Python에서 CSV 파일을 편집 및 업데이트하는 완벽 가이드: 초보자부터 고급 사용자까지

import csv  

# CSV 파일 경로 지정  
csv_file_path = 'data.csv'  

# CSV 파일 열기 및 읽기  
with open(csv_file_path, mode='r', newline='') as file:  
    reader = csv.reader(file)  
    for row in reader:  
        print(row)

import csv  

# CSV 파일 경로 지정  
csv_file_path = 'data.csv'  

# CSV 파일 열기 및 읽기  
with open(csv_file_path, mode='r', newline='') as file:  
    reader = csv.DictReader(file)  
    for row in reader:  
        print(row)

pip install pandas

import pandas as pd  

# CSV 파일 경로 지정  
csv_file_path = 'data.csv'  

# CSV 파일을 데이터프레임으로 읽기  
df = pd.read_csv(csv_file_path)  

# 데이터프레임 내용 출력  
print(df)

# 새로운 열 'new_column' 추가, 모든 값을 0으로 설정  
df['new_column'] = 0

# 'column_name' 값이 특정 조건을 충족하는 행 필터링  
filtered_df = df[df['column_name'] > 10]

# 데이터프레임을 CSV 파일로 쓰기  
df.to_csv('output.csv', index=False)

import pandas as pd

# CSV 파일 경로 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽어오기
df = pd.read_csv(csv_file_path)

# 'column_name'의 값이 특정 조건을 만족하는 행을 필터링
filtered_df = df[df['column_name'] > 10]

# 필터링된 데이터프레임 출력
print(filtered_df)

# 'column1'의 값이 10보다 크고, 'column2'의 값이 5 이하인 행을 필터링
filtered_df = df[(df['column1'] > 10) & (df['column2'] <= 5)]

# 필터링된 데이터프레임 출력
print(filtered_df)

# 'column_name'이 특정 문자열과 일치하는 행을 필터링
filtered_df = df[df['column_name'] == 'specific_string']

# 필터링된 데이터프레임 출력
print(filtered_df)

# 'column_name'에 특정 문자열이 포함된 행을 필터링
filtered_df = df[df['column_name'].str.contains('substring')]

# 필터링된 데이터프레임 출력
print(filtered_df)

import pandas as pd

# CSV 파일 경로 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽어오기
df = pd.read_csv(csv_file_path)

# 기본 통계량 출력
print(df.describe())

# 'column_name'의 합계를 계산
sum_value = df['column_name'].sum()
print(f"Sum of column_name: {sum_value}")

# 'column_name'의 평균을 계산
mean_value = df['column_name'].mean()
print(f"Mean of column_name: {mean_value}")

# 'group_column'으로 그룹화하고, 'value_column'의 평균을 계산
grouped_df = df.groupby('group_column')['value_column'].mean()
print(grouped_df)

# 피벗 테이블 생성
pivot_table = pd.pivot_table(df, values='value_column', index='index_column', columns='columns_column', aggfunc='sum')
print(pivot_table)

import pandas as pd

# CSV 파일 경로 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽어오기
df = pd.read_csv(csv_file_path)

# 'column_name'의 값이 특정 조건을 만족하는 행의 'target_column'을 업데이트
df.loc[df['column_name'] == 'old_value', 'target_column'] = 'new_value'

# 업데이트된 데이터프레임 출력
print(df)

# 조건에 따라 복수의 값을 일괄 업데이트
df.loc[df['column_name'] > 10, 'target_column'] = 'updated_value'

# 업데이트된 데이터프레임 출력
print(df)

# 데이터프레임 전체에서 특정 값을 새 값으로 대체
df.replace({'old_value': 'new_value'}, inplace=True)

# 업데이트된 데이터프레임 출력
print(df)

# 업데이트된 데이터프레임을 CSV 파일에 쓰기
df.to_csv('updated_data.csv', index=False)

import pandas as pd

# CSV 파일 경로를 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽어오기
df = pd.read_csv(csv_file_path)

# 새로운 데이터를 딕셔너리 형태로 정의
new_data = {'column1': 'value1', 'column2': 'value2', 'column3': 'value3'}

# 새로운 데이터를 데이터프레임에 추가
df = df.append(new_data, ignore_index=True)

# 업데이트된 데이터프레임 출력
print(df)

# 새로운 데이터를 리스트 형태로 정의
new_data_list = [
    {'column1': 'value1', 'column2': 'value2', 'column3': 'value3'},
    {'column1': 'value4', 'column2': 'value5', 'column3': 'value6'}
]

# 여러 개의 새로운 데이터를 데이터프레임에 추가
df = df.append(new_data_list, ignore_index=True)

# 업데이트된 데이터프레임 출력
print(df)

# 추가된 데이터프레임을 CSV 파일에 저장
df.to_csv('data.csv', index=False)

# 새로운 데이터프레임 생성
new_data_df = pd.DataFrame([{'column1': 'value1', 'column2': 'value2', 'column3': 'value3'}])

# 새로운 데이터를 기존 CSV 파일에 추가 저장
new_data_df.to_csv('data.csv', mode='a', header=False, index=False)

import pandas as pd

# CSV 파일 경로를 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽어오기
df = pd.read_csv(csv_file_path)

# 데이터프레임을 Excel 파일로 저장
excel_file_path = 'data.xlsx'
df.to_excel(excel_file_path, index=False)

print(f"CSV 파일을 Excel 파일({excel_file_path})로 변환하였습니다.")

# 데이터프레임을 JSON 파일로 저장
json_file_path = 'data.json'
df.to_json(json_file_path, orient='records', lines=True)

print(f"CSV 파일을 JSON 파일({json_file_path})로 변환하였습니다.")

from sqlalchemy import create_engine

# 데이터베이스 연결 엔진 생성
engine = create_engine('sqlite:///data.db')

# 데이터프레임을 SQL 데이터베이스에 저장
df.to_sql('table_name', engine, if_exists='replace', index=False)

print("CSV 파일을 SQL 데이터베이스로 변환하였습니다.")

# 데이터프레임을 HTML 파일로 저장
html_file_path = 'data.html'
df.to_html(html_file_path, index=False)

print(f"CSV 파일을 HTML 파일({html_file_path})로 변환하였습니다.")

import pandas as pd

# CSV 파일 경로 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽기
df = pd.read_csv(csv_file_path)

# 결측값 탐지
missing_values = df.isnull().sum()
print("결측값 개수:\n", missing_values)

# 중복 행 탐지
duplicate_rows = df.duplicated().sum()
print("중복 행 개수:", duplicate_rows)

# 'column_name' 값이 음수인 행 탐지
invalid_data = df[df['column_name'] < 0]
print("유효하지 않은 데이터:\n", invalid_data)

try:
    df = pd.read_csv(csv_file_path)
except FileNotFoundError:
    print(f"파일을 찾을 수 없습니다: {csv_file_path}")
except pd.errors.EmptyDataError:
    print("파일이 비어 있습니다")
except pd.errors.ParserError:
    print("파일 구문 분석 중 에러가 발생했습니다")

# 'column_name'을 숫자로 변환할 때의 에러 핸들링
df['column_name'] = pd.to_numeric(df['column_name'], errors='coerce')
print("변환 후 데이터:\n", df)

import logging

# 로그 설정
logging.basicConfig(filename='errors.log', level=logging.ERROR)

# 에러를 로그에 기록하는 예제
try:
    df = pd.read_csv(csv_file_path)
except Exception as e:
    logging.error("에러가 발생했습니다", exc_info=True)

import pandas as pd

# CSV 파일 경로 지정
csv_file_path = 'data.csv'

# CSV 파일을 데이터프레임으로 읽기
df = pd.read_csv(csv_file_path)

# 데이터 기본 정보 표시
print(df.info())

# 결측값 확인
print("결측값 개수:\n", df.isnull().sum())

# 결측값 처리 (예: 결측값을 0으로 채우기)
df.fillna(0, inplace=True)

# 기본 통계량 표시
print(df.describe())

import matplotlib.pyplot as plt

# 'column1'의 히스토그램 생성
df['column1'].hist()
plt.title('Histogram of Column 1')
plt.xlabel('Values')
plt.ylabel('Frequency')
plt.show()

# 'column1'과 'column2'의 산점도 생성
df.plot.scatter(x='column1', y='column2')
plt.title('Scatter Plot of Column 1 vs Column 2')
plt.xlabel('Column 1')
plt.ylabel('Column 2')
plt.show()

# 'category_column'으로 그룹화하고 'value_column'의 합계 계산
grouped_df = df.groupby('category_column')['value_column'].sum()
print(grouped_df)

# 그룹화된 데이터를 막대 그래프로 시각화
grouped_df.plot(kind='bar')
plt.title('Total Value by Category')
plt.xlabel('Category')
plt.ylabel('Total Value')
plt.show()

# 날짜 열을 Datetime 형식으로 변환
df['date_column'] = pd.to_datetime(df['date_column'])

# 날짜를 인덱스로 설정
df.set_index('date_column', inplace=True)

# 일별 데이터를 월별로 리샘플링하여 평균 계산
monthly_avg = df.resample('M').mean()
print(monthly_avg)

# 월별 평균을 선 그래프로 시각화
monthly_avg.plot()
plt.title('Monthly Average of Values')
plt.xlabel('Month')
plt.ylabel('Average Value')
plt.show()

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 특성 및 타겟 변수 설정
X = df[['feature1', 'feature2']]
y = df['target']

# 데이터를 학습 세트와 테스트 세트로 분할
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 선형 회귀 모델 생성
model = LinearRegression()
model.fit(X_train, y_train)

# 테스트 세트로 예측 수행
y_pred = model.predict(X_test)

# 모델 평가
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')