Leggere CSV con pandas – Esegui codice online

Quando si usa pandas read_csv?

I file CSV scambiano dati tra fogli di calcolo, sistemi aziendali, strumenti di analisi, API e database. pandas.read_csv() li carica in un DataFrame per pulizia, filtro e analisi.

Casi d’uso comuni

Analizzare esportazioni da Excel, Google Sheets o CRM.
Caricare dataset per data science e machine learning.
Correggere valori mancanti, tipi errati e duplicati prima dell’importazione.

Suggerimento: Per dati di produzione, specifica dtype, parse_dates, usecols e na_values per controllare la lettura.

Esempio di base

Esegui codice →

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)

Output previsto

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Esempio avanzato

I CSV reali sono spesso grandi e imperfetti. Questo esempio seleziona le colonne necessarie, interpreta le date, imposta i tipi e riconosce più formati di valori mancanti.

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)

Come funziona

read_csv rileva intestazione e tipi; dtype, parse_dates e na_values rendono esplicita l’importazione.

Modifica i valori ed esegui il programma nel compilatore Python online CodeUtility senza installare Python.

Esercizi pratici

Modifica gli input e verifica i casi limite prima di usare dataset più grandi.

Aggiungi righe, colonne e valori mancanti.
Combina filtri, ordinamento e groupby.
Carica un file reale e controlla i dtype.

Esegui nell’IDE Python →