Von der API bis zur Python-Grafik in Excel

Du kennst das: Die Daten liegen in irgendeiner Web-Anwendung, und wer sie in Excel auswerten will, klickt auf Exportieren, speichert eine CSV-Datei, öffnet sie, kopiert, formatiert – und nächste Woche das Ganze von vorn. Die eigentliche Frage ist aber eine andere: Wie bekomme ich die Daten so in Excel, dass ein Klick auf „Alle aktualisieren“ reicht – und die Auswertung samt Grafik sich danach von selbst erneuert?
Genau das zeige ich Dir in diesem Artikel und im zugehörigen YouTubeVideo. Als Beispiel dient mein digitales Bücherregal – eine kleine Web-App, in der ich meine Bücher per ISBN erfasse. Aktuell stehen dort 148 Bücher im Bestand und 9 auf der Wunschliste. Die App bietet eine Excel-Schnittstelle: einen persönlichen Link, der den Bestand als Datenfeed ausliefert.
Der Weg dorthin besteht aus fünf Schritten:
- Die API-Schnittstelle in Excel einbinden
- Die Daten im ETL-Tool Power Query aufbereiten
- Das Ergebnis nur als Verbindung laden
- Die Daten mit Python in Excel auswerten
- Eine Grafik mit Python erstellen
Das Prinzip funktioniert mit jeder Anwendung, die ihre Daten über eine URL bereitstellt – egal ob Shop-System, Ticket-Tool oder Zeiterfassung.

Was du brauchst
- Microsoft 365 mit einer aktuellen Excel-Version (Desktop)
- Python in Excel – im Menüband unter Formeln sollte die Gruppe Python mit der Schaltfläche Python einfügen zu sehen sein
- Einen API-Link Deiner Anwendung (meist im Profil oder in den Einstellungen unter „Schnittstelle“, „API“ oder „Export“ zu finden)
- Optional: Copilot in Excel, wenn Du Dir den Python-Code für die Grafik erzeugen lassen möchtest
Wichtig: Python in Excel läuft nicht auf Deinem Rechner, sondern in der Microsoft-Cloud. Das ist für die meisten Auswertungen kein Problem, sollte aber bei sensiblen Daten bedacht werden.
Schritt 1: Die API-Schnittstelle in Excel einbinden
In meiner Bücher-App finde ich die Schnittstelle unter Mein Profil → Excel-Schnittstelle. Dort steht sogar schon die Anleitung: Daten → Daten abrufen → Aus dem Web, Link einfügen. Darunter liegt der persönliche Link. Er sieht ungefähr so aus:
https://isbn-bookkeeper.lovable.app/api/public/inventory-feed?key=DEIN_SCHLÜSSEL
Hier nimmst Du natürlich Deinen eigenen API-Schlüssel zu Deiner Datenbank! Wenn Du Lovable noch nicht kennst oder dort noch keinen Account hast, guck doch mal rein. Über meinen Einladungslink https://lovable.dev/invite/HV9NO8L profitiere ich auch ein wenig davon.
Der Teil hinter key= ist Dein API-Schlüssel. Mit ihm kann jeder Deine Daten abrufen, der den Link kennt. Behandle ihn also wie ein Kennwort: nicht in Screenshots zeigen, nicht per Mail verschicken. Gute Anwendungen bieten – wie hier – die Schaltflächen Neuen Schlüssel erzeugen und Schlüssel widerrufen. Damit ist ein versehentlich geteilter Link sofort wertlos.
So bindest Du den Link ein:
- Klicke auf Link kopieren.
- Wechsle in eine leere Excel-Mappe und wähle Daten → Aus dem Web (Gruppe Daten abrufen und transformieren).
- Füge den Link ein und bestätige mit OK.
Excel erkennt das Format selbst. In meinem Fall liefert der Feed eine Textdatei mit Unicode (UTF-8) als Dateiursprung und Semikolon als Trennzeichen. Im Vorschaufenster siehst Du bereits Titel, Autor, Verlag und Erscheinungsjahr.
Jetzt kommt die wichtigste Entscheidung des ganzen Tutorials: Klicke nicht auf „Laden“, sondern auf „Daten transformieren“. Damit landest Du im Power-Query-Editor – und genau dort wollen wir hin.
Schritt 2: Die Daten in Power Query aufbereiten
Power Query ist das ETL-Werkzeug in Excel: Extract (Daten holen), Transform (aufbereiten), Load (laden). Das Schöne daran: Jeder Klick wird als angewendeter Schritt gespeichert. Beim nächsten Aktualisieren läuft die komplette Kette automatisch noch einmal ab – Du musst nichts wiederholen.
Der Feed liefert 17 Spalten und 157 Zeilen. Zwei Schritte hat Power Query bereits selbst erledigt: Höher gestufte Header (die erste Zeile wird zur Überschrift) und Geänderter Typ (Text, Zahl usw.). Den Rest machen wir von Hand.
Leere Seitenzahlen ersetzen
In der Spalte Seiten stehen bei einigen Büchern keine Werte, sondern null. Markiere die Spalte und wähle Start → Werte ersetzen. Als zu suchenden Wert gibst Du null ein, als Ersatz 0. In der Bearbeitungsleiste steht danach:
= Table.ReplaceValue(#"Geänderter Typ",null,0,Replacer.ReplaceValue,{"Seiten"})
Nur den Bestand behalten
Der Feed enthält auch die Bücher auf meiner Wunschliste. Die habe ich (noch) nicht im Regal, also fliegen sie raus: Klicke auf den Filterpfeil der Spalte Wunschliste und entferne den Haken bei Ja. Übrig bleiben 148 Zeilen – genau der Bestand, den auch die App anzeigt.
Nur die benötigten Spalten behalten
Für die Auswertung brauche ich nicht alle 17 Spalten. Über Start → Spalten auswählen setze ich nur die Haken bei Titel, Autor, Seiten, ISBN, Kategorie und Gelesen. Power Query nennt diesen Schritt „Andere entfernte Spalten“. Der Vorteil: Kommt in der App später eine neue Spalte dazu, bleibt Deine Abfrage trotzdem stabil.
Das Erscheinungsjahr lasse ich bewusst weg. Ein Blick in die Spalte zeigt warum: Dort steht mal 2024, mal Dezember 2023, mal Jun 10, 2019 oder [2018]. Das sauber zu bereinigen wäre ein eigenes Tutorial.
Der Abfrage einen sprechenden Namen geben
Zum Schluss benennst Du die Abfrage rechts unter Eigenschaften → Name um. Aus dem kryptischen inventory-feed?key=… wird books. Diesen Namen brauchen wir gleich in Python – halte ihn also kurz und ohne Leerzeichen.
| Angewendeter Schritt | Was passiert |
|---|---|
| Quelle | Daten werden über den API-Link abgerufen |
| Höher gestufte Header | Erste Zeile wird zur Überschrift |
| Geänderter Typ | Datentypen werden festgelegt |
| Ersetzter Wert | null in „Seiten“ wird zu 0Das wird später allerdings statistische Probleme bereiten |
| Gefilterte Zeilen | Wunschliste wird ausgeblendet (157 → 148 Zeilen) |
| Andere entfernte Spalten | Nur 6 von 17 Spalten bleiben |
Schritt 3: Nur als Verbindung laden
Jetzt würden die meisten auf Schließen & laden klicken. Dann landet eine Tabelle mit 148 Zeilen auf einem neuen Blatt. Brauchen wir die? Nein. Wir wollen die Daten nicht ansehen, sondern auswerten.
Klicke deshalb auf den kleinen Pfeil unter Schließen & laden und wähle Schließen & laden in…. Im Dialog Daten importieren markierst Du Nur Verbindung erstellen und bestätigst mit OK.
Im Bereich Abfragen und Verbindungen erscheint jetzt die Abfrage books mit dem Hinweis Nur Verbindung. Die Mappe bleibt schlank, und trotzdem stehen die aufbereiteten Daten jederzeit bereit.
Der eigentliche Vorteil: Python in Excel kann direkt auf Power-Query-Abfragen zugreifen – auch wenn sie nur als Verbindung geladen sind. Eine Zwischentabelle im Blatt ist nicht nötig.
Schritt 4: Auswerten mit Python in Excel
Eine Python-Zelle legst Du auf einem dieser Wege an:
- Tippe in eine leere Zelle
=PY(– das grüne PY-Symbol erscheint links in der Zelle. - Oder drücke Strg + Alt + Umschalt + P.
- Oder wähle Formeln → Python einfügen.
Bestätigt wird eine Python-Zelle nicht mit Enter, sondern mit Strg + Enter. Enter allein erzeugt nur eine neue Zeile im Code.
Tipp: Unter Formeln → Editor öffnest Du den Python-Editor am rechten Rand. Dort siehst Du alle Python-Zellen der Mappe untereinander und kannst längeren Code deutlich bequemer schreiben als in der Bearbeitungsleiste.
Daten holen und Kategorien auflisten
In Zelle A1 hole ich die Daten aus der Verbindung in einen DataFrame – das ist eine Art Tabelle in Python. Sobald Du xl(" tippst, schlägt Excel die Abfrage books bereits vor.
df = xl("books")df.Kategorie.sort_values().unique()
Die zweite Zeile sortiert die Spalte Kategorie alphabetisch und gibt jede Kategorie nur einmal aus. Ergebnis: 14 Kategorien von Belletristik bis Wirtschaft, die als Überlaufbereich nach unten ausgegeben werden.
Der DataFrame df steht nun in allen weiteren Python-Zellen zur Verfügung. Python in Excel rechnet Zeile für Zeile von links nach rechts und von oben nach unten. Zellen, die df nutzen, müssen also rechts oder unterhalb von A1 liegen.
Statistik auf Knopfdruck
In Zelle C1 reicht eine einzige Zeile:
df.describe()
describe() liefert für alle Zahlenspalten – hier die Seitenzahl – die wichtigsten Kennzahlen:
| Kennzahl | Bedeutung | Wert (Seiten) |
|---|---|---|
| count | Anzahl Bücher | 148 |
| mean | Mittelwert | 243,6 |
| std | Standardabweichung | 238,7 |
| min | Kleinster Wert | 0 |
| 25 % | Unteres Quartil | 125,25 |
| 50 % | Median | 220,5 |
| 75 % | Oberes Quartil | 320 |
| max | Größter Wert | 1.748 |
In Excel bräuchtest Du dafür acht verschiedene Funktionen. Achte auf das Minimum von 0 – dazu gleich mehr bei den typischen Fehlern.
Wie viele Bücher pro Kategorie?
In Zelle F1 zähle ich die Bücher je Kategorie:
df["Kategorie"].value_counts().sort_index().reset_index()
Das liest sich fast wie ein Satz: Nimm die Spalte Kategorie, zähle die Werte, sortiere nach dem Namen und mache daraus wieder eine Tabelle mit zwei Spalten.
Zunächst steht in F1 nur [PY] DataFrame. Das ist das Python-Objekt. Um die Werte im Blatt zu sehen, stellst Du die Ausgabe links in der Bearbeitungsleiste von Python-Objekt auf Excel-Wert um (Tastenkürzel: Strg + Alt + Umschalt + M). Jetzt läuft die Tabelle über: Spitzenreiter ist Psychologie mit 23 Büchern, gefolgt von Selbstbehauptung (21) und Japan (18). In Summe sind es wieder genau 148.
Schritt 5: Eine Grafik mit Python erstellen
Im Video habe ich für die Grafik einen Umweg über Copilot genommen. Mein Prompt lautete sinngemäß:
Erzeuge mir aus der Datenverbindung books per Python ein ISO-24896-konformes Diagramm. Wie häufig ist welche Kategorie besetzt, wie viele Bücher sind komplett gelesen oder noch ungelesen?
Copilot hat in sechs Schritten ein neues Blatt Buchauswertung angelegt: eine Tabelle mit der Anzahl je Kategorie (Summe 148) und ein horizontales Balkendiagramm – allerdings ein klassisches Excel-Diagramm, kein Python. Den Python-Code hat Copilot nur als Text ab Zelle A30 mitgeliefert, mit dem Hinweis, ihn per Python einfügen zu übernehmen.
Das habe ich gemacht – und das Ergebnis ist lehrreich. Der linke Teil der Grafik mit den Kategorien passt. Der rechte Teil „Nach Lesestatus“ bleibt aber leer, nur der Hinweis Statusspalte und Werte prüfen steht dort. Der Grund: Copilot hat eine Spalte Lesestatus mit Werten wie „komplett gelesen“ vermutet. In meinen Daten heißt die Spalte aber Gelesen und enthält nur Ja und Nein.
Copilot ist ein guter Startpunkt, aber er kennt Deine Daten nicht so gut wie Du. Prüfe immer, ob Spaltennamen und Werte im Code zu Deiner Abfrage passen.
Der Code – passend zu unseren Daten
Hier eine schlanke Version, die direkt auf die Abfrage books zugreift. Lege eine neue Python-Zelle an, füge den Code ein und bestätige mit Strg + Enter:
import matplotlib.pyplot as pltdf = xl("books")# 1. Kennzahlen berechnenkategorien = df["Kategorie"].fillna("ohne Kategorie").value_counts().sort_values()status = (df["Gelesen"] .map({"Ja": "Gelesen", "Nein": "Ungelesen"}) .fillna("ohne Angabe") .value_counts())# 2. Zeichenfläche mit zwei Bereichenfig, (ax1, ax2) = plt.subplots( 1, 2, figsize=(12, 6), gridspec_kw={"width_ratios": [3, 1]})fig.suptitle(f"Buchbestand: {len(df)} Bücher", x=0.01, ha="left", fontsize=14, fontweight="bold")# 3. Links: Bücher je Kategoriebalken = ax1.barh(kategorien.index, kategorien.values, color="#404040")ax1.bar_label(balken, padding=3)ax1.set_title("Nach Kategorie", loc="left")# 4. Rechts: Lesestatusbalken = ax2.bar(status.index, status.values, color=["#404040", "#A6A6A6", "#D9D9D9"][:len(status)])ax2.bar_label(balken, padding=3)ax2.set_title("Nach Lesestatus", loc="left")# 5. Unnötiges entfernenfor ax in (ax1, ax2): ax.spines[["top", "right"]].set_visible(False) ax.tick_params(length=0)ax1.xaxis.set_visible(False)ax2.yaxis.set_visible(False)fig.tight_layout()fig
Was der Code macht
- Abschnitt 1 – Kennzahlen:
value_counts()zählt die Bücher je Kategorie,sort_values()sortiert aufsteigend – dadurch steht die größte Kategorie im Diagramm oben. Mitmap()werden aus Ja/Nein lesbare Beschriftungen. - Abschnitt 2 – Zeichenfläche: Zwei Diagramme nebeneinander, das linke dreimal so breit wie das rechte. Die Überschrift nennt die Gesamtzahl.
- Abschnitt 3 und 4 – Balken:
bar_label()schreibt die Werte direkt an die Balken. Eine Achse mit Skala brauchen wir dann nicht mehr. - Abschnitt 5 – Aufräumen: Rahmenlinien, Teilstriche und überflüssige Achsen verschwinden. Neutrales Grau statt bunter Farben – Farbe hebe ich mir für Abweichungen auf, ganz im Sinne der Notation aus meinem letzten Artikel.
- Die letzte Zeile
figgibt die Grafik an Excel zurück. Ohne sie bleibt die Zelle leer.
Die Grafik ins Blatt holen
In der Zelle steht zunächst nur [PY] Image. Schalte die Ausgabe auf Excel-Wert um, dann erscheint die Grafik in der Zelle. Über das kleine Kartensymbol neben der Zelle kannst Du sie auch über den Zellen platzieren. Dann lässt sie sich frei auf dem Blatt verschieben und in der Größe anpassen – und bleibt trotzdem mit der Python-Zelle verknüpft.
Der Praxistest
Erfasse in der App ein neues Buch – bei mir geht das bequem über den ISBN-Scanner per Kamera. Zurück in Excel klickst Du auf Daten → Alle aktualisieren. Power Query holt den neuen Stand, Python rechnet neu, und die Grafik zeigt einen Balken mehr. Kein Export, kein Kopieren, kein Nacharbeiten.
Typische Fehler und schnelle Lösungen
- #PYTHON! – Fast immer ein Tippfehler im Code oder ein falscher Spaltenname. Klicke auf das Fehlersymbol neben der Zelle, dort steht die genaue Meldung. Groß- und Kleinschreibung zählt:
kategorieist nichtKategorie. - KeyError – Die Spalte gibt es in der Abfrage nicht. Genau das ist Copilot mit „Lesestatus“ passiert. Prüfe die Spaltennamen in Power Query.
- xl(„books“) findet nichts – Die Abfrage heißt anders. Schau im Bereich Abfragen und Verbindungen nach dem genauen Namen.
- Die Grafik ist leer – Die letzte Zeile
figfehlt. - Mittelwert wirkt zu niedrig – Achtung, Denkfalle! Wir haben in Power Query
nulldurch0ersetzt. Diese Nullen ziehen den Mittelwert der Seitenzahl nach unten, deshalb zeigtdescribe()ein Minimum von 0. Für Statistiken ist es oft besser, leere Werte leer zu lassen – pandas ignoriert sie dann automatisch. - Daten sind veraltet – Der API-Schlüssel wurde widerrufen oder neu erzeugt. Neuen Link kopieren und unter Datenquelleneinstellungen in Power Query austauschen.
Python oder klassisches Excel?
| Klassisches Excel | Python in Excel | |
|---|---|---|
| Einstieg | Sofort, ohne Code | Etwas Code nötig |
| Statistik | Eine Funktion je Kennzahl | describe() liefert alles auf einmal |
| Diagramm | Interaktiv, per Klick formatierbar | Als Bild, über Code gestaltet |
| Wiederverwendung | Diagramm kopieren und anpassen | Code kopieren, fertig |
| Rechenort | Lokal auf Deinem PC | Microsoft-Cloud |
Mein Fazit: Für eine schnelle Einzelgrafik reicht das klassische Diagramm. Sobald Du dieselbe Auswertung regelmäßig brauchst oder mehrere Kennzahlen kombinierst, spielt Python seine Stärken aus. Du solltest das ganze unter Copilot auch über einen Agenten automatisieren und entsprechende Skills definieren.
Zum Schluss…
API, Power Query, Python, Copilot – das klingt nach viel Technik. Im Kern sind es aber fünf überschaubare Schritte. Und am Ende steht eine Auswertung, die sich mit einem einzigen Klick selbst aktualisiert.
Das komplette Vorgehen siehst Du auch im Video auf meinem YouTube-Kanal:
https://www.youtube.com/watch?v=r2_gYzBz-dY
Wenn es Dir gefällt: Abonnieren, Hypen, Liken und gern die Glocke aktivieren.
Danke und ciao!
Andreas
Du muss angemeldet sein, um einen Kommentar zu veröffentlichen.