Как проанализировать CSV в pandas: фильтры, топ значений и первый график

pandas превращает CSV в таблицу DataFrame, где фильтр, группировка и график занимают несколько проверяемых операций. Возьмём небольшой файл продаж, очистим цену и количество, оставим оплаченные строки, посчитаем выручку по категориям и сохраним bar chart. Параллельно научимся не доверять dtype и пропускам.

CSV выглядит как таблица, но цена может оказаться строкой, пустая категория превращается в NaN, а разделитель зависит от источника. Анализ начинается с проверки структуры. В этой статье вы соберёте мини-отчёт sales_report.csv и график revenue.png. Финальный результат можно проверить без догадок: терминал печатает три категории по убыванию выручки, а PNG совпадает с сохранённой агрегированной таблицей.

Что проверить сразу после read_csv

Файл sales.csv является входом, DataFrame хранит строки в памяти, а report содержит одну строку на category. Скрипт не перезаписывает исходник. Числовые преобразования выполняются явно до формулы revenue. Для pandas держите этапы раздельно: ввод, проверка, основное действие и вывод. Такой маршрут позволяет остановиться в конкретной точке, увидеть фактические данные и исправить одну причину вместо случайной перестановки строк.

Каждый промежуточный DataFrame можно вывести и сверить до следующего преобразования. У pandas каждый этап оставляет наблюдаемый след, поэтому следующий шаг начинается только после проверки предыдущего.

От входных данных до видимого результата. График строится только из проверенной таблицы

Пишем анализ продаж по шагам

Создайте проект uv init sales-report и установите uv add pandas matplotlib. Сохраните sales.csv в той же папке, затем запустите uv run python report.py. Matplotlib нужен только для PNG. На сервере без окна скрипт всё равно работает, потому что использует savefig, а не интерактивный show.

from pathlib import Path

import matplotlib.pyplot as plt
import pandas as pd


source = Path("sales.csv")
data = pd.read_csv(source)

required = {"category", "price", "quantity", "status"}
missing = required - set(data.columns)
if missing:
    raise ValueError(f"missing columns: {sorted(missing)}")

data["price"] = pd.to_numeric(data["price"], errors="coerce")
data["quantity"] = pd.to_numeric(data["quantity"], errors="coerce")
invalid = data[data[["price", "quantity"]].isna().any(axis=1)]
if not invalid.empty:
    raise ValueError(f"invalid numeric rows: {invalid.index.tolist()}")

paid = data.loc[data["status"].eq("paid")].copy()
paid["revenue"] = paid["price"] * paid["quantity"]

report = (
    paid.groupby("category", as_index=False)["revenue"]
    .sum()
    .sort_values("revenue", ascending=False)
)

print(report.to_string(index=False))
report.to_csv("sales_report.csv", index=False)

ax = report.plot.bar(x="category", y="revenue", legend=False)
ax.set_ylabel("Revenue")
ax.figure.tight_layout()
ax.figure.savefig("revenue.png", dpi=160)
plt.close(ax.figure)

Использование .copy() после фильтра делает намерение явным и защищает от неоднозначного изменения представления исходного DataFrame. Пример pandas специально ограничен одним пользовательским сценарием, чтобы назначение каждой строки оставалось видимым.

Что отличает устойчивый проект от случайного запуска. Ошибки данных остаются видимыми

Как работают фильтр, groupby и sum

DataFrame хранит каждый столбец с dtype. pd.to_numeric с errors="coerce" превращает неверное значение в NaN, после чего скрипт сам выбирает строгий отказ. loc принимает булеву маску той же длины. groupby собирает строки с одинаковой category, sum уменьшает каждую группу до одного числа, sort_values задаёт порядок топа. plot.bar возвращает Matplotlib Axes, поэтому подпись оси и сохранение настраиваются после построения. Индекс не нужен в итоговом CSV, поэтому index=False.

По умолчанию groupby может исключить NaN-ключи, поэтому пустую category надо либо отклонить, либо заполнить до группировки. Большой CSV читайте частями через chunksize, если он не помещается в память. Даты лучше разбирать через parse_dates или pd.to_datetime. Денежные расчёты на float подходят для учебного графика, но бухгалтерский результат требует Decimal или хранения копеек целым числом. Не округляйте каждую строку без требования: сумма округлённых значений может отличаться от округлённой суммы.

Ломаем CSV и проверяем устойчивость отчёта

Запустите исходный файл. Затем замените одну цену на word и получите индекс ошибки. Верните число, добавьте пустую category и выберите политику: отклонить строку или заполнить "Unknown". Добавьте колонку date, разберите её и постройте выручку по дням. Проверьте дубликат строки через duplicated. Последний шаг: добавьте аргумент командной строки для пути CSV, чтобы скрипт не зависел от имени sales.csv.

Отчёт воспроизводим, когда один и тот же вход даёт те же строки, порядок и файл изображения. После этой проверки измените одно правило pandas и заранее запишите ожидаемый результат. Так копирование превращается в понимание.

Четыре проверки перед следующим шагом. Один report питает оба артефакта

Как развивать анализ без магических строк

Следующим шагом вынесите загрузку, очистку и агрегацию в отдельные функции и напишите тесты на маленьком DataFrame. Для исследовательской работы сохраните notebook, но итоговую логику держите в скрипте, который можно перезапустить. Добавьте описание единиц и периода рядом с графиком. Не удаляйте строки молча через dropna без отчёта о количестве. Для большого проекта храните сырой файл отдельно от очищенного и фиксируйте версию источника.

Как изучить тему в Кодике

Начните со списков и словарей Python, затем сравните их с колонками и строками DataFrame. В Кодике сначала восстановите чистую логику без фреймворка, затем верните библиотеку и интерфейс pandas.

Сначала получите правильную таблицу report, только затем добавляйте подписи и цвета графика. Финальная проверка для pandas: закрыть статью, объяснить путь данных и добавить одну функцию без копирования готового блока.

Что получится в итоге

Исходный CSV превращается в проверенный топ категорий, а таблица и график сохраняются как два согласованных результата.