Das wichtigste Grundprinzip für Effizienz & Kompatibilität
Ziel dieses Beitrags
In diesem Beitrag zeige ich Ihnen eines der wichtigsten – und gleichzeitig am häufigsten missverstandenen – Grundprinzipien in Power Query:
Wann sollten Sie eine bestehende Spalte verändern – und wann eine neue Spalte hinzufügen?
Wenn Sie dieses Prinzip einmal verstanden haben, werden Ihre Abfragen:
- deutlich übersichtlicher
- einfacher wartbar
- und vor allem: performanter
Ausgangssituation
Sie arbeiten mit Daten, die Sie bereinigen oder erweitern möchten. Typische Beispiele:
- Datumswerte sollen in Monate umgewandelt werden
- Texte sollen bereinigt werden
- Kennzahlen sollen berechnet werden
Und genau hier stehen Sie immer wieder vor der gleichen Entscheidung:
Transformieren oder Spalte hinzufügen?
Konkretes Beispiel (Rohdaten)
Stellen Sie sich folgende Ausgangstabelle vor:
| Kunde | Datum | Umsatz |
| Müller GmbH | 15.03.2025 | 1.250 € |
| Schmidt AG | 22.07.2025 | 890 € |
| Becker KG | 05.11.2025 | 2.340 € |
Sie möchten nun den Monat aus der Datumsspalte extrahieren. Genau hier stellt sich die Frage: transformieren Sie die vorhandene Spalte – oder fügen Sie eine neue hinzu?
Praxisziel
Am Ende dieses Beitrags verstehen Sie:
- den grundlegenden Unterschied zwischen beiden Ansätzen
- die Auswirkungen auf Performance und Lesbarkeit
- und können bewusst entscheiden, welche Methode die richtige ist
Das Grundprinzip (extrem wichtig)
Power Query unterscheidet zwei Arten von Operationen:
| Transformieren | Spalte hinzufügen |
| Sie verändern bestehende Daten | Sie erzeugen neue Informationen zusätzlich |
| Original geht verloren | Original bleibt erhalten |
| Spaltenanzahl bleibt gleich | Spaltenanzahl erhöht sich (+1) |
| 💡 Wichtiger Hinweis für die Praxis |
| Viele Befehle (z. B. „Format“, „Extrahieren“ oder „Datum“) finden Sie in Excel in beiden Registerkarten des Menübands. |
| Achten Sie also genau darauf, in welchem Tab Sie sich befinden, bevor Sie klicken. |
Transformieren – bestehende Daten verändern
Wenn Sie transformieren, ersetzen Sie den Inhalt einer Spalte. Technisch nutzt Power Query hier meist die Funktion Table.TransformColumns.
Beispiele:
- Text in Großbuchstaben umwandeln
- Datentyp ändern
- Leerzeichen entfernen (Trimmen)
➡️ Klassischer Fall: Sie entfernen Leerzeichen – die ursprünglichen Daten werden nicht mehr benötigt.
| ⚠️ Achtung: Datenverlust möglich! |
| Die ursprüngliche Information in dieser Spalte geht verloren. |
| Sie können den Schritt jederzeit über die „Angewendeten Schritte“ rückgängig machen |
| Sobald die Abfrage später umgebaut werden muss, kann das aufwändig werden. |
Beispiel mit M-Code:
// Transformieren: Datum → Monat (Original geht verloren)
Table.TransformColumns(Quelle, {{„Datum“, each Date.Month(_), Int64.Type}})
Vorher-/Nachher-Vergleich beim Transformieren:
| Kunde | Datum (vorher) | Datum (nachher: Monat) |
| Müller GmbH | 15.03.2025 | 3 |
| Schmidt AG | 22.07.2025 | 7 |
| Becker KG | 05.11.2025 | 11 |
Das genaue Datum ist nun überschrieben. Für spätere Analysen (z. B. Wochentage, Quartale) steht es nicht mehr zur Verfügung.
Spalte hinzufügen – neue Informationen erzeugen
Wenn Sie eine Spalte hinzufügen, bleibt die ursprüngliche Spalte bestehen. Im Hintergrund wird die Funktion Table.AddColumn verwendet.
Beispiele:
- Monat aus Datum berechnen
- Umsatz = Menge * Preis
- Kategorien ableiten
Sie erweitern den Datensatz – ohne bestehende Informationen zu verlieren.
Beispiel mit M-Code:
// Spalte hinzufügen: Neue Spalte „Monat“ (Original bleibt erhalten)
Table.AddColumn(Quelle, „Monat“, each Date.Month([Datum]), Int64.Type)
Vorher-/Nachher-Vergleich beim Hinzufügen:
| Kunde | Datum (bleibt!) | Umsatz | Monat (neu) |
| Müller GmbH | 15.03.2025 | 1.250 € | 3 |
| Schmidt AG | 22.07.2025 | 890 € | 7 |
| Becker KG | 05.11.2025 | 2.340 € | 11 |
| ✅ Ergebnis |
| Das Originaldatum bleibt erhalten. Die neue Spalte „Monat“ enthält zusätzlich die extrahierten Monatszahlen. |
| Sie können später jederzeit auf das genaue Datum zurückgreifen. |
Direktvergleich: Was ist wann besser?
| Transformieren | Spalte hinzufügen |
| Spaltenanzahl bleibt gleich | Spaltenanzahl erhöht sich (+1) |
| Originaldaten werden überschrieben | Originaldaten bleiben erhalten |
| Geringerer Speicherbedarf | Höhere Flexibilität |
| Ideal für finale Bereinigung | Ideal während Aufbau der Abfrage |
Der häufigste Fehler (und warum er teuer ist)
Viele Anwender transformieren zu früh.
| ❌ Typisches Problem |
| Sie wandeln ein Datum direkt in einen Monat um. |
| Später benötigen Sie das genaue Datum erneut (z. B. für Wochentage, Quartale oder Zeitvergleiche). |
| Sie müssen die Abfrage mühsam umbauen oder Daten neu laden – das kostet Zeit und ist fehleranfällig. |
| ✅ Besser so |
| Neue Spalte „Monat“ hinzufügen. Originaldaten behalten. |
| Erst ganz am Ende der Abfrage: nicht benötigte Spalten entfernen. |
Wann ist Transformieren sinnvoll?
Immer dann, wenn:
- die ursprünglichen Daten nicht mehr benötigt werden
- Sie Daten bereinigen oder korrigieren (z. B. Leerzeichen entfernen, Datentyp anpassen)
- Sie die Struktur vereinfachen möchten
- Sie sich in der finalen Phase der Abfrage befinden
Wann ist „Spalte hinzufügen“ sinnvoll?
Immer dann, wenn:
- Sie die ursprünglichen Daten im weiteren Verlauf noch benötigen
- Sie zusätzliche Informationen erzeugen möchten
- Sie maximale Flexibilität behalten wollen
- Sie sich noch in der Aufbauphase der Abfrage befinden
Performance & Effizienz – der entscheidende Punkt
Jetzt wird es spannend.
| 💡 Wichtiger Zusatz |
| Nicht die Art der Operation (Transformieren vs. Spalte hinzufügen), sondern deren Query-Folding-Fähigkeit entscheidet über die tatsächliche Performance. |
| Transformieren | Spalte hinzufügen |
| Weniger Spalten | Mehr Spalten |
| Oft effizient | Höhere Flexibilität |
| Besonders bei einfachen, faltbaren Operationen | Kann genauso performant sein, wenn Query Folding aktiv bleibt |
| 💡 Die goldene Regel |
| Erst erweitern (Spalte hinzufügen), dann reduzieren (transformieren / Spalten entfernen). |
Query Folding – was steckt dahinter?
Query Folding bedeutet: Power Query übersetzt Ihre Schritte in eine native Abfrage der Datenquelle (z. B. SQL). Die Berechnung findet dann direkt bei der Quelle statt – nicht auf Ihrem PC.
Vorteil: deutlich schnellere Ladezeiten, geringerer Arbeitsspeicherbedarf – besonders bei großen Datenmengen.
| Welche Quellen unterstützen Query Folding? |
| ✅ SQL Server, Azure SQL, SharePoint, OData – unterstützen Folding |
| ❌ CSV-Dateien, Excel-Arbeitsmappen – kein Folding möglich |
| ⚠️ Bei nicht faltbaren Quellen verarbeitet Power Query alle Daten lokal auf Ihrem Rechner. |
Typische Ursachen für unterbrochenes Folding:
- komplexe benutzerdefinierte Spalten
- spezielle Textoperationen
- Indexspalten
So prüfen Sie Query Folding:
| Schritt-für-Schritt |
| 1. Klicken Sie mit der rechten Maustaste auf einen Schritt in den „Angewendeten Schritten“ |
| 2. Wählen Sie „Systemeigene Abfrage anzeigen“ |
| 3. Ist der Menüpunkt aktiv (nicht ausgegraut)? → Folding ist aktiv. Ist er ausgegraut? → Folding ist unterbrochen. |
Best Practice aus der Praxis
Ich gehe in meinen Projekten fast immer so vor:
- Schritt 1 – Rohdaten unangetastet lassen
Ich verändere Originaldaten zunächst nicht.
- Schritt 2 – Neue Spalten hinzufügen
Ich leite alle benötigten Informationen zusätzlich ab.
- Schritt 3 – Finale Struktur herstellen
Erst ganz am Ende:
- unnötige Spalten entfernen
- Daten gezielt transformieren
Alternative Strategie: Spalte duplizieren
Manchmal möchten Sie eine Spalte transformieren, aber das Original behalten. Dann ist „Spalte duplizieren“ ideal.
| Schritt-für-Schritt: Spalte duplizieren |
| 1. Rechtsklick auf die Spaltenüberschrift (z. B. „Datum“) |
| 2. „Spalte duplizieren“ wählen → neue Spalte „Datum – Kopie“ wird erstellt |
| 3. Neue Spalte umbenennen (z. B. „Monat“) |
| 4. Neue Spalte transformieren: Registerkarte „Transformieren“ → Datum → Monat |
| Ergebnis: Die Originalspalte „Datum“ bleibt unverändert. Die neue Spalte enthält die Monatszahl. |
Das ist oft einfacher als eine neue Formel zu schreiben – besonders für Einsteiger.
Warum dieses Vorgehen so wichtig ist
Weil Power Query schrittbasiert arbeitet. Jede Entscheidung wirkt sich auf:
- alle folgenden Schritte
- die Nachvollziehbarkeit
- die Wartbarkeit aus
Typische Entscheidungsfrage (Merksatz)
Wenn Sie unsicher sind, stellen Sie sich immer diese Frage:
| 🤔 Will ich Daten verändern – oder erweitern? |
| Verändern → Transformieren |
| Erweitern → Spalte hinzufügen |
Schnelle Entscheidungshilfe
| Frage | Empfehlung |
| Brauche ich die Originaldaten noch? | → Ja → Spalte hinzufügen |
| Nur Bereinigung (z. B. Leerzeichen, Typ)? | → Transformieren |
| Unsicher? | → Erst hinzufügen, später reduzieren |
| Große Datenmengen (> 1 Mio. Zeilen)? | → Auf Query Folding achten; unnötige Spalten früh entfernen |
Verbindung zu Ihren bisherigen Kenntnissen
Sie erinnern sich an den Beitrag zu: „Angewendete Schritte verstehen“
Genau dort sehen Sie:
- jede Transformation
- jede neue Spalte
- jede Entscheidung
Dieser Beitrag ist die logische Vertiefung davon.
Häufig gestellte Fragen (FAQ)
Kann ich später noch zurück zu den Originaldaten?
Ja – über die „Angewendeten Schritte“ ist alles reversibel.
Was ist schneller: Transformieren oder Spalte hinzufügen?
Das hängt nicht von der Methode ab, sondern davon, ob Query Folding aktiv ist. Beide Varianten können gleich schnell sein – entscheidend ist, ob die Datenquelle Folding unterstützt.
Was passiert bei sehr großen Datenmengen (> 1 Mio. Zeilen)?
Hier sind effiziente, faltbare Schritte entscheidend für Ladezeit und Speicher. Konkrete Empfehlung: Entfernen Sie unnötige Spalten möglichst früh in der Abfrage – das reduziert die zu verarbeitende Datenmenge erheblich.
Gilt das auch für Power BI?
100 % identisch – gleiche Engine, gleicher M-Code.
Was ist mit „Benutzerdefinierter Spalte“?
Das ist immer „Spalte hinzufügen“.
TL;DR – Die drei wichtigsten Punkte
| Auf einen Blick |
| 1. Transformieren = bestehende Daten verändern (Original geht verloren) |
| 2. Spalte hinzufügen = Daten erweitern (Original bleibt erhalten) |
| 3. Best Practice: Erst erweitern, dann reduzieren |
Fazit
Dieses Prinzip klingt einfach – hat aber enorme Auswirkungen. Wenn Sie es konsequent anwenden:
- vermeiden Sie typische Fehler
- arbeiten strukturierter
- und bauen deutlich robustere Power Query Lösungen
Quellen und weiterführende Links
- Microsoft Learn: Daten transformieren in Power Query
https://learn.microsoft.com/de-de/power-query/transform-data - Microsoft Learn: Hinzufügen einer benutzerdefinierten Spalte
https://learn.microsoft.com/de-de/power-query/add-custom-column - Microsoft Learn: Table.AddColumn (M-Funktion)
https://learn.microsoft.com/en-us/powerquery-m/table-addcolumn - Microsoft Learn: Table.TransformColumns (M-Funktion)
https://learn.microsoft.com/en-us/powerquery-m/table-transformcolumns - Microsoft Learn: Query folding – Grundlagen
https://learn.microsoft.com/de-de/power-query/query-folding-basics - Microsoft Learn: Query Folding-Anleitung für Power BI Desktop
https://learn.microsoft.com/de-de/power-bi/guidance/power-query-folding - Microsoft Learn: Bewährte Methoden beim Arbeiten mit Power Query
https://learn.microsoft.com/de-de/power-query/best-practices
Navigation innerhalb der Power-Query-Serie
- ⬅️ Vorheriger Beitrag: 2.4 Power Query Datentypen verstehen – Fehler vermeiden & richtig nutzen
- ➡️ Nächster Beitrag:
- 🧭 Zur Übersicht: Power Query-Serie auf Excel-Meister.de
Austausch & Fragen
Wenn Sie Fragen haben oder sich fachlich austauschen möchten, schreiben Sie mir gerne auf LinkedIn.
Dort diskutiere ich regelmäßig über Excel, Power Query und Controlling-Themen.
Den Link zu meinem LinkedIn-Gruppe finden Sie hier: https://www.linkedin.com/groups/1