Wie exportiert man Python-Ergebnisse für eine Abschlussarbeit?

Warum der Export so wichtig ist

Python-Ergebnisse lassen sich auf verschiedene Arten für eine Abschlussarbeit aufbereiten: als exportierte Tabellen, als gespeicherte Diagramme und als konvertierte Notebooks. Welcher Weg der richtige ist, hängt davon ab, ob Sie in Word, LaTeX oder einem anderen Textverarbeitungssystem schreiben.

In der Praxis zeigt sich immer wieder, dass dieser Schritt oft unterschätzt wird. Wer seine Analyse in Python durchführt, muss die Ergebnisse am Ende in eine Form bringen, die sich nahtlos in das Abschlussarbeitsdokument einfügt. Ein Screenshot der Konsole ist dabei keine akzeptable Lösung – weder für die Lesbarkeit noch für die wissenschaftliche Nachvollziehbarkeit.

Der folgende Beitrag zeigt Ihnen, wie Sie Tabellen, Grafiken und vollständige Notebooks professionell exportieren. Wenn Sie grundsätzlich mehr darüber erfahren möchten, wie Python für die statistische Auswertung einer Abschlussarbeit eingesetzt wird, lesen Sie unseren Beitrag zur statistischen Auswertung mit Python.

Tabellen und Ergebnisse exportieren

Ergebnisse als CSV oder Excel speichern

Die einfachste Methode, tabellarische Ergebnisse aus Python zu exportieren, ist der direkte Export über pandas. Mit df.to_csv() oder df.to_excel() lassen sich DataFrames ohne Aufwand speichern. Diese Formate eignen sich gut als Zwischenschritt, wenn Sie Tabellen anschließend in Word manuell nachformatieren möchten.

import pandas as pd

# Beispiel: Deskriptive Statistiken exportieren
ergebnisse = df.describe().round(2)

# Als CSV speichern
ergebnisse.to_csv("deskriptive_statistiken.csv", sep=";", decimal=",", encoding="utf-8-sig")

# Als Excel speichern
ergebnisse.to_excel("deskriptive_statistiken.xlsx", sheet_name="Deskriptiv", index=True)

Beachten Sie das decimal="," Argument: Für deutschsprachige Abschlussarbeiten ist das Dezimalkomma Standard. Ohne diese Angabe exportiert pandas Dezimalpunkte, was in Word-Tabellen zu Inkonsistenzen führt.

Direkt als LaTeX-Tabelle exportieren

Wer seine Abschlussarbeit in LaTeX schreibt, hat einen entscheidenden Vorteil: pandas kann Ergebnistabellen direkt als LaTeX-Code ausgeben. Die erzeugte Tabelle lässt sich entweder direkt in das Hauptdokument kopieren oder über \input{tabelle.tex} eingebunden werden.

import pandas as pd

# Regressionsergebnisse als LaTeX exportieren
ergebnisse.to_latex(
    "regressionsergebnisse.tex",
    caption="Ergebnisse der multiplen Regressionsanalyse",
    label="tab:regression",
    float_format="%.3f",
    decimal=",",
    position="htbp",
    index=True
)

Wichtig: Für korrekte Darstellung muss das LaTeX-Paket booktabs in Ihrer Präambel geladen sein – die Tabellen werden mit horizontalen Linien im booktabs-Stil erzeugt, der in wissenschaftlichen Publikationen als Standard gilt. Für lange Tabellen, die sich über mehrere Seiten erstrecken, unterstützt pandas zusätzlich das longtable=True-Argument.

Statistik-Outputs strukturiert exportieren

Ergebnisse aus statsmodels oder scipy werden häufig als Objekte zurückgegeben, die sich nicht direkt als DataFrame speichern lassen. Hier ist ein bewährter Ansatz, die wichtigsten Kennwerte manuell in einen DataFrame zu überführen:

import pandas as pd
import statsmodels.formula.api as smf

# Regressionsmodell schätzen
modell = smf.ols("abhaengige ~ praediktor1 + praediktor2", data=df).fit()

# Ergebnistabelle als DataFrame extrahieren
ergebnis_df = pd.DataFrame({
    "Koeffizient": modell.params.round(3),
    "SE": modell.bse.round(3),
    "t": modell.tvalues.round(3),
    "p": modell.pvalues.round(3)
})

# Als LaTeX exportieren
ergebnis_df.to_latex(
    "regression_output.tex",
    caption="Regressionskoeffizienten",
    label="tab:ols",
    float_format="%.3f"
)

Wie Sie solche Modelle grundlegend aufsetzen, erläutert unser Beitrag zur Regressionsanalyse in Python ausführlich.

Diagramme publikationsreif speichern

Grundlagen: savefig() richtig einsetzen

In Python erstellte Diagramme – ob mit Matplotlib, Seaborn oder Plotly – müssen als Datei gespeichert werden, um in eine Abschlussarbeit eingebunden zu werden. Die zentrale Funktion dafür ist plt.savefig().

Für Abschlussarbeiten sind vor allem diese Parameter entscheidend: Das Format (PNG, PDF, SVG), die Auflösung (dpi) und der Umgang mit überschüssigen Rändern (bbox_inches="tight"). Die richtige Kombination dieser Parameter sorgt dafür, dass Abbildungen weder pixelig noch zu groß sind – die Auflösung in dots per inch steuert dabei direkt die Druckqualität und die Eignung für Word- oder LaTeX-Dokumente.

import matplotlib.pyplot as plt
import seaborn as sns

# Beispiel: Streudiagramm erstellen und speichern
fig, ax = plt.subplots(figsize=(8, 5))
sns.scatterplot(data=df, x="praediktor1", y="abhaengige", ax=ax)
ax.set_xlabel("Prädiktor 1")
ax.set_ylabel("Abhängige Variable")
ax.set_title("Zusammenhang zwischen Prädiktor 1 und AV")

# Für Word-Dokumente (PNG, hohe Auflösung)
plt.savefig("abbildung1.png", dpi=300, bbox_inches="tight", transparent=False)

# Für LaTeX (PDF, verlustfrei)
plt.savefig("abbildung1.pdf", bbox_inches="tight")

plt.close()

Welches Format für welche Vorlage?

• PNG mit dpi=300: Standard für Word-Dokumente. 300 dpi entspricht Druckqualität und wird von den meisten Hochschulrichtlinien gefordert.
• PDF: Ideal für LaTeX. Als Vektorgrafik skaliert das Bild verlustfrei und sieht in jeder Größe scharf aus.
• SVG: Ebenfalls vektorbasiert, gut für webbasierte Abgaben oder spezielle Vorlagen. Nicht alle Word-Versionen können SVG direkt einbetten.

Wenn Sie einen Überblick über weiterführende Visualisierungsoptionen in Python suchen, finden Sie im Beitrag zu Diagrammen und Visualisierungen in Python einen systematischen Einstieg.

Das gesamte Notebook exportieren

nbconvert: Der Standardweg für Jupyter-Notebooks

Wer seine gesamte Auswertung als reproduzierbares Dokument – etwa als Anhang einer Abschlussarbeit – einreichen möchte, kann das Jupyter-Notebook direkt konvertieren. Das Tool dafür heißt nbconvert und ist Teil der Jupyter-Umgebung.

Der grundlegende Befehl lautet:

# HTML-Export (statische Webseite)
jupyter nbconvert --to html auswertung.ipynb

# PDF-Export (über LaTeX)
jupyter nbconvert --to pdf auswertung.ipynb

# LaTeX-Export (als .tex-Datei)
jupyter nbconvert --to latex auswertung.ipynb

# Notebook vor Export ausführen und Outputs aktualisieren
jupyter nbconvert --to html --execute auswertung.ipynb

Der --execute-Schalter ist besonders relevant: Er führt das Notebook vor der Konvertierung einmal vollständig aus und stellt sicher, dass alle Outputs aktuell sind. Das ist wichtig für reproduzierbare Abgabeversionen – der nbconvert-Workflow unterstützt dabei HTML, LaTeX, PDF und weitere Formate und eignet sich damit direkt für den Einsatz in Abschlussarbeiten.

HTML vs. PDF: Was eignet sich als Anhang?

Für den Anhang einer Abschlussarbeit ist HTML oft die praktischere Wahl, wenn eine digitale Abgabe erfolgt. Die Datei ist selbständig, enthält alle Grafiken eingebettet und lässt sich im Browser öffnen – ohne Installation weiterer Software.

PDF eignet sich, wenn Betreuende einen druckbaren Anhang erwarten. Für den PDF-Export über LaTeX muss allerdings eine funktionierende LaTeX-Installation vorhanden sein (z.B. TeX Live oder MiKTeX). Alternativ funktioniert der --to webpdf-Modus über Chromium und kommt ohne LaTeX aus, benötigt jedoch einen installierten Browser als Abhängigkeit.

Welches Format für welchen Zweck?

Typische Fehler beim Export

Weitere häufige Probleme beim Export:

• Dezimalzeichen: Ohne decimal="," exportiert pandas Dezimalpunkte statt Kommas – das führt zu Inkonsistenzen in deutschsprachigen Arbeiten.
• Encoding-Probleme: Für CSV-Dateien, die in Excel geöffnet werden sollen, empfiehlt sich encoding="utf-8-sig". Ohne das BOM-Zeichen werden Umlaute in Excel oft falsch dargestellt.
• Veraltete Notebook-Outputs: Wer ein Notebook einreicht, ohne es vorher vollständig auszuführen, riskiert, dass Outputs nicht mit dem Code übereinstimmen. Der --execute-Schalter in nbconvert löst dieses Problem.
• Fehlende Achsenbeschriftungen: Abbildungen ohne Achsentitel und Einheiten werden in Abschlussarbeiten regelmäßig bemängelt. Setzen Sie ax.set_xlabel() und ax.set_ylabel() konsequent.
• Zu breite Tabellen: LaTeX-Tabellen mit vielen Spalten können den Seitenrand überschreiten. Verwenden Sie in solchen Fällen column_format="lrrr" mit manuell angepassten Spaltenbreiten oder stellen Sie auf das longtable-Format um.

Ein sauberer Export-Workflow für Ihre Arbeit

Ordnerstruktur von Anfang an festlegen

Bevor Sie mit dem Exportieren beginnen, lohnt es sich, eine feste Ordnerstruktur zu definieren. Das verhindert, dass Abbildungen, Tabellen und Notebook-Versionen über mehrere Verzeichnisse verteilt sind und am Ende nicht mehr zuzuordnen sind.

Reproduzierbarkeit als Prinzip

Ein sauber strukturierter Export ist mehr als Ordnung: Er macht Ihre Auswertung reproduzierbar. Das bedeutet, dass alle Ergebnisse – Tabellen, Grafiken, Modelloutputs – direkt aus dem Code entstehen, ohne manuelle Zwischenschritte. Gut aufgebaute Schritte der Datenanalyse helfen dabei, diesen Anspruch von Anfang an umzusetzen.

Konkret bedeutet das: Kein manuelles Kopieren von Zahlen in Word-Tabellen, keine nachträgliche Anpassung von Grafiken in Bildbearbeitungsprogrammen. Was aus Python kommt, kommt aus dem Code – und lässt sich bei Bedarf mit einem Befehl neu generieren.

Für LaTeX-Nutzer: Alles automatisch einbinden

Wenn Sie in LaTeX schreiben, können Sie den Workflow komplett automatisieren. Tabellen werden über \input{output/tables/regression.tex} eingebunden, Abbildungen über \includegraphics{output/figures/abbildung1.pdf}. Ändern Sie die Analyse, führen Sie das Notebook erneut aus – und Ihre Arbeit aktualisiert sich beim nächsten LaTeX-Kompilierungslauf von selbst.

Dieser Ansatz klingt zunächst aufwendig, spart aber bei umfangreichen Analysen erhebliche Zeit. Gerade für Dissertationen oder Arbeiten mit vielen Abbildungen ist er Standard in der wissenschaftlichen Praxis.

Für Word-Nutzer: Klare Benennung, klare Versionen

Wer in Word schreibt, sollte Abbildungen und Tabellen mit sprechenden Dateinamen exportieren (z.B. abb1_streudiagramm_alter_einkommen.png) und jeweils nur die finale Version im Arbeitsdokument einfügen. Mehrere Versionen derselben Grafik in verschiedenen Ordnern führen erfahrungsgemäß zu Verwechslungen bei der Abgabe.

Wenn Sie Python bisher vor allem für die Analyse genutzt haben und überlegen, ob das Tool auch im Vergleich zu SPSS sinnvoll ist, lohnt ein Blick auf den Beitrag zu den Vor- und Nachteilen von Python gegenüber SPSS.

Für eine umfassende Begleitung Ihrer statistischen Auswertung – von der Methodenwahl bis zum finalen Export – steht Ihnen das Team von QuantExpert für Python-Auswertungen zur Verfügung.