Как прочитать CSV-файл в Python: пять способов

How this example was made

Mode “Writing an article (with sections)”
AI model Gemma 4 31B (free, on your own computer via LM Studio)
This is an open Google model. The same model is also available without a powerful computer: free, with the same Google AI Studio key as Gemini.
Topic and keywords How to read a CSV file in Python: five ways · python csv, reading csv, pandas read_csv, csv module
Style clear to a beginner programmer, with short code examples
Images ClipCloud, style “illustration”
Length 5,898 characters (the settings asked for 5,000 to 7,000 characters)

CSV-файлы стали стандартом для обмена данными: их умеет создавать почти любая программа, от CRM до систем логирования. В Python есть несколько подходов к чтению таких файлов: от встроенных инструментов для простых задач до мощных библиотек для анализа миллионов строк.

Вы подберете подходящий метод под свою задачу. Если файл маленький и простой, хватит обычного open() и split(','). Для серьезной работы с таблицами лучше взять pandas: pd.read_csv('file.csv'). Разберем, когда какой способ работает быстрее и проще.

Базовый модуль csv для простых списков

Лист бумаги с таблицей в клетку и карандаши на светлом столе у окна

Стандартный модуль csv работает «из коробки» и идеально подходит для простых задач. Основной инструмент здесь: функция csv.reader. Она превращает каждую строку файла в список строк, где элементами становятся значения, разделенные запятыми или другими спецсимволами.

Пример базового чтения:

import csv

with open('data.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

Нюансы использования:

  • Типы данных: модуль не определяет типы автоматически. Все данные приходят в виде строк. Для расчетов используйте int() или float().
  • Разделители: если в файле вместо запятой используется точка с запятой или табуляция, передайте параметр delimiter=';' или delimiter='t'.
  • Экономия памяти: csv.reader создает итератор. Это значит, что Python читает файл построчно, а не загружает весь объем данных в ОЗУ сразу.

Если первая строка файла содержит названия колонок (заголовки), их можно легко отсечь с помощью команды next(reader) перед запуском основного цикла for. Так вы начнете обработку сразу с полезных данных.

Чтение данных в словари через DictReader

Картонная коробка с рядами бумажных карточек на светлом столе

Если в CSV-файле есть строка с заголовками, удобнее использовать csv.DictReader. Этот инструмент превращает каждую строку не в простой список, а в словарь. Ключами становятся названия колонок из первой строки файла, а значениями: данные из текущей строки. Это избавляет от необходимости считать индексы вроде row[0] или row[1], что делает код нагляднее и защищает от ошибок, если порядок столбцов в файле внезапно изменится.

import csv
with open('users.csv', newline='', encoding='utf-8') as f:
    reader = csv.DictReader(f)
    for row in reader:
        print(f"Имя: {row['name']}, Возраст: {row['age']}")

Преимущества этого подхода:

  • Понятный код: сразу видно, какое поле используется.
  • Стойкость к изменениям: добавление новых колонок в середину файла не ломает логику программы.
  • Автоматизация: Python сам сопоставляет данные с именами полей.

Если файл идет без заголовков, их можно задать вручную через параметр fieldnames:

reader = csv.DictReader(f, fieldnames=['name', 'age', 'city'])

Мощный инструмент pandas read_csv

Когда данных становится много или нужно проводить серьезный анализ, стандартных средств мало. На помощь приходит pandas: библиотека, которая превращает CSV в DataFrame. Это полноценная таблица в памяти Python, напоминающая лист Excel, но с возможностями программирования.

Главный плюс pandas: автоматизация. Он сам определяет заголовки, распознает числа, а даты разбирает, если указать параметр parse_dates. Еще он умеет корректно обрабатывать пустые ячейки. Вам не нужно перебирать строки в цикле, чтобы найти нужное значение.

import pandas as pd

df = pd.read_csv('data.csv')

print(df.head())

Для работы со сложными файлами используйте эти параметры:

Параметр Зачем нужен
sep задает разделитель (например, sep=';')
index_col назначает столбец индексом строк
usecols загружает только перечисленные колонки
encoding указывает кодировку (например, ‘utf-8’ или ‘cp1251’)

С pandas можно за пару строк отфильтровать тысячи записей, посчитать среднее по столбцу или объединить несколько таблиц в одну.

Работа с числовыми массивами через NumPy

Если файл содержит только числа, а ваша цель: математические расчеты или работа с матрицами, используйте NumPy. Эта библиотека работает с данными гораздо быстрее, чем стандартные списки, и занимает меньше памяти за счет использования однотипных массивов. Для чтения CSV здесь есть две основные функции: loadtxt и genfromtxt. Первая работает быстрее, но выдает ошибку при наличии пустых ячеек. Вторая более гибкая: она умеет обрабатывать пропуски и заполнять их значениями по умолчанию.

Пример простого импорта:

import numpy as np
data = np.genfromtxt('data.csv', delimiter=',')
print(data)

Если в начале файла идут текстовые заголовки, их нужно пропустить с помощью аргумента skip_header, иначе NumPy попытается превратить текст в числа:

data = np.genfromtxt('data.csv', delimiter=',', skip_header=1)

Главные особенности NumPy при работе с CSV:

  • Типизация: по умолчанию все данные становятся числами с плавающей точкой (float).
  • Скорость: операции с массивами выполняются на уровне языка C, что в десятки раз быстрее обычных циклов Python.
  • Компактность: данные хранятся в памяти плотнее, чем в стандартных списках.

Этот метод идеален для научных расчетов, обработки сигналов или обучения нейросетей, где CSV выступает просто как хранилище измерений или координат.

Простой метод через open и split

Если файл крошечный, а импортировать модули не хочется, можно обойтись стандартным открытием текстового файла. Это самый примитивный способ: Python читает строку как обычный текст, а вы сами режете ее на части.

with open('data.csv', 'r', encoding='utf-8') as f:
    for line in f:
        row = line.strip().split(',')
        print(row)

Здесь происходят две вещи: метод strip() убирает лишние пробелы и символ переноса строки в начале и в конце строки, а split(',') превращает строку в список, используя запятую как разделитель. Все данные при этом остаются строками: если в файле было число 10, в списке будет '10'. Чтобы работать с ним как с числом, придется преобразовать его через int() или float().

Этот метод работает быстро, но он крайне ненадежен. Он сломается, если внутри ячейки встретится запятая в кавычках, например: "Иванов, Иван",25. В таком случае split просто разрежет имя пополам, и структура таблицы поплывет.

Когда использовать этот подход:

  • Файл гарантированно простой и маленький.
  • В данных нет кавычек и спецсимволов.
  • Нужно максимально быстро глянуть содержимое файла без лишнего кода.

The text of this post was generated by ClipAI, and the images were drawn by ClipCloud, to show how the programs work. On pages without this note, the text is written by people.

ru_RURussian