Wie lassen sich die Daten links nach Kostenstellen mit Buchstaben oder mit Zahlen am Anfang filtern?

Problematisch wird es jedoch, wenn es um deutlich mehr Filterkriterien geht: beispielsweise, wenn nach beliebigen Buchstaben oder Ziffern am Anfang gefiltert werden soll. Ich zeige, wie ich den Aufwand bei gleichartigen Mehrfachfiltern mit List.Contains vereinfache und minimiere.

Was passiert, wenn mehrere gleichartige Filterkriterien gebraucht werden?

Die folgende Abbildung zeigt, dass es bei einer Vielzahl von Filterkriterien schnell unübersichtlich und aufwändig werden kann. Es funktioniert zwar, hat aber einige Nachteile:

• Das Definieren und Ändern der Filterkriterien sind aufwändig,
• der M-Code wird unnötig lang,
• die Lesbarkeit leidet.
• Zudem muss Power Query für jede Zeile mehrere Bedingungen nacheinander auswerten.

Über den Spaltenkopf ließen sich mit Hilfe vieler Oder-Bedingungen die Kostenstellen herausfiltern, die mit einem Buchstaben beginnen, doch der Aufwand wäre hoch

Die folgende Abbildung zeigt, dass bei diesem Standard-Vorgehen der M-Code unnötig lang und unübersichtlich wird.

Viele Oder-Bedingung beim Filtern erzeugen einen langen, unübersichtlichen M-Code

Die schlaue Alternative mit List.Contains

• Eleganter ist es, die zulässigen Anfangszeichen in einer Liste zu definieren.
• Anschließend prüfe ich mit List.Contains, ob das erste Zeichen der Kostenstelle in dieser Liste enthalten ist.
• Der Code wird dadurch kompakter, leichter verständlich und flexibler.

Fall 1: Alle Kostenstellen beginnend mit einem Buchstaben filtern

Um alle Kostenstellen nach einem beliebigen Anfangsbuchstaben mit einer einzigen Listenabfrage zu filtern, gehe ich wie folgt vor:

• Ich lade die Kosten-Tabelle über Daten > Daten abrufen > Aus Tabelle/Bereich in den Power Query-Editor.
• Anschließend bestimme ich die Datentypen der Spalten, insbesondere wähle ich den Datentyp Text für die Spalte KST.
• Um einen Musterschritt zur Filterung zu erzeugen, filtere ich über die Häkchenfelder nach einer bestimmten Kostenstelle.
• Die Anweisung, die dem Wörtchen each folgt, tausche ich aus durchList.Contains({“A“..“Z“},Text.Start([KST], 1)).

Der Trick: Die Filteranweisung nach einer bestimmten Kostenstelle durch die List.Contains-Anweisung austauschen

Zur Erläuterung:

• Die Funktion List.Contains prüft, ob die im ersten Argument angegebene Liste den im zweiten Argument angegeben Wert enthält.
• Für das erste Argument wird mit der Anweisung {“A“..“Z“} eine Liste aller Großbuchstaben erzeugt.
• Für das zweite Argument wird mit der Funktion Text.Start und der Zahl 1 als zweiten Parameter der erste Buchstabe der Kostenstelle ermittelt.

Die Funktion List.Contains prüft, ob der angegebene Wert in einer Liste von Werten vorliegt

Fall 2: Achtung Falle, Power Query ist »Case sensitive«

Problematisch wird es, wenn eine Kostenstelle mit klein geschriebenem Anfangsbuchstaben vorliegt. Hier beispielsweise die Kostenstelle x9999. Sie wird bei der obigen Filterung nicht berücksichtigt.

Um nun nicht eine weitere Liste für “a“..“z“ angeben zu müssen, umgehe ich das Problem mit Hilfe eines dritten, optionalen Parameters in der Funktion List.Contains.

So geht’s:
Ich erweitere die List.Contains-Anweisung durch Eingabe eines Kommas und anschließender Auswahl des Vergleichswertes Comparer.OrdinalIgnoreCase als drittes Argument.

Durch Angabe des dritten Arguments als Comparer.OrdinalIgnoreCase wird die Groß-/Kleinschreibung ignoriert

Fall 3: Alle Kostenstellen beginnend mit einer Ziffer filtern

Um alle Kostenstellen beginnend mit einer Ziffer zu filtern, gehe ich wie oben beschrieben vor. Allerdings ersetze ich die im ersten Argument angegebene Liste {“A“..“Z“} durch {“0“..“9“}.

Statt einer Liste von Großbuchstaben eine Liste von Ziffern vorgeben

FAZIT

• Für alle, die Power Query regelmäßig einsetzen, ist dies ein Beispiel dafür, wie M-Code nicht nur zum Laufen gebracht, sondern bewusst so gestaltet wird, dass er verständlich und leicht anpassbar ist.
• Hinzu kommt, dass sich je nach Datenquelle und Ausführungsplan zusätzlich ein Performancevorteil ergeben kann. Insbesondere bei umfangreicheren Wertelisten oder dynamisch erzeugten Listen ist ein solcher Ansatz dann die performantere Lösung.

Tipp: Power Query systematisch lernen

Hat Ihnen dieser Tipp weitergeholfen? Dann vertiefen Sie Ihr Wissen in meinen offenen Online-Power-Query-Kursen. Im Einstiegskurs lernen Sie, Daten automatisiert zu importieren, zu bereinigen und zu transformieren – die ideale Grundlage für effiziente Datenaufbereitung. Wenn Sie bereits mit Power Query arbeiten, zeigt Ihnen der Aufbaukurs, wie Sie robuste, wiederverwendbare Abfragen entwickeln, Aktualisierungsfehler vermeiden und auch komplexe Datenstrukturen souverän beherrschen.

👉 Power Query: Einstiegskurs – Daten automatisiert importieren, bereinigen und transformieren am 6.10.2026:
https://www.huegemann-informatik.de/training/daten-automatisiert-importieren-bereinigen-und-transformieren/

👉 Power Query: Für Fortgeschrittene – Mehr Produktivität und hohe Datenqualität mit nachhaltigen Abfrage-Tools am 4.11.2026:
https://www.huegemann-informatik.de/training/power-query-fuer-fortgeschrittene-mehr-produktivitaet-und-hohe-datenqualitaet-mit-nachhaltigen-abfrage-tools/

Der Beitrag Power Query: Leichter filtern mit List.Contains statt vieler Einzelbedingungen erschien zuerst auf Hügemann Informatik.

Die Ausgangsdaten, die per Datenschnitt nach Ort gefiltert werden

An diesen Standard bei gefilterten Daten sind wir gewöhnt …

Wenn eine Liste oder Tabelle gefiltert ist, gehe ich wie folgt vor, um einen bestimmten Inhalt einzugeben. Die folgende Abbildung zeigt dafür ein Beispiel: in den nach Ulm gefilterten Zeilen soll das aktuelle Datum eingetragen werden.

Alles perfekt: Die im Filtermodus hinzugefügten Einträge – hier ein Datum – erscheinen nur in den sichtbaren Zellen

• Ich markiere die betreffenden Zellen im gefilterten Bereich.
• Nun trage ich den gewünschten Inhalt ein – hier ein Datum.
• Meine Eingabe schließe ich nicht mit Enter, sondern mit Strg + Enter ab, da nicht nur eine, sondern mehrere Zellen markiert sind.

Nach Ausschalten des Filters sieht das Ergebnis so aus: Nur die sichtbaren, gefilterten Zeilen wurden geändert. Die ausgeblendeten Datensätze bleiben unverändert. So weit, so gut.

… doch bei Kontrollkästchen gibt’s eine unangenehme Überraschung

Logisch, dass genau dieses Verhalten nun auch bei Kontrollkästchen erwartet wird. Doch das ist ein Trugschluss.

• Ich filtere die Daten nach Ulm (siehe Bild unten links) und möchte jetzt in der Spalte „Inventur“ für alle drei sichtbaren Zeilen die Kontrollkästchen aktivieren.
• Ich markiere dazu die drei betroffenen Zellen in der Inventur-Spalte.
• Anschließend aktiviere ich die Kontrollkästchen mittels Leertaste.

Zunächst sieht alles gut aus. Doch wenn ich die Filterung aufhebe, sehe ich das Fiasko:
Nicht nur die drei sichtbaren Zeilen wurden geändert, sondern alle Kontrollkästchen von Zeile 8 bis Zeile 12 wurden aktiviert. Also auch die Kontrollkästchen in den ausgeblendeten Zeilen. Achtung, Falle! Die Kontrollkästchen werden beim Betätigen der Leertaste nicht nur in den sichtbaren Zellen aktiviert

Jetzt habe ich ein Problem, denn meine Übersicht ist fehlerhaft. Es wurden drei Kontrollkästchen aktiviert, die eindeutig nicht zu Ulm gehören.

Zwei Wege, wie sich solche Pannen vermeiden lassen

Erste Schlussfolgerung: Bei einer gefilterten Liste oder Tabelle kann ich die Kontrollkästchen nicht per Leertaste für mehrere markierte Zellen aktivieren oder deaktivieren.

Muss ich jetzt also jedes Kontrollkästchen einzeln anklicken? NEIN, denn es gibt zwei Lösungswege:

💡Ich wähle nach dem Markieren der gefilterten Zellen die nur sichtbaren Zellen aus, indem ich die Tastenkombination Alt + ; drücke. Erst dann betätige ich die Leertaste zum Aktivieren bzw. Deaktivieren der Kontrollkästchen.

💡Oder ich tippe nach dem Markieren der betreffenden Zellen WAHR ein und schließe die Eingabe mit Strg + Enter ab. Damit aktiviere ich nur die Kontrollkästchen in den sichtbaren Zellen. Mit FALSCH werden sie deaktiviert.

Fazit

Kontrollkästchen sind nützlich, da sie den Status von Daten visuell mittels Kontrollkästchen aufzeigen. Jedoch gibt es beim Einsatz in gefilterten Listen und Tabellen eine Besonderheit:

• Anders als bei normalen Zellwerten wirken sich Änderungen der Kontrollkästchen per Leertaste nicht nur auf die sichtbaren, gefilterten Zeilen aus.
• Unangenehme Überraschungen lassen sich mit den beiden oben beschriebenen Lösungswegen vermeiden. Die Variante mit WAHR bzw. FALSCH und dann Strg + Enter ist vermutlich leichter zu merken und umzusetzen.

Lust auf mehr Tipps & Tricks zu Office?

Bei den Office-Kompetenztagen Ende September gibt es in über 30 Kursen geballtes Wissen zu den Office-Programmen. Wer sich besonders für das Thema Office + KI interessiert, findet im unten abgebildeten Kursplan die betreffenden Kurse farblich hervorgehoben.

Alle Informationen zu dem dreitägigen Trainings-Event gibt es hier.

Der Beitrag Excel: Böse Falle bei Kontrollkästchen vermeiden erschien zuerst auf Hügemann Informatik.

Mit Hilfe von zwei Array-Funktionen lassen sich unstimmige Zeilen einfach ermitteln

Die Formel mit den Array-Funktionen aufbauen

Die Lösung sieht wie folgt aus:
Zuerst liste ich den neuen/veränderten und den alten Datenbestand untereinander auf mit Hilfe der Funktion VSTAPELN.
Dann ermittele ich aus diesem Komplettbestand mit EINDEUTIG und dem dritten Argument WAHR alle Zeilen, die genau einmal vorkommen.

So entwickle ich die Formel …

• In eine Zelle tippe ich zunächst die Funktion VSTAPELN ein und gebe darin die Bereiche der beiden Datenbestände Belegdaten_aktuell und Belegdaten_alt an.

Die Array-Funktion VSTAPELN ordnet die Zeilen beider Listen untereinander an

• Um nun nur die Zeilen zu erhalten, die neu oder verändert sind, wende ich die Funktion EINDEUTIG auf diese Liste an und nutze im dritten Argument WAHR. Damit werden alle Duplikatzeilen entfernt und es bleiben nur noch die erhalten, die genau einmal vorkommen.

Mit der Funktion EINDEUTIG und dem dritten Argument WAHR bleiben nur die Zeilen erhalten, die in beiden Listen zusammen nur genau einmal vorkommen

Nacharbeit nötig: Die Formellösung formatieren

Diese Formel auf Basis von zwei Array-Funktionen muss nie mehr angepasst werden, da sie dynamisch auf neue Daten reagiert.
Allerdings hat diese Lösung zu den Power Query-Lösungen den Nachteil, dass nicht automatisch eine intelligente Tabelle für die Ausgabedaten erstellt wird. Somit muss die Eingabe der Überschrift als auch die Formatierung der Spalten von Hand vorgenommen werden.

Die Formellösung muss manuell nachgearbeitet werden bei den Überschriften und Formaten

Wo liegen die Unterschiede zu den Power Query-Lösungen?

1. Bei neu hinzugefügten Zeilen gibt es in der Ausgabe aller drei Lösungen keinen Unterschied. Bei veränderten Zeilen werden in der Formellösung sowohl die aktuelle als auch die bisherige Zeile angezeigt. Die Power Query-Lösungen hingegen zeigen nur die aktuelle Zeile an.
2. Die Power Query- Lösungen benötigen eine Aktualisierung, die Formellösung nicht.
3. Die Power Query- Lösungen liefern gleich eine sauber formatierte intelligente Tabelle. Bei der Formellösung müssen Spaltenüberschriften und Formatierung selbst erledigt werden.

FAZIT: Gerade die Kombination aus modernen Excel-Formeln und Power Query zeigt, wie stark sich Excel in den letzten Jahren weiterentwickelt hat. Viele Aufgaben, die früher nur mit komplizierten Hilfsspalten oder VBA lösbar waren, lassen sich heute deutlich eleganter umsetzen. Wer sein Wissen dazu auf den aktuellen Stand bringen will, ist bei den Office-Kompetenztagen vom 28. bis 30. September in der Kursreihe für Excel genau richtig.

Der Beitrag Geht auch ohne Power Query: Neue und veränderte Zeilen in zwei Listen finden mit Hilfe einer smarten Formel erschien zuerst auf Hügemann Informatik.

Per Abfrage neue und veränderte Buchungszeilen stets im Blick haben

In diesem Beitrag zeige ich dazu zwei Lösungswege, um neue bzw. veränderte Einträge automatisch per Abfrage zu ermitteln:

Weg 1: Power Query mit einem Anti-Join

Das ist der klassische und robuste Weg in Power Query. Dabei werden zwei Tabellen miteinander verglichen und gezielt nur die Datensätze ausgegeben, die ausschließlich in der neuen Liste vorkommen.

Weg 2: Power Query mit der Funktion Table.RemoveMatchingRows

Eine kompakte Alternative mit Hilfe von M-Code. Besonders interessant für Anwender, die gerne direkt im Power-Query-Code arbeiten und schlanke Abfragen bevorzugen.

Daten nach Power Query laden und Abfragen erstellen

Im Beispiel sollen in den zwei Beleglisten Belegdaten_alt und Belegdaten_aktuell  komplette Zeilen abglichen werden. So gehe ich vor:

• Ich aktiviere eine Zelle in der Tabelle Belegdaten_alt und lade diese mit der Befehlsfolge Daten > Daten abrufen > Aus Tabelle/Bereich nach Power Query.
• Ebenso verfahre ich mit der Tabelle Belegdaten_aktuell.
• In beiden Abfragen bestimme ich für alle Spalten den passenden Datentyp.

Weg 1: Neue oder veränderte Zeilen finden mittels linkem Anti-Join

• Ich markiere zunächst die Abfrage Belegdaten_aktuell.
• Über Start > Abfragen zusammenführen > Als neue Abfrage zusammenführen wähle ich im folgenden Dialog als zweite Abfrage Belegdaten_alt aus [1].
• Für den Abgleich über die komplette Zeile markiere ich in beiden Abfragen mit Hilfe der Strg– oder Umschalt-Taste alle Spalten in der gleichen Reihenfolge [2].
• Unter Join-Art wähle ich Linker Anti-Join [3].

Mit einem linken Anti-Join komplette Zeilen beider Beleglisten abgleichen

Im Ergebnis sehe ich alle neuen bzw. veränderten Zeilen. Da keine Daten aus der Abfrage Belegdaten_alt benötigt werden, lösche ich die Spalte Belegdaten_alt per Rechtsklick im Spaltenkopf mit dem Befehl Entfernen.

Da die Spalte Belegdaten_alt nicht gebraucht wird, kann sie entfernt werden

Weg 2: Neue und veränderte Zeilen finden mit Table.RemoveMatchingRows

• Ich erzeuge eine neue leere Abfrage über Start > Neue Quelle > Andere Quellen > Leere Abfrage.
• In der Bearbeitungsleiste gebe ich folgenden Befehl ein:
  = Table.RemoveMatchingRows(Belegdaten_aktuell, Table.ToRecords(Belegdaten_alt))

Eine einzige M-Code-Zeile reicht aus, um zwei Listen abzugleichen

Zur Erläuterung: Die Funktion Table.RemoveMatchingRows entfernt Zeilen aus einer Tabelle, die den angegebenen Kriterien entsprechen. Sie vergleicht die Werte der angegebenen Spalten in der Tabelle mit denen einer bereitgestellten Liste von Datensätzen (Table.ToRecords) und löscht alle passenden Zeilen.

Im Ergebnis sehe ich nun schon alle neuen bzw. veränderten Zeilen.

FAZIT: Welche Methode eignet sich wann?

Power Query mit Anti-Join

Der Anti-Join ist vermutlich die „offizielle“ und am besten nachvollziehbare Methode. Die einzelnen Schritte lassen sich komfortabel über die Oberfläche zusammenklicken und sind später auch für andere Anwender gut verständlich.

Power Query mit der Funktion Table.RemoveMatchingRows

Da diese Variante direkt im M-Code arbeitet, spart sie einige Zwischenschritte. Technisch ist sie elegant und kompakt, allerdings weniger intuitiv für Anwender, die nur gelegentlich und daher mit der Oberfläche von Power Query arbeiten.

Der Beitrag Power Query: Neue oder veränderte Datensätze zwischen zwei Listen identifizieren erschien zuerst auf Hügemann Informatik.

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.