dateien eines kompletten Ordners

Klappt das auch, wenn ein kompletter Ordner mit Excel-Dateien ausgelesen werden soll, die ausgeblendete Arbeitsblätter haben? Ja, es funktioniert ähnlich:

• Über Daten > Daten abrufen > Aus Datei > Aus Ordner wähle ich den Ordner mit den betreffenden Arbeitsmappen aus und erhalte eine Auflistung aller vorhandenen Excel-Dateien in dem Ordner. Ich wähle wieder Daten transformieren.

Den Umsatzordner zum Einlesen auswählen und Daten transformieren anklicken

• Ich gelange in den Power Query-Editor. Falls sich hier Dateien befinden, die ich nicht verarbeiten möchte, schließe kann ich diese per Filter aus.
• Per Rechtsklick in der Spalte Content wähle ich Andere Spalten entfernen [1] und klicke anschließend auf den Doppelpfeil [2], um alle Dateien zu kombinieren.

Nun werden alle Dateien aus dem Ordner kombiniert

• Im Dialogfeld Dateien kombinieren – hier entsteht die Beispieldatei – sind das ausgeblendete Blatt und auch die Tabelle wieder nicht zu sehen. Daher wähle ich per Rechtsklick auf Parameter den Befehl Daten transformieren.

Auch beim Erstellen der Beispieldatei fehlt zunächst der Zugriff auf die ausgeblendeten Arbeitsblätter

• Im Ergebnis der Abfrage Umsaetze_2025 sehe ich nun alle Arbeitsblätter und Tabellen.
• Da ich nur tbl_Umsatz auswerten möchte, klicke ich die Abfrage Beispieldatei transformieren an. So kann ich die Beispieldatei nachbearbeiten.

Die Beispieldatei muss nachbearbeitet werden, damit nicht alle Arbeitsblätter und Tabellen der Mappen verarbeitet werden

• In der Abfrage Beispieldatei transformieren führe ich nun den Drilldown auf Table in der Spalte Data der Zeile tbl_Umsatz aus – wie bereits oben beim Verarbeiten einer einzelnen Excel-Datei beschrieben.

Die Beispieldatei-Abfrage Beispieldatei transformieren wird nachbearbeitet und nur die tbl_Umsatz zur Verarbeitung ausgewählt

Das Ergebnis kann sich sehen lassen: In der Abfrage Umsaetze_2025 wurden alle ausgeblendeten Tabellen mit dem Namen tbl_Umsatz aus allen Monaten zusammengeführt.

Alle Tabellen tbl_Umsatz aus dem Ordner wurden nun in der Abfrage Umsaetze_2025 zusammengeführt

Hinweis zu Power Query in Power BI Desktop

Power BI Desktop geht mit ausgeblendeten Blättern im Navigator anders um. Im unteren Bereich werden Tabellen vorgeschlagen, die durch eine gezielte Aufbereitung ermittelt wurden. Darüber kann ich auf die ausgeblendeten Daten zugreifen.

In Power BI Desktop dagegen erhalte ich über den Navigator auch Zugriff auf das ausgeblendete Blatt Rohdaten im Bereich Vorgeschlagene Tabellen

Der Beitrag Power Query: Ausgeblendete Arbeitsblätter auslesen? So geht’s doch! erschien zuerst auf Hügemann Informatik.

Dies zeigt, dass die Kontrolle der Datentypen in zwei Schritten erfolgen muss: 1) beim Aufbau der Abfrage und 2) beim Import neuer Daten. WIE das geht, zeige ich in diesem Beitrag.

Datentyp beim Erstellen der Analyse gezielt einstellen [1] und beim Update kontrollieren [2]

Wichtige Voreinstellung: Den Automatismus von Power Query abstellen

Beim Einlesen von Daten versucht Power Query, den effizientesten Datentyp einzustellen – egal, ob in Power BI Desktop oder Excel.

• Ist die Quelle eine Datenbank, dann sind die Datentypen schon vorgegeben und alles sollte problemlos funktionieren.
• Anders ist es mit unstrukturierten Daten wie XLSX, CSV oder TXT. Standardmäßig ist in Power Query die automatische Datentyperkennung für unstrukturierte Quellen aktiviert. Die Datentypen müssen daher auf jeden Fall kontrolliert und gegebenenfalls geändert werden.

Der richtige Datentyp führt nicht nur zu einer besseren Performance, sondern ist auch entscheidend für DAX-Berechnungen. Wird beispielsweise der Datentyp Dezimalzahl für eine Spalte gewählt, die nur ganze Zahlen beinhaltet, ist das nicht sehr effizient, da mehr Speicherplatz benötigt wird.

TIPP: Die automatische Typerkennung im Power Query-Editor lässt sich über Datei > Optionen und Einstellungen > Optionen ausschalten.

Die automatische Datentyperkennung kann in den Power Query-Optionen ausgeschaltet werden

Schritt 1: »Data Profiling« nutzen, um den optimalen Datentyp einzustellen

Woher weiß ich, welcher Datentyp der richtige ist? Hier hilft das »Data Profiling«.

Den Datentyp Any (Symbol: ABC123) durch einen optimalen Datentyp ersetzen

So gehe ich vor, um den optimalen Datentyp – hier für die Zahlenspalte Menge – zu finden:

• Ich wähle zunächst den größten Datentyp für Zahl aus, nämlich Dezimalzahl.
• Um sicherzugehen, dass diese Spalte auch keine anderen Daten außer Zahlen enthält, prüfe ich zunächst die Spaltenqualität über Ansicht [1] und Häkchen bei Spaltenqualität [2].
• Da die Spaltenqualität standardmäßig nur auf den ersten 1.000 Zeilen geprüft wird [3], stelle ich Spaltenprofilerkennung basierend auf dem gesamten Dataset [4] ein.

Nach dem Einstellen des Datentyps zunächst die Daten auf Gültigkeit prüfen mit Hilfe der Ansicht Spaltenqualität

• Zeigen sich oben in der Spaltenprofilanzeige [5] keine Fehler, kann es weitergehen mit dem Inspizieren des Zahlenbereichs. Ansonsten merze ich zunächst die Fehler in meiner Quelle aus.
• Um die Zahlen besser inspizieren zu können, wähle ich unter Ansicht [1] > Spaltenprofil [2] aus. Damit der komplette Bestand geprüft wird, stelle ich wieder Spaltenprofilerkennung basierend auf dem gesamten Dataset [3] ein.
• Jetzt kann ich mir mit Hilfe der Spaltenstatistik [4] beispielsweise Min- und Max-Werte ansehen und eventuell überschrittene Grenzwerte erkennen. Die Wertverteilung [5] gibt Auskunft über die verschiedenen vorkommenden Werte. Hier sehe ich, dass nur ganze Zahlen bei den Mengenangaben verwendet werden.

Mit Hilfe der Ansicht Spaltenprofil können überschrittene Grenzwerte erkannt und die vorhandenen Werte eingesehen werden

• Bin ich mir dann sicher, dass der Zahlentyp Ganze Zahl ausreicht, ersetze ich den Datentyp Dezimalzahl für die Menge Spalte durch den Datentyp Ganze Zahl.

Schritt 2: Fehler und unbemerkte Datenverfälschungen beim Import weiterer Daten vermeiden

Kommen neue Daten hinzu, ist nicht sicher, ob der eingestellte Datentyp – beispielsweise Ganze Zahl – noch passt. Daher muss zeitgleich mit dem Einlesen neuer Daten eine Prüfung mitlaufen, die anzeigt, ob unerwartete Daten dabei sind, bevor später die Analyse beginnt. So gehe ich vor:

• Ich lese die Datenquelle erneut ein, ohne Datentypänderungen vorzunehmen und benenne sie in diesem Beispiel mit Mengenangaben_Pruefen.
• Nun markiere ich alle Spalten, die für das Identifizieren fehlerbehafteter Datensätze nötig sind, hier die Spalte EinkBeleg und die Spalte Menge. Per Rechtsklick im markierten Spaltenkopf wähle ich Andere Spalten entfernen.
• Über Spalte hinzufügen > Benutzerdefinierte Spalte erstelle ich eine Formel, die mir in diesem Fall ausgibt, ob es sich um eine Dezimalzahl, eine Ganze Zahl, einen Text oder einen anderen Datentyp handelt.
• Die Prüfung auf Dezimalzahl nehme ich vor, indem ich von der Menge die auf 0 Nachkommastellen gerundete Zahl abziehe. Damit die Berechnungen im Fall von Text oder einem anderen Datentyp nicht zu einem Fehler führen, prüfe ich vor der Berechnung mit »is number«, ob Menge eine Zahl ist.

Per Formel wird auf verschiedene Datentypen geprüft, die eventuell von Ganze Zahl abweichen

• Das Ergebnis dieser Abfrage sind drei Spalten.
• Um alle Einträge zu sehen, die nicht meinem eingestellten Datentyp Ganze Zahl entsprechen, filtere [1] ich die neue Spalte Datentyp per Textfilter [2] auf alle Einträge, die nicht Ganze Zahl sind [3] [4].

Die neu erstellte Prüfspalte auf alle Einträge ungleich Ganze Zahl filtern

• Das Ergebnis der Abfrage kann ich mir in Excel als Tabelle laden.
• In Power BI Desktop erstelle ich eine Prüfseite mit Tabelle als Visual. So habe ich stets die Ausreißer in dieser Spalte im Blick und kann sie korrigieren, bevor sie die Analyse verfälschen.

Kontrollabfragen, die Ausreißer in den Mengenangaben aufdecken

Fazit

Das bewusste Setzen, Überprüfen und regelmäßige Kontrollieren der Datentypen in Power Query ist essenziell, um Fehler beim Aufbereiten und Analysieren der Daten zu vermeiden. Data Profiling und eine Kontrollabfrage – wie beispielhaft oben gezeigt – helfen, potenzielle Fehlerquellen frühzeitig zu erkennen und auszuschalten.

Der Beitrag Power Query: Falsche Datentypen? Drei Tipps, die das verhindern erschien zuerst auf Hügemann Informatik.

Meine Antwort: „Kommt drauf an“! Nämlich darauf, WIE die Spalten entfernt wurden. Das klingt vielleicht ein wenig rätselhaft, aber keine Sorge, ich erkläre es gleich.

Spalten entfernen, aber welche Methode ist die beste?

Ein wichtiger Gedanke vorab

Die Erfahrung besagt: Je weniger Spalten es sind, desto effizienter wird die Arbeit in der Mappe und im Datenmodell. Beim Entfernen von Spalten ist es jedoch ratsam, den Abfrageschritt so anzulegen, dass er wenig fehleranfällig und auch im Nachhinein noch leicht anpassbar ist.

Weg 1: Alle zu löschenden Spalten markieren und entfernen

Wenn bei der Datenaufbereitung Spalten störend sind, gehen viele intuitiv wie folgt vor:

• Von links nach rechts die Spalten markieren, die für die Analyse unnötig sind.
• Dann per Rechtsklick im Spaltenkopf oder über die Registerkarte Start den Befehl Spalten entfernen anklicken.

Mit dem Befehl Spalten entfernen wird im M-Code der Befehl Table.RemoveColumns benutzt und es werden alle nicht relevanten Spalten in einer Liste aufgeführt

Was passiert eigentlich beim Anklicken des Befehls Spalten entfernen?

• Im M-Code erscheint die Anweisung Table.RemoveColumns
• Oben in der Bearbeitungsleiste werden alle zu entfernenden Spalten in einer geschweiften Klammer aufgelistet.

Allerdings hat diese scheinbar »intuitive« Variante erhebliche Nachteile:

• Die zu löschenden Spalten müssen einzeln und mit gedrückter Strg-Taste markiert werden. Bei einer größeren Spaltenanzahl ist das recht mühsam.
• Alle Spalten, die gelöscht werden sollen, werden mit ihrem Namen angesprochen. Dies ist ein Problem: falls diese Spalten in einem Update veränderte Namen erhalten, führt das zu einem Aktualisierungsfehler.
• Wird beispielsweise später doch das Feld Firmeneigen benötigt, hält Power Query kein Zahnrädchen zur Bearbeitung des Befehls bereit. Somit bleibt nur, den M-Code in der Bearbeitungsleiste zu ändern, was schnell zu Fehlern führen kann. Oder aber der Abfrageschritt muss per Klick auf das x ganz gelöscht und dann neu erstellt werden.

Beim Schritt Entfernte Spalten fehlt das Zahnrädchen zur Nachbearbeitung

Weg 2: Die relevanten Spalten markieren und Andere entfernen

Angenommen, ich habe meine durchzuführende Analyse vor Augen und möchte mich daher auf die Spalten konzentrieren, die relevant sind. So gehe ich vor:

• Ich markiere von links nach rechts mit gedrückter Strg-Taste die Spalten, die für die Analyse benötigt werden.
• Per Rechtsklick im Spaltenkopf oder über Start wähle ich Andere Spalten entfernen.

Mit dem Befehl Andere Spalten entfernen wird im M-Code der Befehl Table.SelectColumns benutzt und es werden alle relevanten Spalten namentlich aufgeführt

Die Vorteile dieser zweiten Variante:

• Beim Auswählen der Spalten konzentriere ich mich nur auf die, die gebraucht werden.
• Diese Spalten werden mit ihren Namen angesprochen. Kommen mit einem Update andere Spalten hinzu, werden sie nicht berücksichtigt. Die Aktualisierung kann wie gewohnt laufen.
• Wird beispielsweise das Feld Firmeneigen doch benötigt, hält Power Query das Zahnrädchen zur Bearbeitung des Abfrageschritts bereit.
• Der Klick auf das Zahnrädchen [1] öffnet einen komfortablen Dialog mit Suchfeld [2], alphabetischer Sortiermöglichkeit [3] und anschließender Auswahl [4] der gewünschten Spalten.

Beim Abfrageschritt Andere entfernte Spalten steht ein Zahnrädchen zum Nachbearbeiten mit einem komfortablen Auswahldialog zur Verfügung

Weg 3: Die relevanten Spalten suchen und markieren

Noch einfacher ist es jedoch, per Dialog die gewünschten Spalten per Klick auszuwählen.

• Dazu wähle ich Start > Spalten auswählen.
• Dort entferne ich das Häkchen für Alle Spalten auswählen
• Jetzt kann ich nach Spalten suchen oder diese alphabetisch sortieren, um schnell alle relevanten mit einem Häkchen zu versehen.

Dieser Weg, die Spalten per Dialogfeld auszuwählen, hat die gleichen Vorteile wie Weg 2: sowohl beim Auswählen der Spalten als auch beim Nachbearbeiten steht ein komfortabler Dialog zu Verfügung.

Der Befehl Spalten auswählen führt direkt zu diesem komfortablen Auswahldialog

Fazit

• Beim Entfernen von Spalten in Power Query lohnt es sich, strategisch vorzugehen.
• Zwar erscheint das manuelle Markieren und Löschen über Spalten entfernen zunächst intuitiv, doch es birgt Risiken hinsichtlich Wartbarkeit und Fehleranfälligkeit – besonders bei Änderungen im Datenmodell.
• Deutlich robuster und flexibler sind die Varianten mit Andere Spalten entfernen oder die gezielte Auswahl über den Dialog Spalten auswählen.
• Beide Varianten ermöglichen eine einfachere Nachbearbeitung und sind weniger anfällig gegenüber künftigen Änderungen.

Wer also effizient und nachhaltig arbeiten möchte, sollte gezielt Spalten behalten statt störende einzeln zu löschen.

Der Beitrag Power Query: Spalten entfernen ja, aber bitte richtig erschien zuerst auf Hügemann Informatik.

Neu hinzukommende Kalenderwochen sollen automatisch in die Summe einbezogen werden

Die Aufgabe: Wöchentliche Werte dynamisch summieren

Die Abbildung oben zeigt, worum es geht:

• In eine Produktliste werden wöchentlich neue Verkaufszahlen eingetragen.
• Je Produkt soll in der Spalte Summe das Gesamtergebnis berechnet werden.
• Das Gesamtergebnis soll sich dynamisch anpassen, wenn neue (Wochen-)Spalten hinzukommen.

1) Die Summe der Verkaufszahlen für die bisherigen Kalenderwochen berechnen

Ich lade die Produktliste nach Power Query. Dort addiere ich die Werte der bisher vorliegenden Kalenderwochenspalten wie folgt:

• Über Daten > Daten abrufen > Aus Tabelle/Bereich lade ich die Tabelle nach Power Query und benenne die Abfrage um in Produkte.
• Ich markiere die Spalten KW01 bis KW04 [1] und wähle per Rechtsklick in einen der Spaltenköpfe Summe [2].
• Um einen Extraschritt einzusparen, ändere ich den automatisch erstellen Spaltennamen „Addition“ in der Bearbeitungsleiste um zu „Summe“ [3].

Mit List.Sum werden die aktuellen Kalenderwochenspalten summiert

2) Die Summenberechnung dynamisch machen: Immer alle Spalten, aber ohne »Produkt«

• Der eben erstellte List.Sum-Schritt ist noch nicht dynamisch, wenn neue Kalenderwochen hinzukommen.
• Anstelle der bisherigen Kalenderwochen müssen daher bei der Summenbildung alle Spalten angesprochen werden außer der Spalte Produkt.

So gehe ich vor:

• Um auf die Spalten zu jedem Produkt zugreifen zu können, erstelle ich aus den Daten zu jedem der Produkte eine Liste.
• Das erledige ich mit der Anweisung Record.ToList(_).

Mit Record.ToList wird eine Liste der Daten jeder Zeile erzeugt

• Die Spalte Summe weist nun Fehler auf, denn zu den Zahlen der Kalenderwochen wird auch der Name des Produkts addiert.
• Dies behebe ich, indem ich von der eben erzeugten Liste mit Hilfe der Funktion Record.RemoveFields die Spalte Produkt entferne.

Mit Record.RemoveFields bestimmte Spalten von der Summenbildung ausschließen

TIPP: Mit der Funktion Record.RemoveFields lassen sich auch mehr als eine Spalte ausschließen. Dazu werden alle betreffenden Spaltennamen kommagetrennt in die geschweiften Klammern gesetzt.

Wo werden solche dynamischen Abfragen benötigt?

• Umsatzanalyse mit monatlichen Werten
  Ein Unternehmen exportiert monatlich aus einem ERP-System Umsatzzahlen. Mit Power Query lassen sich Berechnungen so einrichten, dass sie automatisch auch die neuen Monate berücksichtigen.
• KPI-Tracking für verschiedene Produkte oder Filialen
  Ein Reporting erfasst Verkaufszahlen für verschiedene Filialen oder Produktgruppen. Neue Filialen oder Produkte werden als zusätzliche Spalten eingefügt. Statt die Berechnung nun jedes Mal manuell anzupassen, sorgt eine dynamische Abfrage dafür, dass neue Spalten automatisch in die Berechnungen integriert werden.
• Kostenverteilung über verschiedene Abteilungen
  In einem Unternehmen werden Budgets pro Abteilung verwaltet. Jede Abteilung hat eine eigene Spalte. Kommt eine neue Abteilung hinzu, wird sie automatisch in Berechnungen wie Durchschnitts- oder Summenbildung einbezogen.
• Portfolio-Performance-Analyse für verschiedene Anlageklassen
  Ein Investment-Reporting enthält die Wertentwicklung verschiedener Anlageklassen (z. B. Aktien, Anleihen, Fonds) als separate Spalten. Mit der Zeit kommen neue Anlageklassen oder Finanzprodukte hinzu. Dank der Dynamik werden Berechnungen wie Gesamtrendite, Durchschnittsrendite oder Risikokennzahlen automatisch angepasst.

Der Beitrag Power Query: Berechnungen für eine variable Anzahl von Spalten – so bleiben Abfragen flexibel! erschien zuerst auf Hügemann Informatik.

Im heutigen Rezept zeige ich, wie Filter dynamisch gestaltet werden, um Daten über mehrere Spalten nach bestimmten Kriterien zu ermitteln oder auszuschließen.

Die folgende Produktliste illustriert das Problem: Die Merkmale für Materialen wurden über mehrere Spalten erfasst. Gesucht werden die Produkte, in denen bestimmte Materialien auf jeden Fall vorkommen – hier Holz und Metall – und andere auf keinen Fall – hier Kunststoff.

Merkmale in verschiedenen Spalten machen das Filtern zum Aus- oder Abwählen von bestimmten Merkmalen kompliziert

Die Nadel im (Daten-)Heuhaufen finden: So gehe ich vor

• In zwei Listen hinterlege ich die Materialien, die die gesuchten Produkte unbedingt enthalten (tbl_Verpflichtend) bzw. auf keinen Fall aufweisen sollen (tbl_Ausschluss).
• Auf Basis dieser beiden Listen wird dann die Produktliste (tbl_Produkte) passend gefiltert.

Liste nach gewünschten Materialien filtern

Zunächst lade ich 1) die Produktliste, 2) die Liste mit den verpflichtenden Materialien und 3) die Liste mit den auszuschließenden Materialien nach Power Query. Dort prüfe ich mit List-Funktionen pro Zeile, ob die im jeweiligen Produkt enthaltenen Materialien passend sind. So gehe ich vor:

• Über Daten > Daten abrufen > Aus Tabelle/Bereich lade ich alle drei Tabellen nach Power Query und benenne die Abfragen Produkte, Verpflichtend und Ausschluss.
• Als Datentyp für die relevanten Spalten wähle ich Text.
• Über Spalte hinzufügen > Benutzerdefinierte Spalte erstelle ich eine neue Spalte mit dem Namen Passend.
• Bevor ich Listenfunktionen anwenden kann, erstelle ich aus den Daten zu jedem Produkt eine Liste. Das erledige ich mit der Anweisung Record.ToList(_).

Alle Einträge in einer Zeile sind ein Record und werden mit Record.ToList in eine Liste transformiert

• Die Einträge jeder Zeile sind damit zu einer Liste geworden. Alle Einträge in einer Zeile sind ein Record und der Unterstrich _ stellt den Bezug auf die aktuelle Zeile her.
• Eine Vorschau auf das Ergebnis erhalte ich per Klick in eine Zelle mit List-Eintrag.

Per Klick in eine Zelle mit List-Eintrag lässt sich der Inhalt der jeweiligen Liste einsehen

• Um später nur die Materialspalten zu prüfen, entferne ich mit List.Skip und dem Parameter 1 den ersten Eintrag aus der Liste – nämlich den Eintrag mit dem Namen des Produktes.

Mit List.Skip und dem Paramater 1 den ersten Eintrag in der Liste übergehen

• Nun prüfe ich mit der Funktion List.ContainsAll, ob die Liste der Materialien eines Produkts alle Elemente aus der Liste Verpflichtend[Material] enthält. Die Funktion liefert dann den Wert TRUE oder FALSE zurück.

Mit List.ContainsAll für jedes Produkt die Liste seiner Materialien prüfen, ob darin alle verpflichtenden Materialien enthalten sind

• Gleichzeitig soll auch sichergestellt werden, dass keine Materialien aus der Liste Ausschluss[Material] vorkommen.
  Dazu erweitere ich die Formel um eine UND-Bedingung mit der verneinten Funktion List.ContainsAny unter Angabe der Liste Ausschluss[Material].

Mit not List.ContainsAny für jedes Produkt die Liste seiner Materialien prüfen, ob sie ein auszuschließendes Material  enthält

• Nun muss nur noch die Spalte Passend nach TRUE-Werten gefiltert werden.
  Per Rechtsklick auf einen TRUE-Wert wähle ich Logische Filter > Ist gleich und erhalte damit die Produkte mit den passenden Materialien.

Per Rechtsklick in der Spalte Passend die Liste der Produkte mit passenden Materialien filtern

• Die Spalte Passend wird nun nicht mehr benötigt und kann per Rechtsklick im Spaltenkopf entfernt werden.

Tipp 1: Fehler durch falsche Groß-/Kleinschreibung vermeiden

• Power Query beachtet überall die Groß-/Kleinschreibung.
• Ist ein Material beispielsweise in der Produktliste groß geschrieben und in der Verpflichtend-Liste klein, so wird dieses Material nicht gefunden. Die Filterung der passenden Produkte läuft fehl.
• Um die Groß-/Kleinschreibung bei der Prüfung der Listeneinträge zu ignorieren, kann sowohl der Funktion List.ContainsAll als auch der Funktion List.ContainsAny der Parameter Comparer.OrdinalIgnoreCase mitgegeben werden.

Mit dem Parameter Comparer.OrdinalIgnoreCase die Groß-/Kleinschreibung unbeachtet lassen

Tipp 2: Unerwünschte Ergebnisse bei Leereinträgen vermeiden

• Enthalten die Tabelle tbl_Verpflichtend oder die Tabelle tbl_Ausschluss Leereinträge, so können diese ebenfalls zu einem falschen Filterergebnis führen.
• Das lässt sich jeweils leicht beheben durch Filterung im Spaltenkopf der Spalte Material mit dem Befehl Leere entfernen.

Fazit und weitere Einsatzmöglichkeiten

Die hier beschriebene Technik lässt in unterschiedlichsten Branchen und Szenarien nutzen. Hier drei Beispiele:

• Kunden- und Vertriebsanalyse: Bei einer Messe wird das Interesse von Kunden an verschiedenen Produkten in mehreren Spalten erfasst („Produkt X“, „Produkt Y“, „Produkt Z“). Nach der Messe sollen nur die Kunden selektiert werden, die mindestens an Produkt X interessiert sind, nicht aber an Produkt Z.
• Lager- und Bestandsmanagement: Ein Logistiker verwaltet Lagerbestände mit verschiedenen Eigenschaften: Gefahrgut, Verderblich, Schwer transportierbar. Es sollen Artikel gefunden werden, die mindestens eine bestimmte Eigenschaft besitzen, aber nicht als Gefahrgut klassifiziert sind.
• Personalmanagement und Schichtplanung: Die Qualifikationen von Mitarbeitern wird in mehreren Spalten erfasst (z. B. „Zertifikat für Maschine M8“, „Erfahrung mit Prozess P6“). Nun sollen nur Mitarbeiter gefunden werden, die mindestens eine bestimmte Qualifikation haben, aber nicht nur für eine bestimmte Maschine zertifiziert sind.

Interessiert an weiteren Tipps zu Power Query?

Wer sein Wissen zu Power Query systematisch auf- und ausbauen will, kann dazu einen meiner Online-Kurse nutzen. Auf dieser Seite ist das aktuelle Angebot zu finden.

TIPP: Wer hier im Blog alle Rezepte zu Power Query finden möchte, gibt einfach oben rechts in das Suchfeld Power-Query-Rezept ein.

Der Beitrag Power Query: Merkmale über mehrere Spalten hinweg filtern erschien zuerst auf Hügemann Informatik.

In meinem Rezept #25 zeige ich, wie in Power Query E-Mail-Adressen aus Bemerkungsfeldern extrahiert werden, indem ich alle Texte mit einem @-Zeichen verarbeite.

Alle Texte mit einem @ Zeichen extrahieren und in einer neue Spalte auflisten, ggf. getrennt mit |

1) Text in Freitextfeldern aufteilen mit Text.SplitAny

Zunächst überführe ich den Text der Spalte Bemerkung in eine Liste aus Worten. Als Trennzeichen nutze ich hierbei Leerzeichen, Komma und Semikolon. Anschließend selektiere ich aus dieser Wortliste alle Zeichenketten, die ein @ enthalten. So gehe ich vor:

• In Excel klicke ich in die Tabelle und wähle auf der Registerkarte Daten > Daten abrufen > Aus Tabelle/Bereich.
• Bevor ich mit Textfunktionen arbeite, ändere ich den Datentyp der Spalte Bemerkung zu Text.
• Über Spalte hinzufügen > Benutzerdefinierte Spalte erstelle ich eine neue Spalte mit dem Namen E-Mail-Adressen [1].
• Mit der Funktion Text.SplitAny und unter Angabe der gewünschten Trennzeichen zerlege ich den gesamten Text in eine Liste von Worten [2].

Der Funktion Text.SplitAny die Trennzeichen Semikolon, Komma und Leerzeichen mitgeben

Als Ergebnis erhalte ich in jeder Zelle der neuen Spalte eine Liste mit Wörtern.

Tipp: Klicke ich in eine dieser Zellen (nicht auf das Wort List), kann ich mir unten links das Ergebnis einer einzelnen Zelle ansehen.

Die Funktion Text.SplitAny erzeugt eine Liste mit allen Worten der Spalte Bemerkung

2) Aus der Wortliste die Zeichenketten mit @ filtern mit List.Select

Um nur Zeichenketten mit @ zu extrahieren, bearbeite ich die benutzerdefinierte Spalte wie folgt weiter:

• Ich klicke rechts im Bereich Angewendete Schritte auf das Zahnrädchen beim Schritt Hinzugefügte benutzerdefinierte Spalte und wende die Funktion List.Select an.
• Der Funktion List.Select gebe ich als zweites Argument die Bedingung each Text.Contains(_,“@“) mit.
  Damit werden alle Listenelemente mit einem @-Zeichen selektiert.

Die Funktion List.Select wählt in Kombination mit der Funktion Text.Contains alle Texte mit @-Zeichen aus

Als Ergebnis erhalte ich in jeder Zelle wieder eine Liste, diesmal aber nur noch mit den Texten, die ein @-Zeichen enthalten.

In der Liste jeder Zelle befinden sich jetzt nur noch E-Mail-Adressen

3) E-Mail-Adressen zu einem Text zusammenfügen mit Text.Combine

Um nun die Wörter zu einem Text zusammenzufügen, bearbeite ich die benutzerdefinierte Spalte erneut und erweitere den Formeltext:

• Ich klicke im Bereich Angewendete Schritte auf das Zahnrädchen beim Schritt Hinzugefügte benutzerdefinierte Spalte und erweitere die vorhandene Formel am Anfang um die Funktion Combine.
• Dieser gebe ich als zweites Argument das Trennzeichen “ | “ mit.

Die Formel erweitern und die Liste der E-Mail-Adressen mit Text.Combine zusammenfügen

Das Ergebnis kann sich sehen lassen: Alle vorhandenen E-Mail-Adressen stehen nun |-getrennt in einer neuen Spalte.

Fertig: Die neue Spalte mit den E-Mail-Adressen

Profi-Tipp 1: Weitere Bedingungen für das Selektieren der E-Mail-Adressen einbauen – mindestens ein Punkt

Das hier beschriebene Verfahren extrahiert alle Texte mit @-Zeichen. Allerdings garantiert das nicht die Richtigkeit der E-Mail-Adressen.
Um sicherzustellen, dass nicht nur ein @-Zeichen, sondern beispielsweise auch mindestens ein Punkt im Text vorkommt, erweitere ich die Bedingung von List.Select wie folgt.

Die Prüfung auf eine korrekte E-Mail-Adresse beispielsweise erweitern auf das Vorhandensein eines Punktes

Profi-Tipp 2: Punkt am Ende von E-Mail-Adressen bei Bedarf entfernen

Das Leben ist bunt. Daher kann es auch vorkommen, dass im Bemerkungstext ein Punkt NACH einer E-Mail-Adresse steht – als Satzzeichen. Auch für diese Herausforderung gibt es eine Lösung.

• Dazu bearbeite ich die durch List.Select entstandene Liste von Wörtern mit der Funktion List.Transform [1].
• Ich prüfe mit einer if-Anweisung auf einen Punkt am Ende [2] und reduziere gegebenenfalls die E-Mail-Adresse mit Text.Start [3] um ein Zeichen von rechts – berechnet durch Gesamtlänge -1 [4].

Da der Punkt absichtlich nicht als Trennzeichen vorgegeben wurde, kann es zu einem Punkt am Ende einer E-Mail-Adresse kommen

Einen möglichen Punkt am Ende einer E-Mail-Adresse eliminieren.

Und so sieht das Ergebnis dann aus:

Fazit

• Mit einer Kombination aus Text.SplitAny, List.Select, Text.Combine und Text.Contains lassen sich E-Mail-Adressen aus Zeichenketten herauslösen.
• Allerdings kann diese Technik nicht dafür sorgen, dass aus fehlerhaft eingegebenen anschließend korrekte E-Mail-Adressen werden.

Der Beitrag Power Query: E-Mail-Adressen aus Zeichenketten auslesen erschien zuerst auf Hügemann Informatik.

Bei weiterer Nachfrage kam heraus: wöchentlich muss eine CSV-Datei bearbeitet werden:
– zuerst die Angaben zum Datum in Ordnung bringen,
– dann die Daten nach einem Kriterium filtern,
– die verbleibenden Daten nach Datum sortieren,
– eine Multiplikation durchführen und
– abschließend eine überflüssige Spalte löschen.

Diese stupide Arbeit steht jede Woche an und es darf nichts vergessen werden.

Meine Reaktion? Ich zeigte ihnen, wie sie diese fünf Aufgaben mit Power Query erledigen. Und, dass sie diese Aufbereitungsschritte beim nächsten Mal in kürzester Zeit durchführen lassen, indem sie nur den Befehl Aktualisieren aufrufen.

In diesem Power Query Rezept #24 beschreibe ich, WIE es geht.

CSV-Dateien einfach per Doppelklick öffnen? Keine gute Idee!

Oft werden CSV-Dateien per Doppelklick in Excel geöffnet, doch das ist riskant. Denn Excel nimmt beim Öffnen automatische Datenkonvertierungen vor, die später problematisch werden können (es sei denn, dieser Automatismus wurde in den Excel-Optionen ausgeschaltet).

Importiere ich hingegen eine CSV-Datei mit Power Query, kann ich jeden Schritt der Aufbereitung selbst bestimmen. Das geht ganz einfach:

• In Excel wähle ich auf der Registerkarte Daten > Daten abrufen > Aus Datei > Aus Text/CSV.
• Ich navigiere zur gewünschten CSV-Datei und klicke auf Importieren.
• Im folgenden Dialogfeld klicke ich auf Daten transformieren, schon öffnet sich der Power Query-Editor. Er ist das perfekte Tool für die Datenaufbereitung.

Um diese CSV-Datei geht es und das sind die Aufgaben

Das folgende Bild zeigt, dass die Informationen der CSV-Datei in sieben Spalten aufgebaut sind. Diese Vorschau erhalte ich, wenn ich die CSV-Datei per Rechtsklick und mit Öffnen in im Editor von Windows öffne.

Die Daten der CSV-Datei müssen Woche für Woche aufs Neue aufbereitet werden

Bisher müssen jede Woche erneut folgende Schritte ausgeführt werden:
1. Datumsspalte mit Trennzeichen versehen, um ein korrektes Datum zu erhalten [1],
2. die Daten nach dem Status »Abgeschlossen« filtern [2] und dann die Spalte Status löschen,
3. die Daten nach Datum aufsteigend sortieren,
4. den Gesamtpreis mit Menge*Preis berechnen [3],
5. das Ergebnis schön formatiert in Excel bereitstellen – inkl. der Möglichkeit, nach ausgewählten Kunden zu filtern.

Genial: Ab sofort mehrere Arbeitsschritte mit nur einem Klick erledigen

In Power Query lassen sich alle diese Arbeitsschritte mit Hilfe einer Abfrage bündeln. So geht’s:

• In der Spalte Datum auf das Symbol 123 klicken, Datum anklicken und so den aktuellen Spaltentyp ersetzen

Das Textdatum nicht mehr mühsam manuell, sondern einfach per Klick in ein korrektes Datum umwandeln

• Rechtsklick in der Spalte Status auf den Wert Abgeschlossen und Textfilter > Ist gleich.

Schnelles Filtern nach dem gewünschten Status »Abgeschlossen« …

• Anschließend erneuter Rechtsklick in die Spalte Status und Spalte entfernen.

… und gleich noch die Spalte per Rechtsklick entfernen

• Klick auf den Dropdownpfeil in der Spalte Datum und dann Aufsteigend sortieren.

Die Datumsspalte aufsteigend sortieren über den Dropdownpfeil

Nach dem Aufräumen folgt nun das Berechnen des Gesamtpreises

• Dazu die Spalten Menge und Preis mit gedrückter Strg-Taste markieren.
• Spalte hinzufügen > Standard > Multiplizieren.
• Schließlich per Doppelklick im Spaltenkopf die neue Spalte umbenennen in Gesamtpreis.

Die Werte der Spalten Menge und Preis multiplizieren

Das Ergebnis: Eine übersichtliche und bereits fertig formatierte Tabelle

Das Resultat der Datenaufbereitung wird nun wie folgt an Excel zurückgegeben:

Auf der Registerkarte Start die Befehlsfolge Schließen & laden > Schließen & laden in …> Tabelle wählen.

So werden die aufbereiteten Daten in eine Excel-Tabelle geladen

Und so sieht das Ergebnis aus, nachdem in Excel für die Spalten Preis und Gesamtpreis das Zahlenformat Währung zugewiesen wurde.

Die fertige Tabelle in Excel

Und was ist in der Folgewoche? Nur noch Aktualisieren anklicken

• Kommt eine neue CSV-Datei hinzu, wird die Tabelle in Excel einfach per Rechtsklick aktualisiert.

Per Rechtsklick Aktualisieren wählen, um die Daten aus der neuen CSV-Datei zu ziehen

Und was ist, wenn die neue CSV-Datei einen anderen Namen hat?

Hat die CSV-Datei nicht immer den gleichen Namen, sondern Woche für Woche einen anderen, muss die jeweils neue Datei – wie in der folgenden Abbildung gezeigt – über Daten > Daten abrufen > Datenquelleneinstellungen als neue Quelle bestimmt werden.

Über Datenquelleneinstellungen auf eine andere CSV-Datei gleicher Struktur zugreifen

Fazit

• Das Aufbereiten von CSV-Dateien lässt sich mit Power Query schnell und einfach erledigen.
• Alle Schritte der Datenaufbereitung werden in einer Abfrage mitprotokolliert.
• Dadurch entfällt das mühsame manuelle Aufbereiten Woche für Woche, denn ein Klick auf Aktualisieren reicht.

Heute wäre meine Antwort auf die eingangs gestellte Frage:
Ja, auch für Excel-Einsteiger eignet sich Power Query als ein sehr brauchbares Werkzeug, das zudem einfach zu bedienen ist.

Interessiert an weiteren Tipps zu Power Query?

Wer sein Wissen zu Power Query systematisch auf- und ausbauen will, kann dazu einen meiner Online-Kurse nutzen. Auf dieser Seite ist das aktuelle Angebot zu finden.

TIPP: Wer hier im Blog alle Rezepte zu Power Query finden möchte, gibt einfach oben rechts in das Suchfeld Power-Query-Rezept ein.

Der Beitrag Sollten Excel-Einsteiger »Power Query« lernen? erschien zuerst auf Hügemann Informatik.

Der Grund dafür: In Power Query wird bei Werten genau in der Mitte zwischen zwei ganzen Zahlen standardmäßig auf die nächste gerade Zahl auf- oder abgerundet. Aus 2,5 wird somit 2, aus 1,5 wird ebenfalls 2.

Wie Power Query beim Runden tickt und wie es auf kaufmännisches Runden umgestellt werden kann, beschreibe ich in diesem Rezept.

Zum Teil unterschiedliche Ergebnisse beim Runden in Excel und Power Query

Überraschung, oder wie das Runden in Power Query funktioniert

Ich war überrascht, als ich zum ersten Mal die Rundungsfunktion in Power Query nutzte und dann die Ergebnisse überprüfte. Ich hatte erwartet, dass Power Query und Excel beim Runden gleichermaßen vorgehen und demzufolge gleiche Ergebnisse liefern. Dem ist aber nicht so.

• Es stellte sich heraus, dass Power Query standardmäßig den Rundungsmodus ToEven verwendet. Dies bedeutet: Werte genau zwischen zwei ganzen Zahlen – z. B. 1,5 oder 2,5 – werden auf die nächste gerade Zahl gerundet. Mal nach oben, mal nach unten, also 1,5 zu 2 aufgerundet und 2,5 zu 2 abgerundet.
• Bei allen anderen Wertekonstellationen verhält sich Power Query standardmäßig wie beim kaufmännischen Runden: von 0,1 bis 0,4 wird abgerundet, von 0,6 bis 0,9 aufgerundet.

Der Vergleich: Runden in Excel und in Power Query

Im eingangs gezeigten Bild liegen in einer intelligenten Tabelle Messwerte  vor, die auf ein Ganzes gerundet werden sollen.

Für den Vergleich der Rundungsmethoden in Excel und Power Query gehe ich wie folgt vor:

• In Excel erstelle ich eine zweite Spalte RUNDEN(Excel), in der ich den gerundeten Wert mit der Formel =RUNDEN([@Messwert];0) ermittle.
• Anschließend lese ich über Daten abrufen > Aus Tabelle/Bereich die Tabelle in Power Query ein.
• Dort markiere ich die Spalte Messwert und wähle im Register Spalte hinzufügen > Runden > Runden.
• Im nun angezeigten Dialog für die Dezimalstellen gebe ich den Wert 0 ein.
• Nach einem Klick auf OK erhalte ich ein Ergebnis, das standardmäßig RoundingMode.ToEven nutzt.
• Abschließend benenne ich die neue Spalte um in Number.Round(PQ).

In Power Query eine neue Spalte anlegen, in der die Messwerte gerundet werden sollen

So gelingt »kaufmännisches Runden« in Power Query

Was aber, wenn der gleiche Rundungsmodus wie in Excel gebraucht wird? Mit einem kleinen Kniff lässt sich das erreichen. So gehe ich vor:

• Zuerst erstelle ich wie oben beschrieben in Power Query eine neue Spalte mit gerundeten Werten.
• Dann greife ich in der Bearbeitungsleiste in den M-Code ein und nutze dort das dritte Argument der Funktion Number.Round.
• Dazu tippe ich hinter der Angabe 0 für die Dezimalstellen ein Komma und dann den Text Round ein.
• Aus der nun angebotenen Liste der Rundungsmodi wähle ich RoundingMode.AwayFromZero.
• Auf diese Weise erhalte ich das gleiche Rundungsergebnis wie in Excel.

Die Standard-Rundungsmethode RoundingMode.ToEven ändern in RoundingMode.AwayFromZero

Fazit

1. Excel und Power Query bieten je drei Rundungs-Funktionen: RUNDEN, AUFRUNDEN und ABRUNDEN.
2. Wird der Befehl RUNDEN verwendet, weichen die Ergebnisse zum Teil voneinander ab, wenn die zu rundende Dezimalstelle eine 5 ist.
   Beispiel 1: Beim Runden von 2,5 auf einen ganze Zahl liefert Excel den Wert 3, Power Query hingegen den Wert 2.
   Beispiel 2: Beim Runden von 2,45 auf eine Dezimalstelle liefert Excel 2,5, Power Query hingegen 2,4
3. Wer runden will, muss daher bewusst wählen, welche Art von Runden für seine Zahlen am besten geeignet ist.
4. Die Funktion RUNDEN in Excel nutzt das kaufmännische Runden. Damit der Befehl Runden in Power Query ebenfalls kaufmännisch rundet, muss die Funktion Number.Round noch um das Argument RoundingMode.AwayFromZero ergänzt werden.

Interessiert an weiteren Tipps zu Power Query?

Wer sein Wissen zu Power Query systematisch auf- und ausbauen will, kann dazu einen meiner Online-Kurse nutzen. Auf dieser Seite ist das aktuelle Angebot zu finden.

TIPP: Wer hier im Blog alle Rezepte zu Power Query finden möchte, gibt einfach oben rechts in das Suchfeld Power-Query-Rezept ein.

Der Beitrag Power Query: Böse Überraschungen beim Runden vermeiden erschien zuerst auf Hügemann Informatik.