Exécuter pandas en ligne

Lire un CSV avec pandas

CSV est courant pour les exports et jeux de données.

Dans quels cas utilise-t-on pandas read_csv ?

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.

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)

Résultat attendu

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)

Fonctionnement

read_csv détecte en-tête et types ; dtype, parse_dates et na_values rendent l’import explicite.

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

Exercices pratiques

Modifiez les entrées et testez les cas limites avant d’utiliser des données plus volumineuses.

Ajoutez des lignes, colonnes et valeurs manquantes.
Combinez filtrage, tri et groupby.
Chargez un fichier réel et contrôlez ses dtypes.

Exécuter dans l’IDE Python →