Abrir un archivo CSV

Leer un CSV sin dejar que Excel lo toque

La razón para ver un CSV aquí y no en Excel es que Excel lo modifica al abrirlo. Se elimina el cero inicial de un código postal o de un número de cuenta, porque la columna parece numérica. Un identificador de más de quince dígitos se redondea. Todo lo que se parezca a una fecha se reformatea según la convención local, así que 03/05 cambia de significado según el país. Y un nombre de gen como SEPT1 se convierte en una fecha, un problema tan persistente que los genetistas terminaron cambiando el nombre de los genes. Aquí no pasa nada de eso: los valores se muestran exactamente como dicen los bytes del archivo.

CSV no tiene un estándar real, así que lo primero es averiguar qué es el archivo. El delimitador puede ser una coma, un punto y coma o un tabulador (las configuraciones regionales europeas exportan con punto y coma, porque allí la coma es el separador decimal), y la codificación puede ser UTF-8 o una página de códigos antigua, que es lo que convierte los nombres con tilde en caracteres ilegibles cuando se adivina mal. Ambos se detectan en lugar de suponerse, lo que funciona con casi cualquier exportación real, y ambos se pueden cambiar cuando la detección se equivoca, en lugar de dejarte atascado.

Las comillas son donde fallan los visores simples. Un campo entre comillas puede contener legalmente comas, saltos de línea y comillas dobladas, así que una fila con una dirección postal ocupa varias líneas físicas del archivo y sigue siendo un solo registro. Todo lo que divide por comas destroza justamente esas filas, y por eso un archivo se ve bien en un editor de texto y mal en un visor, o al revés.

Un archivo irregular (con filas que tienen más o menos campos que el encabezado) se muestra tal como es, en lugar de rellenarse o recortarse sin avisar, porque una fila con un número incorrecto de campos suele ser el síntoma de un problema de comillas más arriba, y ocultarla oculta el error. Todo el archivo se analiza en la página, así que el uso de memoria es proporcional a su tamaño.

Si buscas otra cosa

En la línea de comandos, csvkit está hecho justo para esto: csvlook muestra una tabla alineada, csvstat resume cada columna y csvclean detecta y corrige las filas irregulares. Miller (mlr --icsv --opprint cat data.csv) hace lo mismo a gran velocidad y maneja archivos más grandes que la memoria. VisiData es el que conviene conocer para explorar de forma interactiva: abre al instante un archivo de varios gigabytes en una terminal, con ordenación, filtros y recuentos de frecuencia.

Si tienes que abrir un CSV en Excel, usa Datos → Desde el texto/CSV en lugar de hacer doble clic en él. El cuadro de diálogo de importación te permite definir el tipo de cada columna antes de analizar nada, que es la única forma fiable de evitar las conversiones de arriba. Hacer doble clic le da permiso a Excel para adivinar, y adivina con mucha seguridad.