Interaktive Tabellen in R und Python für Data Scientists

R und Python Pakete von und für die Community

Interaktive Tabellen sind ein zentraler Bestandteil moderner Data-Science-Workflows – dennoch fehlen in vielen Projekten leistungsfähige Lösungen für die dynamische Arbeit mit tabellarischen Daten.

Die Data-Science-Community lebt vom offenen Austausch, gemeinsamen Lernen und der kontinuierlichen Weiterentwicklung von Ideen. Fortschritt entsteht dort, wo Wissen geteilt und Werkzeuge gemeinsam verbessert werden. Genau deswegen dafür haben unsere Mitarbeiter „py-tabulator“ für Python und „rtabulator“ für R entwickelt.

Sprechen Sie uns an

Beide Bibliotheken bringen die Funktionalität der JavaScript-Bibliothek Tabulator in die Python- und R-Welt und ermöglichen es, interaktive Tabellen nahtlos in Anwendungen wie Shiny (inkl. Shiny for Python) sowie in Reports (z. B. R Markdown) zu integrieren. Statt statischer DataFrames erhalten Data Scientists damit eine vollwertige UI-Komponente für Exploration, Bearbeitung und Präsentation von Daten – direkt im Browser und ohne zusätzlichen Frontend-Code.

Besonders in Shiny-Anwendungen entfalten py-tabulator und rtabulator ihr volles Potenzial: Datensätze lassen sich nicht nur anzeigen, sondern aktiv explorieren und bearbeiten. Funktionen wie Filtern, Sortieren, Gruppieren und Pagination sind standardmäßig integriert und ermöglichen eine effiziente Analyse auch großer Datensätze.

Darüber hinaus bieten beide Tools eine Vielzahl moderner Features:

Reaktive Interaktionen (z. B. Klick-Events auf Zeilen)
Inline-Editing mit Validierung und Historie (Undo/Redo)
Spaltenberechnungen und flexible Formatierungen
Export- und Download-Funktionen
Responsive Layouts für unterschiedliche Endgeräte

Beispiele

Example of R- and Python Tabular Package by eoda. Here: formatted columns

Formatierte Spalten

Example of R- and Python Tabular Package by eoda. Here: grouped columns

Gruppierung

Example of R- and Python Tabular Package by eoda.

Beispiel via ShinyExpress

Ein besonderes Highlight ist die hohe Anpassbarkeit: Tabellen lassen sich flexibel konfigurieren und mit verschiedenen Themes versehen – von minimalistischen Darstellungen bis hin zu vollständig integrierten UI-Designs wie Bootstrap oder Materialize.

Für Data Scientists ergeben sich dadurch vielfältige Anwendungsfälle:

Interaktive Daten-Dashboards
Explorative Analyse tabellarischer Datensätze
Datenvalidierung und -bearbeitung direkt im Browser
Präsentation komplexer Daten in Reports
Kombination mit Modell-Ergebnissen, KPIs und Kartenvisualisierungen (z. B. als Feature-Tabellen)

Fazit

py-tabulator und rtabulator erweitern den klassischen Data-Science-Stack um eine entscheidende Komponente: interaktive, webbasierte Tabellen. In Kombination mit Tools wie Shiny entsteht ein durchgängiger Workflow – von der Datenanalyse über die Exploration bis hin zur interaktiven Anwendung und Präsentation, vollständig innerhalb von Python- und R-Ökosystemen.

rtabulator:

Link zu unserem Repo: https://github.com/eoda-dev/rtabulator
Link zur Doku: https://eoda-dev.github.io/rtabulator/

py-tabulator:

Link zu unserem Repo: https://github.com/eoda-dev/py-tabulator
Link zur Doku: https://eoda-dev.github.io/py-tabulator/

Wir sind überzeugt vom Wert von Open Source für Data Science und KI - insbesondere in einer Welt, in der das Thema Souveränität immer wichtiger wird. Durch eigene Beiträge, praxisnahe Entwicklungen und das Engagement für Open Source bringen sich unsere MitarbeiterInnen bewusst in die Community ein. Die Entwicklung leistungsfähiger Python- und R-Pakete ist ein Aspekt, wie wir der Open-Source-Community als Unternehmen etwas zurückgeben.

Weiterführende Inhalte

Visualisierung von Geodaten mit Python – nützliche Pakete

Veröffentlicht: 22. April 2026

AutorIn

Christian Schreiner

Christian Schreiner ist im Bereich Marketing der eoda GmbH tätig. Hier betreut er die Themen Dateninfrastrukturen und Lösungen rund um das Thema Marketing. Privat interessiert er sich für Suchmaschinen-Optimierung und Trends in der Online-Kommunikation.