7.2.3 Ficheros CSV

El formato CSV (Comma Separated Values) se usa para guardar tablas de datos en texto plano. Es muy habitual para intercambiar información entre Excel, Google Sheets, aplicaciones web y scripts de Python.

Un CSV parece simple, pero tiene reglas importantes (separadores, comillas, saltos de línea) que conviene entender bien.

1️⃣ Qué es un CSV exactamente

Piensa en un CSV como una tabla:

Cada línea es una fila.
Cada valor dentro de la línea es una columna.
Los valores se separan con un delimitador (normalmente , o ;).

Ejemplo:

Nombre,Edad,Ciudad
Ana,20,Sevilla
Luis,22,Malaga

Por qué usar el módulo csv

Un error común es hacer esto:

linea = '"Apple, Inc.",Cupertino,"1,200.50"'
print(linea.split(","))

Esto rompe datos válidos porque hay comas dentro de comillas.

El módulo csv de Python ya resuelve estos casos correctamente y debe ser la opción por defecto cuando trabajes con CSV reales.

2️⃣ Lectura

🟩 Lectura básica con `csv.reader`

Antes de usar opciones avanzadas, conviene dominar la lectura más directa de un CSV. Con csv.reader recorremos el archivo fila a fila y obtenemos cada registro como una lista de valores.

Lectura simple
import csv

with open("alumnos.csv", "r", encoding="utf-8") as f:
    lector = csv.reader(f)
    for fila in lector:
        print(fila)

en este ejemplo

open(..., "r") abre el archivo en modo lectura.
csv.reader(f) crea un iterador de filas.
Cada fila es una lista de cadenas.

Parámetros útiles en lectura

No todos los CSV usan coma. En muchos entornos (por ejemplo, Excel con configuración regional europea) se usa ;.

lector = csv.reader(f, delimiter=";", quotechar='"')

delimiter: separador de columnas (",", ";", etc.).
quotechar: carácter que protege textos con separadores internos.

🟦 Lectura con `DictReader`

Cuando el CSV tiene cabecera, suele ser mejor leer por nombre de columna.

Lectura por nombres de campo
import csv

with open("ventas.csv", "r", encoding="utf-8") as f:
    lector = csv.DictReader(f)
    for fila in lector:
        print(f"Producto: {fila['Producto']} | Total: {fila['Total']}")

Ventajas prácticas

El código es más legible.
Evitas errores por índices (fila[2], fila[3], etc.).
Si cambia el orden de columnas, el código suele seguir funcionando.

🟨 Comparativa de funcionamiento (`reader` vs `DictReader`)

Criterio	`csv.reader`	`csv.DictReader`
Tipo de salida por fila	Lista	Diccionario
Acceso a datos	Por índice (`fila[0]`)	Por nombre (`fila["Producto"]`)
Necesita cabecera	No	Sí (o `fieldnames`)
Legibilidad del código	Media	Alta
Caso ideal de uso	CSV simple o sin cabecera	CSV tabular con cabeceras

3️⃣ Escritura con `csv.writer` y `DictWriter`

Para guardar datos en CSV también hay dos enfoques principales. Igual que en lectura, puedes trabajar con estructuras simples (listas) o con estructuras más expresivas (diccionarios). Elegir uno u otro depende del tipo de datos y de la claridad que necesites en tu código.

🟩 Opción 1: `writer` (listas)

csv.writer escribe cada fila como una lista de valores en orden.

Escritura con listas
import csv

filas = [
    ["Nombre", "Nivel", "Mundo"],
    ["Mario", 10, "1-1"],
    ["Luigi", 12, "2-4"],
]

with open("partida.csv", "w", newline="", encoding="utf-8") as f:
    escritor = csv.writer(f)
    escritor.writerows(filas)

en este ejemplo

writerow(...) escribe una sola fila.
writerows(...) escribe varias filas de una vez (recibe una lista o iterable de filas).
Si ya tienes todos los datos en una estructura tipo lista de listas, writerows(...) reduce código repetitivo.

🟦 Opción 2: `DictWriter` (diccionarios)

csv.DictWriter permite escribir por nombre de campo, lo que aporta más legibilidad y control.

Escritura con diccionarios
import csv

cabecera = ["Nombre", "Nivel", "Mundo"]
personajes = [
    {"Nombre": "Mario", "Nivel": 10, "Mundo": "1-1"},
    {"Nombre": "Luigi", "Nivel": 12, "Mundo": "2-4"},
]

with open("partida.csv", "w", newline="", encoding="utf-8") as f:
    escritor = csv.DictWriter(f, fieldnames=cabecera)
    escritor.writeheader()
    escritor.writerows(personajes)

writeheader() y writerows() con DictWriter

writeheader() escribe la primera línea con los nombres de columna definidos en fieldnames.
Es recomendable llamarlo una vez al principio para que el CSV quede autodescriptivo.
writerows(...) escribe todas las filas de diccionarios respetando el orden de fieldnames.

🟨 Comparativa de funcionamiento (`writer` vs `DictWriter`)

Criterio	`csv.writer`	`csv.DictWriter`
Tipo de entrada	Lista de listas	Lista de diccionarios
Referencia de columnas	Por posición	Por nombre (`fieldnames`)
Cabecera automática	No	Sí (`writeheader()`)
Riesgo por cambio de orden	Más alto	Más bajo
Caso ideal de uso	Datos simples y orden fijo	Datos tabulares con esquema claro

Uso de newline=""

En Windows, si no usas newline="" al escribir CSV, pueden aparecer líneas en blanco extra.

4️⃣ Ejemplo completo: leer, transformar y guardar

Este ejemplo une todo lo anterior en un flujo único. La idea es que puedas reutilizar este patrón en casi cualquier tarea básica de CSV.

Pipeline CSV básico
import csv

entradas = []

with open("notas.csv", "r", encoding="utf-8") as f:
    lector = csv.DictReader(f)
    for fila in lector:
        fila["Nota"] = float(fila["Nota"])
        fila["Aprobado"] = "SI" if fila["Nota"] >= 5 else "NO"
        entradas.append(fila)

with open("notas_resultado.csv", "w", newline="", encoding="utf-8") as f:
    campos = ["Alumno", "Nota", "Aprobado"]
    escritor = csv.DictWriter(f, fieldnames=campos)
    escritor.writeheader()
    escritor.writerows(entradas)

Este patrón (leer -> procesar -> escribir) es el flujo más común en tareas de persistencia con CSV.

✅ Buenas prácticas recomendadas

buenas prácticas

Usa siempre with open(...) para cerrar el archivo automáticamente.
Indica encoding="utf-8" para evitar problemas con caracteres especiales.
Prefiere DictReader/DictWriter cuando trabajes con tablas con cabeceras.
Valida datos antes de convertir tipos (int, float, etc.) para evitar errores silenciosos.

🧪 Ejercicios prácticos – Operación Mercurio

Tras la auditoría de logs de la unidad anterior, el equipo necesita pasar al siguiente nivel: generar y consumir reportes CSV para el panel de analítica.

Tu misión será leer datos comerciales y de usuarios, validarlos y producir nuevos ficheros CSV listos para explotación.

Dispones de estos ficheros: 👉 Descárgalos aquí

ventas_global.csv -> ventas generales del sistema
ventas_europa.csv -> ventas con formato europeo (; y decimal con coma)
usuarios_plataforma.csv -> estado de usuarios del sistema

🟢 Fase 1 – Lectura e inspección inicial

🟩 Ejercicio 1 – Lectura base de ventas (`ventas_global.csv`)

Lee el archivo con csv.reader y muestra:

Número total de filas de datos (sin cabecera).
Primera venta registrada.
Última venta registrada.

Objetivo: practicar lectura secuencial con listas.

🟦 Ejercicio 2 – Lectura con formato europeo (`ventas_europa.csv`)

Procesa el fichero usando:

delimiter=";"
Conversión de PrecioUnitario de texto con coma decimal a float real.

Muestra por pantalla el total de facturación europea.

Objetivo: manejar dialectos y transformación de tipos en CSV.

🟡 Fase 2 – Lectura estructurada y validación

🟨 Ejercicio 3 – Facturación por canal con `DictReader` (`ventas_global.csv`)

Usando csv.DictReader, calcula la facturación total por canal (Web, Tienda, App).

Condiciones:

Convierte Unidades a int.
Convierte PrecioUnitario a float.
Acumula en un diccionario, por ejemplo: {"Web": 1200.0, "Tienda": 800.0, "App": 500.0}.

Objetivo: trabajar con lectura por nombre de campo.

🟧 Ejercicio 4 – Detección de registros inconsistentes (`usuarios_plataforma.csv`)

Detecta y cuenta registros problemáticos:

Usuario marcado como activo=True con ultimo_acceso vacío.
Filas sin id o sin nombre.

Muestra:

Total de registros inconsistentes.
2 ejemplos de líneas problemáticas.

Objetivo: validar calidad de datos antes de escribir nuevos CSV.

🔵 Fase 3 – Escritura de reportes CSV

🟥 Ejercicio 5 – Resumen por categoría con `writer` (`resumen_categorias.csv`)

Genera un nuevo CSV con esta estructura:

Categoria,UnidadesTotales,FacturacionTotal

Condiciones:

Usa csv.writer.
Escribe primero la cabecera con writerow(...).
Escribe el resto con writerows(...).

Objetivo: practicar escritura basada en listas y control manual de columnas.

🟫 Ejercicio 6 – Exportación de usuarios activos con `DictWriter` (`usuarios_activos.csv`)

Crea un fichero con solo usuarios válidos y activos (activo=True y ultimo_acceso no vacío).

Columnas obligatorias:

id
nombre
rol
ultimo_acceso

Condiciones:

Usa csv.DictWriter.
Define fieldnames.
Escribe cabecera con writeheader().

Objetivo: consolidar escritura por diccionarios con esquema fijo.

🟪 Ejercicio 7 – Comparativa de salida (`writer` vs `DictWriter`)

Genera dos archivos con el mismo contenido (top 3 productos por unidades vendidas):

top_productos_writer.csv (con csv.writer)
top_productos_dictwriter.csv (con csv.DictWriter)

Después, verifica que:

Tienen la misma cantidad de filas.
Contienen la misma información (aunque cambie el enfoque de escritura).

Objetivo: entender en práctica cuándo usar cada herramienta.

🔴 Fase Final – Entrega del informe

🟪 Ejercicio 8 – Informe de cierre (`informe_csv.txt`)

Genera un informe final en texto plano que incluya:

Total de ventas procesadas en ventas_global.csv.
Facturación total global.
Facturación total europea.
Número de registros inconsistentes de usuarios.
Número de usuarios activos exportados.

Formato sugerido:

Ventas globales procesadas: X
Facturación global: XXXX.XX
Facturación europea: XXXX.XX
Registros inconsistentes: X
Usuarios activos exportados: X

1️⃣ Qué es un CSV exactamente​

2️⃣ Lectura​

🟩 Lectura básica con csv.reader​

🟦 Lectura con DictReader​

🟨 Comparativa de funcionamiento (reader vs DictReader)​

3️⃣ Escritura con csv.writer y DictWriter​

🟩 Opción 1: writer (listas)​

🟦 Opción 2: DictWriter (diccionarios)​

🟨 Comparativa de funcionamiento (writer vs DictWriter)​

4️⃣ Ejemplo completo: leer, transformar y guardar​

✅ Buenas prácticas recomendadas​

🧪 Ejercicios prácticos – Operación Mercurio​

🟢 Fase 1 – Lectura e inspección inicial​

🟩 Ejercicio 1 – Lectura base de ventas (ventas_global.csv)​

🟦 Ejercicio 2 – Lectura con formato europeo (ventas_europa.csv)​

🟡 Fase 2 – Lectura estructurada y validación​

🟨 Ejercicio 3 – Facturación por canal con DictReader (ventas_global.csv)​

🟧 Ejercicio 4 – Detección de registros inconsistentes (usuarios_plataforma.csv)​

🔵 Fase 3 – Escritura de reportes CSV​

🟥 Ejercicio 5 – Resumen por categoría con writer (resumen_categorias.csv)​

🟫 Ejercicio 6 – Exportación de usuarios activos con DictWriter (usuarios_activos.csv)​

🟪 Ejercicio 7 – Comparativa de salida (writer vs DictWriter)​

🔴 Fase Final – Entrega del informe​

🟪 Ejercicio 8 – Informe de cierre (informe_csv.txt)​

1️⃣ Qué es un CSV exactamente

2️⃣ Lectura

🟩 Lectura básica con `csv.reader`

🟦 Lectura con `DictReader`

🟨 Comparativa de funcionamiento (`reader` vs `DictReader`)

3️⃣ Escritura con `csv.writer` y `DictWriter`

🟩 Opción 1: `writer` (listas)

🟦 Opción 2: `DictWriter` (diccionarios)

🟨 Comparativa de funcionamiento (`writer` vs `DictWriter`)

4️⃣ Ejemplo completo: leer, transformar y guardar

✅ Buenas prácticas recomendadas

🧪 Ejercicios prácticos – Operación Mercurio

🟢 Fase 1 – Lectura e inspección inicial

🟩 Ejercicio 1 – Lectura base de ventas (`ventas_global.csv`)

🟦 Ejercicio 2 – Lectura con formato europeo (`ventas_europa.csv`)

🟡 Fase 2 – Lectura estructurada y validación

🟨 Ejercicio 3 – Facturación por canal con `DictReader` (`ventas_global.csv`)

🟧 Ejercicio 4 – Detección de registros inconsistentes (`usuarios_plataforma.csv`)

🔵 Fase 3 – Escritura de reportes CSV

🟥 Ejercicio 5 – Resumen por categoría con `writer` (`resumen_categorias.csv`)

🟫 Ejercicio 6 – Exportación de usuarios activos con `DictWriter` (`usuarios_activos.csv`)

🟪 Ejercicio 7 – Comparativa de salida (`writer` vs `DictWriter`)

🔴 Fase Final – Entrega del informe

🟪 Ejercicio 8 – Informe de cierre (`informe_csv.txt`)