Esegui pandas online

Leggere dati CSV con pandas

In questa lezione leggerai dati CSV in un DataFrame con la funzione read_csv() di pandas.

  • Intermedio
  • 2 min di lettura
  • 1 esempio eseguibile

Quando si usa pandas read_csv?

Il problema

La maggior parte dei dati che incontrerai è salvata in file CSV: esportazioni da fogli di calcolo, estratti conto, log di sensori. Se separi a mano righe e virgole, il codice si rompe con virgolette, valori mancanti e numeri salvati come testo. pandas li legge correttamente in una riga.

Immaginalo così

read_csv è come un impiegato che copia una lista in un foglio di calcolo. La prima riga dà i titoli delle colonne, ogni riga successiva diventa una riga della tabella, e l'impiegato nota quali colonne contengono numeri.

Dall'impiegato al codice
"name,score\n..."📃 Le righe del testo CSV
StringIO(csv_text)📂 Fai finta che il testo sia un file aperto
pd.read_csv(...)🧑‍💼 Copialo in una tabella
students📊 Colonne name e score, tre righe
La prima riga diventa i nomi delle colonne; ogni riga dopo diventa una riga.
In una frase

pd.read_csv legge in un DataFrame del testo separato da virgole, preso da un file o da un oggetto che si comporta come un file. Usa la prima riga come nomi delle colonne e indovina il tipo di ogni colonna.

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.

Quando si usa?

  • Caricare dati esportati da fogli di calcolo, database e siti web.
  • Leggere log e report in blocco.
  • Il primo passo di quasi ogni analisi dei dati.

Quando non serve

  • File Excel con più fogli: usa pd.read_excel.
  • File troppo grandi per la memoria: leggili a blocchi con chunksize.

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)
Crea un pulsante Run per questo esempio

Risultato dell'esecuzione

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)

Spiegazione del codice

StringIO trasforma una stringa in un oggetto che funziona come un file aperto, così read_csv() può leggerlo direttamente senza creare un file temporaneo. pandas riconosce la prima riga come intestazione delle colonne e deduce il tipo di dato di ciascuna. Con dati reali puoi usare parametri come dtype, parse_dates e na_values per controllare la lettura.

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

Esercizi di approfondimento

Prova a modificare il codice seguendo i suggerimenti qui sotto. Cambiare il codice e osservare il risultato ti aiuta a capire molto più che leggerlo soltanto.

  1. Aggiungi righe, colonne e qualche valore mancante ai dati di esempio.
  2. Combina filtro, ordinamento e groupby per creare un piccolo report.
  3. Leggi un file di dati reale, controlla il tipo di ogni colonna e gestisci i valori non validi.
Esegui nel compilatore Python →

Errori comuni

Separatore sbagliato

I file CSV europei usano spesso il ; come separatore, quindi tutto finisce in una sola colonna.

Problema
pd.read_csv("data.csv")
Correzione
pd.read_csv("data.csv", sep=";")

Hai finito questa lezione?

Segnala come imparata per tenere traccia dei tuoi progressi.