Executar pandas online

Ler dados CSV com pandas

Nesta lição, você vai ler dados CSV para um DataFrame com a função read_csv() do pandas.

  • Intermediário
  • 2 min de leitura
  • 1 exemplo executável

Quando pandas read_csv é usado?

O problema

A maioria dos dados que você vai encontrar está em arquivos CSV: exportações de planilhas, extratos bancários, logs de sensores. Separar linhas e vírgulas na mão dá problema com aspas, valores ausentes e números guardados como texto. O pandas lê esses arquivos corretamente com uma linha de código.

Pense assim

read_csv é como um digitador copiando uma lista para uma planilha. A primeira linha dá os títulos das colunas, cada linha seguinte vira uma linha da tabela, e o digitador percebe quais colunas guardam números.

Do digitador ao código
"name,score\n..."📃 As linhas do texto CSV
StringIO(csv_text)📂 Finja que o texto é um arquivo aberto
pd.read_csv(...)🧑‍💼 Copie para uma tabela
students📊 Colunas name e score, três linhas
A primeira linha vira os nomes das colunas; cada linha depois dela vira uma linha da tabela.
Em uma frase

pd.read_csv lê texto separado por vírgulas, de um arquivo ou de um objeto que se comporta como arquivo, e o coloca em um DataFrame. Ele usa a primeira linha como nomes das colunas e adivinha o tipo de cada coluna.

Arquivos CSV transferem dados entre planilhas, sistemas empresariais, ferramentas analíticas, APIs e bancos de dados. pandas.read_csv() carrega esses dados em um DataFrame para limpeza, filtragem e análise.

Casos de uso comuns

  • Analisar exportações do Excel, Google Sheets ou CRM.
  • Carregar conjuntos de dados para data science e machine learning.
  • Corrigir valores ausentes, tipos incorretos e duplicatas antes da importação.
Dica: Em dados de produção, informe dtype, parse_dates, usecols e na_values para controlar a leitura.

Quando usar?

  • Carregar dados exportados de planilhas, bancos de dados e sites.
  • Ler logs e relatórios em grande quantidade.
  • O primeiro passo de quase toda análise de dados.

Quando não é preciso

  • Arquivos Excel com várias abas: use pd.read_excel.
  • Arquivos grandes demais para a memória: leia em pedaços com chunksize.

Exemplo básico

Executar código →
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)
Gerar um botão Run para este exemplo

Resultado da execução

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Exemplo avançado

Arquivos CSV reais costumam ser grandes e imperfeitos. Este exemplo seleciona colunas, interpreta datas, controla tipos e reconhece diversos formatos de valores ausentes.

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)

Explicação do código

O StringIO transforma uma string em um objeto que funciona como um arquivo aberto, então read_csv() consegue lê-lo diretamente sem criar um arquivo temporário. O pandas reconhece a primeira linha como cabeçalho e deduz o tipo de dado de cada coluna. Com dados reais, você pode usar parâmetros como dtype, parse_dates e na_values para controlar a leitura.

Altere os valores e execute o programa no compilador Python online CodeUtility sem instalar Python.

Exercícios práticos

Tente modificar o código seguindo as sugestões abaixo. Mudar o código e observar o resultado ajuda você a entender muito mais do que só ler.

  1. Adicione linhas, colunas e alguns valores ausentes aos dados de exemplo.
  2. Combine filtro, ordenação e groupby para montar um pequeno relatório.
  3. Leia um arquivo de dados real, confira o tipo de cada coluna e trate os valores inválidos.
Executar no compilador Python →

Erros comuns

Separador errado

Arquivos CSV europeus muitas vezes usam ; como separador, e aí tudo acaba em uma única coluna.

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

Terminou esta lição?

Marque como aprendida para acompanhar seu progresso.