Запустить pandas онлайн

Чтение CSV с pandas

CSV широко используется для экспорта и обмена наборами данных.

Когда используется pandas read_csv?

CSV служит для обмена данными между таблицами, бизнес-системами, аналитическими инструментами, API и базами данных. pandas.read_csv() загружает данные в DataFrame для очистки, фильтрации и анализа.

Распространённые сценарии

Анализировать экспорт из Excel, Google Sheets или CRM.
Загружать наборы данных для data science и машинного обучения.
Исправлять пропуски, неверные типы и дубликаты перед импортом.

Совет: Для рабочих данных явно задавайте dtype, parse_dates, usecols и na_values.

Базовый пример

Запустить код →

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)

Ожидаемый результат

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Продвинутый пример

Реальные CSV-файлы часто велики и содержат неточности. Этот пример выбирает нужные столбцы, разбирает даты, задаёт типы и распознаёт несколько форматов пропущенных значений.

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)

Как это работает

read_csv определяет заголовок и типы; dtype, parse_dates и na_values делают импорт явным.

Измените значения и запустите программу в онлайн-компиляторе Python CodeUtility без локальной установки Python.

Практические задания

Изменяйте входные данные и проверяйте граничные случаи перед работой с большими наборами.

Добавьте строки, столбцы и пропуски.
Объедините фильтрацию, сортировку и groupby.
Загрузите реальный файл и проверьте dtype.

Запустить в Python IDE →