pandas online ausführen

CSV-Dateien mit pandas lesen

CSV-Dateien werden häufig für Exporte, Datenaustausch und Analyse-Datasets verwendet.

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.

Grundlegendes 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)

Erwartete Ausgabe

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)

So funktioniert es

StringIO stellt Text wie eine Datei bereit. read_csv erkennt Kopfzeile und Datentypen; bei realen Daten sollten dtype, parse_dates und na_values bewusst gesetzt werden.

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

Übungsaufgaben

Verändere Eingaben und Randfälle, bevor du die Lösung mit größeren Datenmengen testest.

Ergänze Zeilen, Spalten und fehlende Werte.
Kombiniere Filtern, Sortieren und groupby in einer Auswertung.
Lies eine reale Datei ein und überprüfe die Datentypen.

In der Python-IDE ausführen →