Ler CSV com pandas – Executar código online

Quando pandas read_csv é usado?

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.

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)

Saída esperada

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)

Como funciona

read_csv detecta cabeçalho e tipos; dtype, parse_dates e na_values tornam a importação explícita.

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

Exercícios práticos

Altere as entradas e teste casos de borda antes de usar conjuntos de dados maiores.

Adicione linhas, colunas e valores ausentes.
Combine filtro, ordenação e groupby.
Carregue um arquivo real e confira os dtypes.

Executar no IDE Python →