Módulo 12 — Leer y escribir datos: CSV, JSON y Excel

El módulo 04 te enseñó a abrir archivos de texto con open(). Eso funciona para ficheros simples, pero en análisis de datos los formatos habituales son CSV, JSON y Excel. Pandas los lee y escribe en una sola línea cada uno. Este módulo cubre los tres y añade pathlib para gestionar rutas sin romperte la cabeza con barras y sistemas operativos.

CSV: el formato que más vas a ver

Un CSV es un archivo de texto donde cada línea es una fila y los valores se separan con comas (o punto y coma si el separador decimal es la coma, como en español).

import pandas as pd

df = pd.read_csv("ventas.csv")
print(df.head())

read_csv tiene muchos parámetros, pero estos son los que vas a necesitar:

df = pd.read_csv(
    "ventas.csv",
    sep=";",                   # separador (por defecto coma)
    encoding="utf-8",          # codificación (ponlo siempre para evitar problemas con tildes)
    decimal=",",               # si el decimal usa coma en lugar de punto
    usecols=["fecha", "importe", "ciudad"],   # leer solo esas columnas
    parse_dates=["fecha"],     # convertir esa columna a datetime al cargar
    na_values=["N/A", "-", ""], # cadenas que se tratan como nulo
    nrows=1000,                # leer solo las primeras N filas (útil para archivos grandes)
)

No necesitas usarlos todos a la vez. Añade los que el archivo requiera.

Para exportar:

df.to_csv("resultado.csv", index=False, encoding="utf-8")

index=False evita que Pandas escriba la columna del índice (0, 1, 2…) como primera columna. Ponlo casi siempre.

JSON: datos que vienen de APIs o configuraciones

JSON es el formato de intercambio de datos en la web. Pandas puede leerlo cuando está orientado a registros (cada elemento es una fila) o cuando la API devuelve un objeto con una clave que contiene la lista de datos.

# JSON con una lista de objetos
df = pd.read_json("datos.json")

# Si el JSON tiene estructura anidada, mejor usar el módulo json y normalizar
import json

with open("respuesta.json", "r", encoding="utf-8") as f:
    datos = json.load(f)

# Si los datos están bajo una clave:
df = pd.DataFrame(datos["resultados"])

# O con json_normalize para objetos anidados:
from pandas import json_normalize
df = json_normalize(datos["resultados"])

Para escribir:

df.to_json("salida.json", orient="records", force_ascii=False, indent=2)

orient="records" produce una lista de objetos, que es lo más útil para APIs. force_ascii=False mantiene las tildes.

Para trabajar con JSON sin Pandas (guardar configuración, logs, resultados intermedios):

import json

config = {"umbral": 0.75, "modo": "producción", "columnas": ["a", "b"]}

with open("config.json", "w", encoding="utf-8") as f:
    json.dump(config, f, ensure_ascii=False, indent=2)

with open("config.json", "r", encoding="utf-8") as f:
    config = json.load(f)
print(config["umbral"])   # 0.75

Excel: el formato que siempre aparece en los proyectos reales

Para leer Excel necesitas openpyxl (para .xlsx) instalado:

pip install openpyxl

df = pd.read_excel("informe.xlsx", sheet_name="Ventas")

Si no especificas sheet_name, lee la primera hoja. También puedes pasar un índice (0, 1…) o None para leer todas las hojas como un diccionario de DataFrames.

Los mismos parámetros útiles que en CSV funcionan aquí: usecols, nrows, na_values.

Para escribir:

df.to_excel("resultado.xlsx", sheet_name="Resumen", index=False)

Para escribir varios DataFrames en distintas hojas del mismo archivo:

with pd.ExcelWriter("informe_completo.xlsx", engine="openpyxl") as writer:
    df_ventas.to_excel(writer, sheet_name="Ventas", index=False)
    df_resumen.to_excel(writer, sheet_name="Resumen", index=False)
    df_clientes.to_excel(writer, sheet_name="Clientes", index=False)

Rutas sin sorpresas: pathlib

Concatenar rutas con strings es frágil y depende del sistema operativo (/ en Linux/Mac, \ en Windows). pathlib.Path resuelve eso:

from pathlib import Path

directorio = Path("datos")
archivo = directorio / "ventas_2024.csv"   # el operador / construye rutas
print(archivo)           # datos/ventas_2024.csv

# Comprobar si existe antes de leer:
if archivo.exists():
    df = pd.read_csv(archivo)

# Crear el directorio si no existe:
directorio.mkdir(parents=True, exist_ok=True)

# Listar todos los CSV de una carpeta:
for csv in Path("datos").glob("*.csv"):
    print(csv.name)

# Información de la ruta:
print(archivo.stem)      # ventas_2024   (nombre sin extensión)
print(archivo.suffix)    # .csv
print(archivo.parent)    # datos

Path funciona igual en Windows, Mac y Linux. Úsala siempre que trabajes con rutas en código que va a moverse entre máquinas.

Cuándo usar cada formato

Ejercicios

12.1 — Crea a mano un DataFrame con 5 productos (nombre, precio, stock). Expórtalo a CSV sin índice. Luego léelo de nuevo y muestra las filas donde el stock es menor que 20.

12.2 — Dado el JSON siguiente guardado en un archivo productos.json, léelo con Pandas y calcula el precio medio por categoría:

[
  {"nombre": "Teclado", "categoria": "Periféricos", "precio": 45},
  {"nombre": "Ratón", "categoria": "Periféricos", "precio": 25},
  {"nombre": "Monitor", "categoria": "Pantallas", "precio": 199},
  {"nombre": "Webcam", "categoria": "Periféricos", "precio": 60},
  {"nombre": "Tablet", "categoria": "Pantallas", "precio": 349}
]

12.3 — Descarga un CSV del INE o usa cualquier CSV público de más de 500 filas. Léelo pasando nrows=100 y usecols para quedarte solo con 3 columnas. Exporta esas 100 filas a Excel en una hoja llamada “Muestra”.

12.4 — Escribe un script que use pathlib para listar todos los archivos .csv en una carpeta llamada datos/ (créala si no existe). Para cada archivo, imprime su nombre y el número de filas que tiene.

12.5 — Lee el archivo de ventas de tu elección. Usa pd.ExcelWriter para exportarlo a un Excel con dos hojas: una con los datos completos y otra con un resumen (total de filas, media de precios, valor máximo).

12.6 — Crea un diccionario de configuración con al menos 4 parámetros (umbrales, nombres de columnas, rutas). Guárdalo como JSON con indentación. Luego cárgalo y úsalo para filtrar un DataFrame.

import pandas as pd

productos = pd.DataFrame({
    "nombre": ["Teclado", "Ratón", "Monitor", "Webcam", "USB Hub"],
    "precio": [45, 25, 199, 60, 15],
    "stock": [30, 15, 8, 50, 12]
})
productos.to_csv("productos.csv", index=False, encoding="utf-8")

df = pd.read_csv("productos.csv")
print(df[df["stock"] < 20])

import json, pandas as pd
from pathlib import Path

datos = [
    {"nombre": "Teclado", "categoria": "Periféricos", "precio": 45},
    {"nombre": "Ratón", "categoria": "Periféricos", "precio": 25},
    {"nombre": "Monitor", "categoria": "Pantallas", "precio": 199},
    {"nombre": "Webcam", "categoria": "Periféricos", "precio": 60},
    {"nombre": "Tablet", "categoria": "Pantallas", "precio": 349}
]
Path("productos.json").write_text(json.dumps(datos, ensure_ascii=False), encoding="utf-8")

df = pd.read_json("productos.json")
print(df.groupby("categoria")["precio"].mean())
# Pantallas      274.0
# Periféricos     43.3...

import pandas as pd

# Ejemplo con cualquier CSV público grande
df = pd.read_csv("datos_grandes.csv", nrows=100, usecols=["col1", "col2", "col3"])
df.to_excel("muestra.xlsx", sheet_name="Muestra", index=False)
print(df.shape)   # (100, 3)

from pathlib import Path
import pandas as pd

carpeta = Path("datos")
carpeta.mkdir(parents=True, exist_ok=True)

for archivo in carpeta.glob("*.csv"):
    df = pd.read_csv(archivo)
    print(f"{archivo.name}: {len(df)} filas")

import pandas as pd

df = pd.read_csv("ventas.csv")
resumen = pd.DataFrame({
    "total_filas": [len(df)],
    "media_precio": [df["precio_unitario"].mean()],
    "max_precio": [df["precio_unitario"].max()]
})

with pd.ExcelWriter("informe.xlsx", engine="openpyxl") as writer:
    df.to_excel(writer, sheet_name="Datos", index=False)
    resumen.to_excel(writer, sheet_name="Resumen", index=False)

import json, pandas as pd
from pathlib import Path

config = {
    "columna_precio": "precio_unitario",
    "columna_fecha": "fecha",
    "umbral_minimo": 50,
    "categorias_activas": ["Electrónica", "Periféricos"]
}

Path("config.json").write_text(
    json.dumps(config, ensure_ascii=False, indent=2), encoding="utf-8"
)

with open("config.json", encoding="utf-8") as f:
    cfg = json.load(f)

df = pd.read_csv("ventas.csv")
filtrado = df[df[cfg["columna_precio"]] >= cfg["umbral_minimo"]]
print(filtrado.shape)