La **carga de datos en archivos CSV** es un paso clave para trabajar con datos utilizando Pandas en Python. Aquí te dejo una guía básica para cargar y manejar estos archivos: ### **Pasos para cargar datos desde un archivo CSV:** import pandas as pd \# 1. Cargar el archivo CSV df = pd.read\_csv("AB\_NYC\_2019.csv") # Ajusta la ruta a tu archivo CSV \# 2. Verificar el contenido del DataFrame print(df.head()) # Muestra las primeras 5 filas del DataFrame \# 3. Revisar los tipos de datos print(df.dtypes) \# 4. Verificar información general del DataFrame print(df.info()) \# 5. Revisar los primeros 5 registros print(df.head()) \# 6. Revisar las columnas y el índice print(df.columns) print(df.index) ### **Errores comunes al cargar CSV** * **Errores de delimitador**: Si ves errores como "C error: Expected 1 fields in line 37, saw 2", revisa el parámetro `sep`. El delimitador por defecto en muchos CSV es `,`, pero algunos usan `;`, `\t` o `|`. ### **Solución cuando el CSV tiene valores nulos** * **Cómo manejar valores nulos**: * **1**: **Llenar valores faltantes**: Puedes usar `fillna()`. Por ejemplo:df.fillna(0, inplace=True) # Reemplaza valores nulos con 0 * **2**: **Eliminar filas con nulos**:df.dropna(inplace=True) # Elimina todas las filas que tengan nulos * **Verificar valores nulos**:print(df.isnull().sum()) # Muestra la cantidad de valores nulos por columna ### **Conversión de tipos de datos**: Si ves columnas que no tienen el tipo de dato deseado, puedes convertirlas con `astype()`: df\['columna\_numerica'] = df\['columna\_numerica'].astype(float) # Convertir a float df\['columna\_fecha'] = pd.to\_datetime(df\['columna\_fecha']) # Convertir a fecha ### **Guardar el DataFrame en otro archivo CSV**: Una vez procesado el DataFrame, puedes guardarlo en un nuevo CSV: df.to\_csv('processed\_AB\_NYC\_2019.csv', index=False) # Guardar sin el índice Esta es la manera básica de manejar y cargar archivos CSV en Pandas.

La carga de datos en archivos CSV implica utilizar la biblioteca Pandas en Python. Para importar datos desde un archivo CSV a un DataFrame, se usa el comando `pd.read_csv('archivo.csv')`. Esto permite que los datos sean fácilmente manipulables y analizables. Además, cuando terminas de procesar los datos, puedes exportarlos de nuevo a un archivo CSV utilizando `df.to_csv('nuevo_archivo.csv', index=False)`, asegurando que el índice no se incluya en el archivo, manteniendo la legibilidad.

Una de las cosas que hay que tener en cuenta es usar rutas adecuadas para que todas las personas necesarias puedan acceder al archivo sin problema.