CSV's parsen

Data-pipelines schalen en optimaliseren met Polars

Liam Brannigan

Data Scientist & Polars Contributor

Finance-CSV-export

Chicago Finance Department
Generated: 2026-02-01
WARD;TYPE;STATUS;REQUEST_COST
11;Pothole in Street Complaint;Completed;125
42;Street Light Out;Open;88
27;Alley Light Out;Completed;61
  • 🧹 Header staat niet op de eerste rij
  • 🧹 Kolommen gescheiden door puntkomma's
Data-pipelines schalen en optimaliseren met Polars

Rijen overslaan

vendor_requests = pl.read_csv(
    "ward_service_requests.csv",
    skip_rows=2,

)
Data-pipelines schalen en optimaliseren met Polars

Extra headerrijen overslaan

vendor_requests = pl.read_csv(
    "ward_service_requests.csv",
    skip_rows=2,
    separator=";",
)
Data-pipelines schalen en optimaliseren met Polars

Geparste bestand controleren

vendor_requests.head(3)
shape: (3, 4)
| WARD | TYPE                        | STATUS    | REQUEST_COST |
| ---  | ---                         | ---       | ---          |
| i64  | str                         | str       | i64          |
|------|-----------------------------|-----------|--------------|
| 11   | Pothole in Street Complaint | Completed | 125          |
| 42   | Street Light Out            | Open      | 88           |
| 27   | Alley Light Out             | Completed | 61           |
Data-pipelines schalen en optimaliseren met Polars

Een probleem met schema-afleiding

WARD;TYPE;STATUS;REQUEST_COST
11;Pothole in Street Complaint;Completed;125
42;Street Light Out;Open;88
27;Alley Light Out;Completed;61


$$

  • Eerste 100 rijen → schema afgeleid
  • Alleen ints → kolom als Int64
Data-pipelines schalen en optimaliseren met Polars

Schema-afleiding

WARD;TYPE;STATUS;REQUEST_COST
11;Pothole in Street Complaint;Completed;125
42;Street Light Out;Open;88
27;Alley Light Out;Completed;61
...
3;Rodent Baiting Service Request;Completed;61.5

$$

  • Eerste 100 rijen → schema afgeleid
  • Alleen ints → kolom als Int64
Data-pipelines schalen en optimaliseren met Polars

Schema-afleiding

vendor_requests = pl.read_csv(
    "ward_service_requests.csv",
    separator=";",
    skip_rows=2,
    infer_schema_length=200,
)
Data-pipelines schalen en optimaliseren met Polars

Schema-afleiding

vendor_requests.schema
Schema({'WARD': Int64, 'TYPE': String, 'STATUS': String, 'REQUEST_COST': Float64})
Data-pipelines schalen en optimaliseren met Polars

Schema opgeven

vendor_requests = pl.read_csv(
    "ward_service_requests.csv",
    separator=";",
    skip_rows=2,
    schema={
        "WARD": pl.Int64,
        "TYPE": pl.String,
        "STATUS": pl.String,
        "REQUEST_COST": pl.Float64,
    },
)
Data-pipelines schalen en optimaliseren met Polars

Afgeleid schema overschrijven

vendor_requests = pl.read_csv(
    "ward_service_requests.csv",
    separator=";",
    skip_rows=2,
    schema_overrides={"REQUEST_COST": pl.Float64},
)
Data-pipelines schalen en optimaliseren met Polars

De override controleren

vendor_requests.schema
Schema({'WARD': Int64, 'TYPE': String, 'STATUS': String, 'REQUEST_COST': Float64})
Data-pipelines schalen en optimaliseren met Polars

Een datakwaliteitsprobleem

WARD;TYPE;STATUS;REQUEST_COST
11;Pothole in Street Complaint;Completed;125.0
unknown;Street Light Out;Open;88.5
27;Alley Light Out;Completed;61.0
Data-pipelines schalen en optimaliseren met Polars

Parseerfouten negeren

pl.read_csv(
    "ward_service_requests.csv",
    separator=";",
    skip_rows=2,
    infer_schema_length=200,
    ignore_errors=True,
)

$$

  • Foute waarden → null
  • ⚠️ Verbergt andere fouten
Data-pipelines schalen en optimaliseren met Polars

Null-waarden markeren

pl.read_csv(
    "ward_service_requests.csv",
    separator=";",
    skip_rows=2,
    infer_schema_length=200,
    null_values={"WARD": "unknown"},
)

$$

  • Behoudt de bedoelde dtype
  • Veiliger dan ignore_errors
Data-pipelines schalen en optimaliseren met Polars

Laten we oefenen!

Data-pipelines schalen en optimaliseren met Polars

Preparing Video For Download...