Vous disposez d'un fichier worldcities.csv contenant les données sur un ensemble de villes.

Le fichier est un simple fichier texte qui ressemble à cela :

city;city_ascii;lat;lng;country;iso2;iso3;admin_name;capital;population;id
Tokyo;Tokyo;35.6850;139.7514;Japan;JP;JPN;Tōkyō;primary;35676000;1392685764
New York;New York;40.6943;-73.9249;United States;US;USA;New York;;19354922.0;1840034016
Mexico City;Mexico City;19.4424;-99.1310;Mexico;MX;MEX;Ciudad de México;primary;19028000;1484247881
...

Si on l'ouvrait avec un éditeur spécialisé comme un tableur, on aurait ce type de mise en forme :

La première ligne est une entête qui sert à préciser le contenu des colonnes.

# Fichier city0.py
# Exemple de chargement de fichier csv
# sans module

file = open('worldcities.csv', 'r', encoding='utf8')
contenu = file.read()
file.close()
lines = contenu.split('\n')
items = [line.split(';') for line in lines]

# à titre d'illustration, affichons le résultat :
for i in range(5):
    print(items[i])

# Fichier city1.py
# Exemple de chargement de fichier csv avec
# l'objet reader du module csv

import csv
file = open('worldcities.csv', 'r', encoding='utf8')

# csv fourni un objet de type reader
# qui est comme un tête de lecture placée
# sur le fichier

reader = csv.reader(file, delimiter=';')

villes = []
for row in reader:
    villes.append(row)

file.close()


# à titre d'illustration, affichons le résultat :
for i in range(5):
    print(villes[i])

# Fichier city2.py
# Exemple de chargement de fichier csv avec
# l'objet DictReader du module csv

import csv
file = open('worldcities.csv', 'r', encoding='utf8')

# csv fourni un objet de type DictReader
# Il fournit presque des dictionnaires

reader = csv.DictReader(file, delimiter=';')

villes = []
for row in reader:
    villes.append(row)

file.close()

# à titre d'illustration, affichons le résultat :
print(villes[0]["country"])

La version DictReader n'est pas mal mais dans la lecture du fichier, tout est considéré comme du texte. Si nous voulions faire des calculs avec les l’attitude, longitude… c'est gênant.

On pourrait ajouter une fonction chargée de modifier les types.

# Fichier city2_bis.py
# Utilisation d'une fonction de formatage
# pour que les données numériques soient bien reconnues

import csv

def format(item):
    return {
        'city':item['city'],
        'lat':float(item['lat']),
        'lng':float(item['lng']),
        'country':item['country'],
    }

file = open('worldcities.csv', 'r', encoding='utf8')
reader = csv.DictReader(file, delimiter=';')
villes = []
for row in reader:
    villes.append(format(row))
file.close()

# à titre d'illustration, affichons les 5 première lignes :
print(villes[:5])

Il s'agit d'un gros module qui sait faire beaucoup de choses. Ce module est très utilisé par ceux qui font de l'analyse de données. C'est la présence de module très performants comme celui-ci qui font la popularité de Python.

# Fichier city3.py
# Exemple de chargement de fichier csv avec
# le module pandas

import pandas
villes = pandas.read_csv("worldcities.csv", delimiter=";")

C'est tout ! villes n'est pas un tableau. C'est un objet défini par pandas, plus compliqué et plein de fonctionnalités. Voici quelques exemples que vous pouvez entrer en console après exécution du script :

>>> villes.loc[10] # affichage de l'item au rang 10
>>> villes.loc[10]['population'] # population de cette ville.

Notez que populationa été converti en float automatiquement par panda ce que ne faisait pas csv.

>>> villes.nlargest(10, 'population')
>>> villes[villes.city == "Paris"]
>>> villes['population'].describe()

Ceci n'est qu'un aperçu, pandas a beaucoup de fonctionnalités.