Exécuter pandas en ligne

Lire des données CSV avec pandas

Dans cette leçon, vous allez lire des données CSV dans un DataFrame avec la fonction read_csv() de pandas.

  • Intermédiaire
  • 2 min de lecture
  • 1 exemple exécutable

Dans quels cas utilise-t-on pandas read_csv ?

Le problème

La plupart des données que vous rencontrerez sont stockées dans des fichiers CSV : exports de tableurs, relevés bancaires, journaux de capteurs. Découper à la main les lignes puis les virgules ne résiste pas aux guillemets, aux valeurs manquantes ni aux nombres stockés sous forme de texte. pandas lit ces fichiers correctement en une seule ligne de code.

Imaginez-le ainsi

read_csv, c'est comme un agent de saisie qui recopie une liste dans un tableur. La première ligne donne les titres des colonnes, chaque ligne suivante devient une ligne du tableau, et l'agent repère les colonnes qui contiennent des nombres.

De l'agent de saisie au code
"name,score\n..."📃 Les lignes du texte CSV
StringIO(csv_text)📂 Faire comme si le texte était un fichier ouvert
pd.read_csv(...)🧑‍💼 Le recopier dans un tableau
students📊 Les colonnes name et score, trois lignes
La première ligne devient les noms de colonnes ; chaque ligne suivante devient une ligne du tableau.
En une phrase

pd.read_csv lit du texte dont les valeurs sont séparées par des virgules, depuis un fichier ou un objet qui se comporte comme un fichier, et en fait un DataFrame. La première ligne sert de noms de colonnes, et le type de chaque colonne est deviné.

Les fichiers CSV servent à échanger des données entre tableurs, systèmes métier, outils d’analyse, API et bases de données. pandas.read_csv() les charge dans un DataFrame pour les nettoyer, filtrer et analyser.

Cas d’usage courants

  • Analyser des exports Excel, Google Sheets ou CRM.
  • Charger des jeux de données pour la data science et le machine learning.
  • Corriger les valeurs manquantes, les types erronés et les doublons avant importation.
Conseil : Pour des données de production, précisez dtype, parse_dates, usecols et na_values afin de contrôler l’importation.

Quand l’utiliser ?

  • Charger des données exportées de tableurs, de bases de données et de sites web.
  • Lire en masse des journaux (logs) et des rapports.
  • La première étape de presque toute analyse de données.

Quand s'en passer

  • Les fichiers Excel avec plusieurs feuilles : utilisez pd.read_excel.
  • Les fichiers trop gros pour la mémoire : lisez-les par morceaux avec chunksize.

Exemple de base

Exécuter le code →
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)
Obtenir un bouton Run pour cet exemple

Résultat de l’exécution

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Exemple avancé

Les fichiers CSV réels sont souvent volumineux et imparfaits. Cet exemple sélectionne les colonnes utiles, analyse les dates, impose les types et reconnaît plusieurs formats de valeurs manquantes.

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)

Explication du code

StringIO transforme une chaîne en un objet qui se comporte comme un fichier ouvert, read_csv() peut donc le lire directement sans créer de fichier temporaire. pandas reconnaît la première ligne comme en-tête et devine le type de chaque colonne. Avec des données réelles, des paramètres comme dtype, parse_dates et na_values permettent de contrôler la lecture.

Modifiez les valeurs et exécutez le programme avec le compilateur Python en ligne CodeUtility, sans installation locale.

Exercices d’approfondissement

Essayez de modifier le code en suivant les pistes ci-dessous. Changer le code et observer le résultat vous fera bien mieux comprendre la leçon que la simple lecture.

  1. Ajoutez des lignes, des colonnes et quelques valeurs manquantes aux données d’exemple.
  2. Combinez filtrage, tri et groupby pour produire un petit rapport.
  3. Lisez un vrai fichier de données, vérifiez le type de chaque colonne et traitez les valeurs invalides.
Exécuter dans le compilateur Python →

Erreurs fréquentes

Mauvais séparateur

Les fichiers CSV européens utilisent souvent ; comme séparateur : tout se retrouve alors dans une seule colonne.

Problème
pd.read_csv("data.csv")
Correction
pd.read_csv("data.csv", sep=";")

Leçon terminée ?

Marquez-la comme apprise pour suivre votre progression.