Documentație

Formatul CSV (eng. Comma Separated Variables, adică valori separate prin virgulă) se folosește ca o variantă simplificată a tabelelor de tip Excel. Informațiile sînt scrise pe linii, iar coloanele se separă prin virgulă. De exemplu, într-un fișier CSV putem avea:

titlu_col1, titlu_col2, titlu_col3, titlu_col4
val1_col1, val1_col2, val1_col3, val1_col4
val2_col1, val2_col2, val2_col3, val2_col4
...

Ceea ce este echivalent cu tabelul:

titlu_col1	titlu_col2	titlu_col3	titlu_col4
val1_col1	val1_col2	val1_col3	val1_col4
val2_col1	val2_col2	val2_col3	val2_col4

Orice separator în afara virgulei se ignoră, deci pentru lizibilitate, multe editoare folosesc spații sau tab-uri pentru separare vizuală. Deci putem scrie, de exemplu:

Oraș,       Județ,      Populație
Iași,       Iași,       100000
București,  București   2000000
Craiova,    Olt,        2000

Preluarea datelor în Python

Putem prelua datele dintr-un fișier CSV folosind modulul csv. Apoi, avem funcțiile reader și writer, care creează obiecte corespunzătoare.

Observație: Dacă primiți o eroare privitoare la modulul CSV, instalați-l în terminal, cu comanda:

pip install csv

Exemplu de citire:

import csv

with open('inFile.csv', 'r') as fisierCSV:
    listaDate = csv.reader(fisierCSV)
    # acum lista listaDate conține toate elementele
    for linie in listaDate:
        print(linie)

Exemplu de scriere:

import csv

linia1 = ['Oraș', '1-10', '11-20', '21-30', '31-40', '41-50']
linia2 = ['București', '4', '63', '31', '44', '55']
linia3 = ['Cluj', '42', '32', '55', '22', '11']
linia4 = ['Iași', '44', '66', '11', '22', '55']

# deschidem (sau creăm) fișierul în care vrem să scriem
with open('outFile.csv', 'w+') as fisierCSV:
    # creăm obiectul care va scrie, linie cu linie
    scriere = csv.writer(fisierCSV)
    # scriem liniile, pe rînd
    scriere.writerow(linia1)
    scriere.writerow(linia2)
    scriere.writerow(linia3)
    scriere.writerow(linia4)

Resurse

• documentația oficială a modulului csv este aici;

• un scurt tutorial, aici;

• seturi de date:

  • data.world -- necesită cont, gratis;

  • datahub -- gratis;

  • Kaggle datasets -- necesită cont, gratis;

  • Google datasets -- gratis;

  • Direct de pe GitHub, căutați "dataset" și găsiți, de exemplu, acest repository, de la NY Times.