A small dynamic report in Excel with Python

A smal dynamic report of top ten countries worldwide by GDP based on PPP, created in with

Python
dashboard
pandas
Author

Fazliddin Sultonov

Published

Aug 2, 2025

Tabellarische Daten werden in Büros weltweit am meisten in Tabellenkalkulationen bearbeitet und gespeichert. Bekannteste Software dafür ist Microsoft Excel. Ich bin neulich darauf gestoßen, dass man Python in Excel (ab Microsoft 365) verwenden kann. Und ich hab mir vorgenommen, etwas damit zu probieren. Ich habe ein kleiner dynamischer Bericht in Excel mit Python erstellt, in dem es sich um die zehn Länder weltweit mit dem höchsten BIP auf Basis der Kaufkraftparität handelt.


File: \(~~~~~~~~~~~~~\) Data Source: Worldbank

Um Python in Excel zu verwenden bzw. zu aktivieren, muss man eine Zelle auswählen, in die man die Formel mit Python schreiben will und klickt man auf der Registerkarte > Formeln > Python einfügen oder schreibt man in die Zelle =PY. Dann kann man Python - Code direkt in die Zelle schreiben. Im unten aufgeführten einfachen Beispiel werden die Werte in zwei Zellen (A1 und B1) summiert.

Wichtige Sachen zur Berücksichtigung

  • Auf die Zellen werden durch xl verwiesen, beispielweise einen Bezug auf Zellen A1:C10 kann durch xl("A1:C10") eingegeben werden

  • Mehrere Zelle mit Python-Code werden von oben nach unten ausgeführt geschrieben sind.

  • Zu verarbeitende Daten müssen entweder im Excelsheet stehen oder aus Power Query stammen.

  • Daten werden durch die Eingabe der Tabellennamen (oder Power Query Namen) gelesen, in der Beispieldatei (kann heruntergeladen werden, sieh oben) ist beispielweise so eingegeben, mit dem Sheetnamen <>, in dem sich die Daten befinden: df = xl("data[#Alle]", headers=True). Durch [#All] werden gesamte Tabelle durch Python-Formel analsiert, bei headers = True werden die Spaltennamen berücksichtigt.

Hier die Daten:

Code 
import pandas as pd
import numpy as np
from IPython.display import display, Markdown, HTML
# read file
#"C:/Users/sultanov/Documents/blog/projects/data/topten.csv"
path = "data/topten.csv"
data = pd.read_csv(path, sep=";", decimal=",")
df_show = data.sort_values(by = "2024", ascending=False, na_position="last").head(10)
#Show the table
Markdown(df_show.to_markdown(index = False))
Country Name Country Code 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
China CHN 1.85775e+13 1.96473e+13 2.09746e+13 2.28625e+13 2.47776e+13 2.57772e+13 2.94382e+13 3.25255e+13 3.55204e+13 3.81901e+13
United States USA 1.8295e+13 1.88049e+13 1.96121e+13 2.06565e+13 2.154e+13 2.13541e+13 2.36812e+13 2.60069e+13 2.77207e+13 2.91849e+13
India IND 7.20458e+12 7.79552e+12 8.35471e+12 9.23079e+12 9.93285e+12 9.77102e+12 1.13844e+13 1.31241e+13 1.48459e+13 1.61908e+13
Russian Federation RUS 3.52624e+12 3.53898e+12 3.8071e+12 4.23184e+12 4.57955e+12 4.65143e+12 5.68827e+12 6.00631e+12 6.47648e+12 6.92125e+12
Japan JPN 5.20091e+12 5.1589e+12 5.26225e+12 5.34406e+12 5.40446e+12 5.35671e+12 5.57465e+12 5.9304e+12 6.21296e+12 6.40767e+12
Germany DEU 3.96657e+12 4.24671e+12 4.47259e+12 4.66536e+12 4.92498e+12 4.88037e+12 5.20231e+12 5.66389e+12 5.76347e+12 6.03785e+12
Brazil BRA 2.98912e+12 2.90789e+12 2.98029e+12 3.18719e+12 3.33378e+12 3.35978e+12 3.78777e+12 4.18023e+12 4.47104e+12 4.73465e+12
Indonesia IDN 2.6252e+12 2.71576e+12 2.85731e+12 3.06992e+12 3.26619e+12 3.2234e+12 3.53062e+12 3.98307e+12 4.33474e+12 4.66289e+12
France FRA 2.7229e+12 2.86115e+12 2.97579e+12 3.11488e+12 3.44528e+12 3.34502e+12 3.56292e+12 3.82396e+12 3.98238e+12 4.20156e+12
United Kingdom GBR 2.76798e+12 2.8923e+12 3.04189e+12 3.12965e+12 3.33588e+12 3.21907e+12 3.41648e+12 3.95784e+12 3.96675e+12 4.19651e+12

Wie oben geschrieben, werden die Zellen mit Python-Coder von oben nach unten ausgeführt. In der Datei, wurden einzelne Schritte in eine Zelle geschrieben. Im Sheet <> sind diese Shritte beschrieben (Spalte A = step). Objectnamen (Spalte B = object) sind die Opbjekte, die durch Python-Codes (Spalte C = result) erstellt wurden. Wie unte auf dem Bild zu sehen ist, wird als erstes Data Frame erstellt (step) namens <> (object) und Python - Code ist in der dementsprechenden Zelle (results).

Danach werden die Daten pivotiert und neues Objekt (df_piv) erstellt, um sie weiter zu bearbeiten.

Code 
import pandas as pd

df_pv = pd.melt(data, id_vars = ["Country Name", "Country Code"], value_vars=data.iloc[:,2:], var_name="years", value_name="gdp")
df_pv.head(10)
#>          Country Name Country Code years           gdp
#> 0               China          CHN  2015  1.857751e+13
#> 1       United States          USA  2015  1.829502e+13
#> 2               India          IND  2015  7.204581e+12
#> 3  Russian Federation          RUS  2015  3.526236e+12
#> 4               Japan          JPN  2015  5.200905e+12
#> 5             Germany          DEU  2015  3.966575e+12
#> 6              Brazil          BRA  2015  2.989121e+12
#> 7           Indonesia          IDN  2015  2.625202e+12
#> 8              France          FRA  2015  2.722896e+12
#> 9      United Kingdom          GBR  2015  2.767978e+12

Jetzt können wir aus Data Frame Top-Länder nach GDP für jeweiliges Jahr selectieren (object -> df_10 ) und Rank-Spalte erstellen (object -> df_rank).

Select top ten countries:

Code 
# Method #1
# N = 10
# maske = df_pv.groupby("years")["gdp"].rank(method="first", ascending=False) <= N
# df_10 = df_pv[maske]
# Method #2
df_10 = df_pv.sort_values(["years", "gdp"], ascending=False).groupby("years").head(10)
df_10
#>             Country Name Country Code years           gdp
#> 1701               China          CHN  2024  3.819008e+13
#> 1702       United States          USA  2024  2.918489e+13
#> 1703               India          IND  2024  1.619082e+13
#> 1704  Russian Federation          RUS  2024  6.921249e+12
#> 1705               Japan          JPN  2024  6.407672e+12
#> ...                  ...          ...   ...           ...
#> 3     Russian Federation          RUS  2015  3.526236e+12
#> 6                 Brazil          BRA  2015  2.989121e+12
#> 9         United Kingdom          GBR  2015  2.767978e+12
#> 8                 France          FRA  2015  2.722896e+12
#> 7              Indonesia          IDN  2015  2.625202e+12
#> 
#> [100 rows x 4 columns]

Rank column:

Code 
df_rank = df_10.copy()
df_rank["rank"] = df_rank.groupby("years")["gdp"].rank(ascending=False)
df_rank
#>             Country Name Country Code years           gdp  rank
#> 1701               China          CHN  2024  3.819008e+13   1.0
#> 1702       United States          USA  2024  2.918489e+13   2.0
#> 1703               India          IND  2024  1.619082e+13   3.0
#> 1704  Russian Federation          RUS  2024  6.921249e+12   4.0
#> 1705               Japan          JPN  2024  6.407672e+12   5.0
#> ...                  ...          ...   ...           ...   ...
#> 3     Russian Federation          RUS  2015  3.526236e+12   6.0
#> 6                 Brazil          BRA  2015  2.989121e+12   7.0
#> 9         United Kingdom          GBR  2015  2.767978e+12   8.0
#> 8                 France          FRA  2015  2.722896e+12   9.0
#> 7              Indonesia          IDN  2015  2.625202e+12  10.0
#> 
#> [100 rows x 5 columns]

prepare data frame for a plot & create a plot for 2024:

Code 
# prepare df and format column gdp
df_plt = df_rank.copy()
df_plt["gdp"] = df_plt["gdp"]/1_000_000_000_000
df_plt = df_plt.round({"gdp" : 2})
# select year 2024
df = df_plt[df_plt["years"] == "2024"].sort_values(by="rank", ascending=False)
# Create Plot
plt = df.plot(
    kind="barh",
    x="Country Name", y="gdp",
    title="GDP based on PPP in Bil. US Dollar for 2024" ,
    xlabel="GDP, PPP in Bil. $",
    ylabel="Top ten countries",
    legend=False
)
plt

Back to top