pandas online ausführen

Read a CSV File with pandas read_csv

Load comma-separated data into a DataFrame in one line, from a file, a URL or a string.

Fortgeschritten
2 Min. Lesezeit
1 ausführbares Beispiel

Das lernst du

pd.read_csv with a path or StringIO
Header rows and column types
Useful options: sep, usecols, parse_dates

Im Python-Compiler ausführen →

"name,score\nAda,95\nLin,88\nSam,91"

1name,scoreHeader → column names
2Ada,95Each line → a row
3pd.read_csv(...)A DataFrame with 3 rows

Wofür wird pandas read_csv verwendet?

CSV-Dateien übertragen Daten zwischen Tabellenkalkulationen, Geschäftssystemen, Analysewerkzeugen, APIs und Datenbanken. pandas.read_csv() lädt sie als DataFrame zum Bereinigen, Filtern und Auswerten.

Typische Anwendungsfälle

Exporte aus Excel, Google Sheets oder einem CRM analysieren.
Datensätze für Data Science und Machine Learning laden.
Fehlende, falsch typisierte oder doppelte Daten vor dem Import bereinigen.

Tipp: Lege bei produktiven Daten dtype, parse_dates, usecols und na_values explizit fest.

Einfaches Beispiel

Code ausführen →

main.py

import pandas as pd
from io import StringIO

csv_text = "name,score\nAda,95\nLin,88\nSam,91"
students = pd.read_csv(StringIO(csv_text))

print(students)

Run-Button für dieses Beispiel erstellen

Ergebnis der Ausführung

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Fortgeschrittenes Beispiel

Reale CSV-Dateien sind oft groß und unvollständig. Dieses Beispiel wählt benötigte Spalten aus, parst Datumswerte, setzt Datentypen und erkennt mehrere Formen fehlender Werte.

advanced_csv.py

import pandas as pd

sales = pd.read_csv(
    "sales.csv",
    usecols=["order_date", "product", "quantity", "revenue"],
    parse_dates=["order_date"],
    dtype={"product": "string", "quantity": "Int64"},
    na_values=["", "N/A", "unknown"],
)

sales = sales.dropna(subset=["order_date", "product"])
monthly_revenue = sales.groupby(
    sales["order_date"].dt.to_period("M")
)["revenue"].sum()

print(monthly_revenue)

Erklärung des Codes

StringIO macht aus einem String ein Objekt, das sich wie eine geöffnete Datei verhält, deshalb kann read_csv() es direkt lesen, ohne eine temporäre Datei anzulegen. pandas erkennt die erste Zeile als Spaltenüberschrift und errät den Datentyp jeder Spalte. Bei echten Daten kannst du mit Parametern wie dtype, parse_dates und na_values genauer steuern, wie gelesen wird.

Ändere die Werte und führe das Programm im CodeUtility Python Online-Compiler aus, ohne Python lokal zu installieren.

Übungen zur Vertiefung

Ändere den Code anhand der folgenden Vorschläge. Wenn du selbst etwas änderst und das Ergebnis beobachtest, verstehst du viel mehr, als wenn du den Code nur liest.

Füge den Beispieldaten Zeilen, Spalten und ein paar fehlende Werte hinzu.
Kombiniere Filtern, Sortieren und groupby zu einem kleinen Bericht.
Lies eine echte Datendatei ein, prüfe den Datentyp jeder Spalte und behandle ungültige Werte.

Im Python-Compiler ausführen →