CSV-Beispiel#

[1]:

import pandas as pd

Nach dem Import von pandas lesen wir zunächst mit read_csv eine CSV-Datei ein:

[2]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv')

[2]:

	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28
0	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27
1	Jupyter Tutorial	de	Veit Schiele	BSD-3-Clause	2020-10-26
2	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13

Wie ihr seht, hat diese Datei keine Kopfzeile. Um dem DataFrame eine Kopfzeile zu geben, habt ihr mehrere Möglichkeiten. Ihr könnt pandas erlauben, Standard-Spaltennamen zuzuweisen, oder ihr könnt die Namen auch selbst festlegen:

[3]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                 header=None)

[3]:

	0	1	2	3	4
0	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28
1	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27
2	Jupyter Tutorial	de	Veit Schiele	BSD-3-Clause	2020-10-26
3	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13

[4]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                 names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum'])

[4]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum
0	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28
1	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27
2	Jupyter Tutorial	de	Veit Schiele	BSD-3-Clause	2020-10-26
3	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13

Angenommen, ihr möchtet, dass die Spalte Autor*innen der Index des zurückgegebenen DataFrame ist. Ihr könnt entweder angeben, dass ihr die Spalte bei Index 3 oder mit dem Namen Autor*innen haben möchtet, indem ihr das Argument index_col verwendet:

[5]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                  index_col=['Autor*innen'],
                  names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum'])

[5]:

	Titel	Sprache	Lizenz	Veröffentlichungsdatum
Autor*innen
Veit Schiele	Python basics	en	BSD-3-Clause	2021-10-28
Veit Schiele	Jupyter Tutorial	en	BSD-3-Clause	2019-06-27
Veit Schiele	Jupyter Tutorial	de	BSD-3-Clause	2020-10-26
Veit Schiele	PyViz Tutorial	en	BSD-3-Clause	2020-04-13

Für den Fall, dass ihr einen hierarchischen Index aus mehreren Spalten bilden wollt, übergebt eine Liste von Spaltennummern oder -namen:

[6]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                     index_col=[2, 0],
                     names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum'])

[6]:

		Sprache	Lizenz	Veröffentlichungsdatum
Autor*innen	Titel
Veit Schiele	Python basics	en	BSD-3-Clause	2021-10-28
	Jupyter Tutorial	en	BSD-3-Clause	2019-06-27
	Jupyter Tutorial	de	BSD-3-Clause	2020-10-26
	PyViz Tutorial	en	BSD-3-Clause	2020-04-13

In manchen Fällen hat eine Tabelle kein festes Trennzeichen, sondern verwendet mehrere Leerzeichen oder ein anderes Muster zur Trennung von Feldern. Angenommen, eine Datei sieht folgendermaßen aus:

[7]:

list(open('books.txt'))

[7]:

['   Titel             Sprache  Autor*innen   Lizenz        Veröffentlichungsdatum\n',
 '1  Python basics     en       Veit Schiele  BSD-3-Clause  2021-10-28\n',
 '2  Jupyter Tutorial  en       Veit Schiele  BSD-3-Clause  2019-06-27\n',
 '3  Jupyter Tutorial  de       Veit Schiele  BSD-3-Clause  2020-10-26\n',
 '4  PyViz Tutorial    en       Veit Schiele  BSD-3-Clause  2020-04-13']

In solchen Fällen könnt ihr einen regulären Ausdruck als Trennzeichen für read_csv übergeben. Dies kann durch den regulären Ausdruck \s\s+ ausgedrückt werden, also haben wir dann:

[8]:

pd.read_csv('books.txt', sep='\s\s+', engine='python')

[8]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum
1	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28
2	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27
3	Jupyter Tutorial	de	Veit Schiele	BSD-3-Clause	2020-10-26
4	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13

Da es einen Spaltennamen weniger als die Anzahl der Datenzeilen gab, folgert read_csv, dass in diesem Fall die erste Spalte der Index des DataFrame sein sollte.

Die Parser-Funktionen haben viele zusätzliche Argumente, die euch helfen, die große Vielfalt der auftretenden Ausnahmedateiformate zu handhaben. So könnt ihr beispielsweise mit skiprows einzelne Zeilen einer Datei überspringen:

[9]:

pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                 skiprows=[2],
                 names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum'])

[9]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum
0	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28
1	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27
2	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13

Der Umgang mit fehlenden Werten ist ein wichtiger und häufig komplizierter Teil beim Parsen von Daten. Fehlende Daten sind normalerweise entweder nicht vorhanden (leerer String) oder durch einen Platzhalter gekennzeichnet. Standardmäßig verwendet Pandas eine Reihe von häufig vorkommenden Platzhalter, wie NA und NULL:

[10]:

df = pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                 names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum', 'doi'])

df

[10]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum	doi
0	Python basics	en	Veit Schiele	BSD-3-Clause	2021-10-28	NaN
1	Jupyter Tutorial	en	Veit Schiele	BSD-3-Clause	2019-06-27	NaN
2	Jupyter Tutorial	de	Veit Schiele	BSD-3-Clause	2020-10-26	NaN
3	PyViz Tutorial	en	Veit Schiele	BSD-3-Clause	2020-04-13	NaN

[11]:

df.isna()

[11]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum	doi
0	False	False	False	False	False	True
1	False	False	False	False	False	True
2	False	False	False	False	False	True
3	False	False	False	False	False	True

Die Option na_values kann entweder eine Liste oder eine Reihe von Strings annehmen, um fehlende Werte zu berücksichtigen:

[12]:

df = pd.read_csv('https://raw.githubusercontent.com/veit/python-basics-tutorial-de/main/docs/save-data/books.csv',
                 na_values=['BSD-3-Clause'],
                 names=['Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum', 'doi'])

df

[12]:

	Titel	Sprache	Autor*innen	Lizenz	Veröffentlichungsdatum	doi
0	Python basics	en	Veit Schiele	NaN	2021-10-28	NaN
1	Jupyter Tutorial	en	Veit Schiele	NaN	2019-06-27	NaN
2	Jupyter Tutorial	de	Veit Schiele	NaN	2020-10-26	NaN
3	PyViz Tutorial	en	Veit Schiele	NaN	2020-04-13	NaN

Die häufigsten Argumente der Funktion read_csv:

Argument	Beschreibung
`path`	Zeichenfolge, die den Speicherort im Dateisystem, eine URL oder ein dateiähnliches Objekt angibt
`sep` oder `delimiter`	Zeichenfolge oder regulärer Ausdruck zum Trennen der Felder in jeder Zeile
`header`	Zeilennummer, die als Spaltennamen zu verwenden ist; Standardwert ist `0`, also die erste Zeile, sollte aber `None` sein, wenn es keine Kopfzeile gibt
`index_col`	index_col Zeilennummern oder -namen, die als Zeilenindex im Ergebnis verwendet werden sollen; kann ein einzelner Name/eine einzelne Zahl oder eine Liste von ihnen für einen hierarchischen Index sein
`names`	Liste der Spaltennamen
`skiprows`	Anzahl der zu ignorierenden Zeilen am Anfang der Datei oder Liste der Zeilennummern beginnend bei `0`, die übersprungen werden sollen
`na_values`	Folge von Werten, die durch NA ersetzt werden sollen
`comment`	Zeichen, um Kommentare vom Zeilenende abzutrennen
`parse_dates`	Versuch, Daten mit datetime zu parsen; standardmäßig `False`. Wenn `True`, wird versucht, alle Spalten zu parsen. Andernfalls kann eine Liste von Spaltennummern oder -namen angegeben werden, die analysiert werden sollen. Wenn das Element der Liste ein Tupel oder eine Liste ist, werden mehrere Spalten miteinander kombiniert und in ein Datum umgewandelt, z.B. wenn Datum und Uhrzeit auf zwei Spalten aufgeteilt sind
`keep_date_col`	wenn Spalten zum Parsen des Datums kombiniert werden, werden die kombinierten Spalten beibehalten; Standardeinstellung: `False`.
`converters`	Dict, das die Spaltennummer der Namen enthält, die auf Funktionen abgebildet werden, z.B. würde `{'Titel': f}` die Funktion `f` auf alle Werte in der Spalte `Titel` anwenden
`dayfirst`	beim Parsen potenziell mehrdeutiger Datumsangaben als internationales Format behandeln, z.B. `28/6/2021` → `28. Juni 2021`; standardmäßig `False`
`date_parser`	zu verwendende Funktion zum Parsen von Datumsangaben
`nrows`	Anzahl der zu lesenden Zeilen vom Anfang der Datei
`iterator`	Rückgabe eines `TextFileReader`-Objekts zum stückweisen Einlesen der Datei; dieses Objekt kann auch mit der `with`-Anweisung verwendet werden
`chunksize`	Für die Iteration die Größe der Datenblöcke.
`skip_footer`	Anzahl der Zeilen, die am Ende der Datei ignoriert werden sollen
`verbose`	gibt verschiedene Informationen zur Parser-Ausgabe aus, z.B. die Anzahl der fehlenden Werte in nicht-numerischen Spalten.
`encoding`	Textkodierung für Unicode, z.B. `utf-8` für UTF-8-kodierten Text
`squeeze`	wenn die geparsten Daten nur eine Spalte enthalten, wird eine Serie zurückgegeben
`thousands`	Trennzeichen für Tausender, z.B. `,` oder `.`

Stückweises Einlesen von Textdateien#

Wenn ihr sehr große Dateien verarbeiten wollt, könnt ihr auch nur einen kleinen Teil einer Datei einlesen oder durch kleinere Teile einer Datei iterieren.

Bevor wir uns eine große Datei ansehen, verringern wir mit options.display.max_rows die Anzahl der angezeigten Zeilen:

[13]:

pd.options.display.max_rows = 10

[14]:

pd.read_csv('example.csv')

[14]:

	Date	Mon.	Tues.	Wed.	Thurs.	Fri.	Sat.	Sun.
0	1996-01-01	0.129453	-0.023836	1.121460	1.698286	-0.598506	1.042221	-0.726412
1	1996-01-02	-0.094021	-0.727942	0.698641	-1.198040	1.927505	1.147445	-1.134103
2	1996-01-03	-0.560857	0.145222	-0.990202	1.200214	0.717339	1.117095	-1.793565
3	1996-01-04	-0.169755	-0.677391	-1.533519	-0.343477	-0.109705	1.038236	-0.799088
4	1996-01-05	1.344705	-1.817261	0.460991	-0.839633	0.265814	0.477659	0.636383
...	...	...	...	...	...	...	...	...
9127	2020-12-27	-0.881800	-0.074270	-0.351769	1.381641	-0.049548	1.664180	-1.032204
9128	2020-12-28	-0.143386	0.198217	-1.243861	1.196576	1.338166	-0.212333	-0.023131
9129	2020-12-29	0.398787	-0.848786	1.791707	-1.167592	-0.033881	-0.285559	-0.323477
9130	2020-12-30	0.587846	0.411580	1.150380	0.444638	-1.093577	0.605456	1.463345
9131	2020-12-31	0.736350	0.436292	-0.260171	-0.066066	-0.328324	-0.586792	-1.204582

9132 rows × 8 columns

Wenn ihr nur eine kleine Anzahl von Zeilen lesen wollt (ohne die gesamte Datei zu lesen), könnt ihr dies mit nrows angeben:

[15]:

pd.read_csv('example.csv', nrows=7)

[15]:

	Date	Mon.	Tues.	Wed.	Thurs.	Fri.	Sat.	Sun.
0	1996-01-01	0.129453	-0.023836	1.121460	1.698286	-0.598506	1.042221	-0.726412
1	1996-01-02	-0.094021	-0.727942	0.698641	-1.198040	1.927505	1.147445	-1.134103
2	1996-01-03	-0.560857	0.145222	-0.990202	1.200214	0.717339	1.117095	-1.793565
3	1996-01-04	-0.169755	-0.677391	-1.533519	-0.343477	-0.109705	1.038236	-0.799088
4	1996-01-05	1.344705	-1.817261	0.460991	-0.839633	0.265814	0.477659	0.636383
5	1996-01-06	-0.354445	-0.065182	-1.244963	-0.559732	0.042362	-0.303712	0.067632
6	1996-01-07	1.460922	0.164412	0.883960	-0.833642	0.001582	1.138469	0.561618

Um eine Datei stückweise zu lesen, könnt ihr mit chunksize die Anzahl der Zeilen angeben:

[16]:

pd.read_csv('example.csv', chunksize=1000)

[16]:

<pandas.io.parsers.readers.TextFileReader at 0x7f11f207bca0>

Das von read_csv zurückgegebene TextFileReader-Objekt ermöglicht die Iteration über Teile der Datei entsprechend der chunksize. Zum Beispiel können wir über die example.csv-Datei iterieren und die Anzahl der Werte in der Spalte Date wie folgt aggregieren:

[17]:

chunks = pd.read_csv('example.csv', chunksize=1000)

serie = pd.Series([], dtype='float64')
for chunk in chunks:
    values = serie.add(chunk['Date'].value_counts(), fill_value=0)

sorted_values = values.sort_values(ascending=False)

[18]:

sorted_values[:10]

[18]:

2020-08-22    1.0
2020-09-07    1.0
2020-08-24    1.0
2020-08-25    1.0
2020-08-26    1.0
2020-08-27    1.0
2020-08-28    1.0
2020-08-29    1.0
2020-08-30    1.0
2020-08-31    1.0
dtype: float64

TextFileReader verfügt außerdem über eine get_chunk-Methode, mit der ihr Stücke beliebiger Größe lesen könnt.

DataFrame und Series als csv-Datei schreiben#

Daten können auch in ein mit Trennzeichen versehenes Format exportiert werden. Mit der Methode pandas.DataFrame.to_csv können wir die Daten in eine kommagetrennte Datei schreiben:

[19]:

df.to_csv('out.csv')

Natürlich können auch andere Begrenzungszeichen verwendet werden, z.B. zum Schreiben nach sys.stdout, so dass das Textergebnis auf der Konsole und nicht in einer Datei ausgegeben wird:

[20]:

import sys

[21]:

df.to_csv(sys.stdout, sep='|')

|Titel|Sprache|Autor*innen|Lizenz|Veröffentlichungsdatum|doi
0|Python basics|en|Veit Schiele||2021-10-28|
1|Jupyter Tutorial|en|Veit Schiele||2019-06-27|
2|Jupyter Tutorial|de|Veit Schiele||2020-10-26|
3|PyViz Tutorial|en|Veit Schiele||2020-04-13|

Fehlende Werte erscheinen in der Ausgabe als leere Zeichenketten. Möglicherweise möchtet ihr sie durch einen anderen Platzhalter kennzeichnen:

[22]:

df.to_csv(sys.stdout, na_rep='NaN')

,Titel,Sprache,Autor*innen,Lizenz,Veröffentlichungsdatum,doi
0,Python basics,en,Veit Schiele,NaN,2021-10-28,NaN
1,Jupyter Tutorial,en,Veit Schiele,NaN,2019-06-27,NaN
2,Jupyter Tutorial,de,Veit Schiele,NaN,2020-10-26,NaN
3,PyViz Tutorial,en,Veit Schiele,NaN,2020-04-13,NaN

Wenn keine anderen Optionen angegeben sind, werden sowohl die Zeilen- als auch die Spaltenbeschriftungen geschrieben. Beides kann deaktiviert werden:

[23]:

df.to_csv(sys.stdout, index=False, header=False)

Python basics,en,Veit Schiele,,2021-10-28,
Jupyter Tutorial,en,Veit Schiele,,2019-06-27,
Jupyter Tutorial,de,Veit Schiele,,2020-10-26,
PyViz Tutorial,en,Veit Schiele,,2020-04-13,

Ihr könnt auch nur eine Teilmenge der Spalten schreiben, und zwar in einer von euch gewählten Reihenfolge:

[24]:

df.to_csv(sys.stdout,
          index=False,
          columns=['Titel', 'Sprache', 'Autor*innen', 'Veröffentlichungsdatum'])

Titel,Sprache,Autor*innen,Veröffentlichungsdatum
Python basics,en,Veit Schiele,2021-10-28
Jupyter Tutorial,en,Veit Schiele,2019-06-27
Jupyter Tutorial,de,Veit Schiele,2020-10-26
PyViz Tutorial,en,Veit Schiele,2020-04-13

Arbeiten mit dem csv-Modul von Python#

Die meisten Formen von Tabellendaten können mit Funktionen wie pandas.read_csv geladen werden. In einigen Fällen kann jedoch auch eine manuelle Bearbeitung erforderlich sein. Es ist nicht ungewöhnlich, eine Datei mit einer oder mehreren fehlerhaften Zeilen zu erhalten, die read_csv zum Scheitern bringen. Für jede Datei mit einem einstelligen Begrenzungszeichen könnt ihr das in Python eingebaute csv-Modul verwenden. Um es zu verwenden, übergebt eine offene Datei oder ein dateiähnliches Objekt an csv.reader:

[25]:

import csv

f = open('out.csv')
reader = csv.reader(f)

for line in reader:
    print(line)

['', 'Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum', 'doi']
['0', 'Python basics', 'en', 'Veit Schiele', '', '2021-10-28', '']
['1', 'Jupyter Tutorial', 'en', 'Veit Schiele', '', '2019-06-27', '']
['2', 'Jupyter Tutorial', 'de', 'Veit Schiele', '', '2020-10-26', '']
['3', 'PyViz Tutorial', 'en', 'Veit Schiele', '', '2020-04-13', '']

Dialekte#

csv-Dateien gibt es in vielen verschiedenen Varianten. Das Python csv-Modul kommt bereits mit drei verschiedenen Dialekten:

Parameter	excel	excel-tab	unix
`delimiter`	`','`	`'\t'`	`','`
`quotechar`	`'"'`	`'"'`	`'"'`
`doublequote`	`True`	`True`	`True`
`skipinitialspace`	`False`	`False`	`False`
`lineterminator`	`'\r\n'`	`'\r\n'`	`'\n'`
`quoting`	`csv.QUOTE_MINIMAL`	`csv.QUOTE_MINIMAL`	`csv.QUOTE_ALL`
`escapechar`	`None`	`None`	`None`

Ihr könnt damit auch euer eigenes Format definieren mit einem anderen Trennzeichen, einer anderen Zeichenkettenkonvention oder einem anderen Zeilenendezeichen. Hierfür empfiehlt sich die Registrierung eines eigenen Dialekts. Mögliche Optionen und Funktionen von csv.register_dialect sind:

Argument	Beschreibung
`delimiter`	Ein-Zeichen-Zeichenfolge zur Trennung von Feldern; Standardwert ist `,`.
`lineterminator`	Zeilenabschlusszeichen zum Schreiben; Standardwert ist `\r\n`. Reader ignoriert dies und erkennt plattformübergreifende Zeilenbegrenzer.
`quotechar`	Anführungszeichen für Felder mit Sonderzeichen (wie ein Trennzeichen); Standardwert ist `"`.
`quoting`	Zitier-Konvention. Zu den Optionen gehören `csv.QUOTE_ALL` – alle Felder zitieren, `csv.QUOTE_MINIMAL` – nur Felder mit Sonderzeichen wie dem Begrenzungszeichen, `csv.QUOTE_NONNUMERIC` und `csv.QUOTE_NONE` – keine Zitate. Der Standardwert ist `QUOTE_MINIMAL`.
`skipinitialspace`	Leerzeichen nach jedem Begrenzungszeichen ignorieren; Standardwert ist `False`.
`doublequote`	bei `True` werden Anfürhuntszeichen innerhalb eines Feldes verdoppelt.
`escapechar`	Zeichenkette, um das Trennzeichen zu umgehen, wenn `quoting` auf `csv.QUOTE_NONE` gesetzt ist; standardmäßig deaktiviert.

[26]:

csv.register_dialect('my_csv_dialect',
                     lineterminator = '\n',
                     delimiter = ',',
                     quotechar = '\'',
                     quoting = csv.QUOTE_MINIMAL
                    )

Nun kann die CSV-Datei geöffnet werden mit:

[27]:

with open('out.csv') as f:
    reader = csv.reader(f, 'my_csv_dialect')
    for line in reader:
        print(line)

['', 'Titel', 'Sprache', 'Autor*innen', 'Lizenz', 'Veröffentlichungsdatum', 'doi']
['0', 'Python basics', 'en', 'Veit Schiele', '', '2021-10-28', '']
['1', 'Jupyter Tutorial', 'en', 'Veit Schiele', '', '2019-06-27', '']
['2', 'Jupyter Tutorial', 'de', 'Veit Schiele', '', '2020-10-26', '']
['3', 'PyViz Tutorial', 'en', 'Veit Schiele', '', '2020-04-13', '']

Dann können wir ein Dict mit Datenspalten erstellen, indem wir Dict Comprehensions verwenden und mit zip über die Werte aus Values iterieren. Beachtet dabei, dass dies bei großen Dateien viel Speicherplatz benötigt, da hierfürdie Zeilen in Spalten umgewandelt werden:

[28]:

with open('out.csv') as f:
    reader = csv.reader(f, 'my_csv_dialect')
    lines = list(reader)
    header, values = lines[0], lines[1:]
    data_dict = {h: v for h, v in zip(header, zip(*values))}

data_dict

[28]:

{'': ('0', '1', '2', '3'),
 'Titel': ('Python basics',
  'Jupyter Tutorial',
  'Jupyter Tutorial',
  'PyViz Tutorial'),
 'Sprache': ('en', 'en', 'de', 'en'),
 'Autor*innen': ('Veit Schiele',
  'Veit Schiele',
  'Veit Schiele',
  'Veit Schiele'),
 'Lizenz': ('', '', '', ''),
 'Veröffentlichungsdatum': ('2021-10-28',
  '2019-06-27',
  '2020-10-26',
  '2020-04-13'),
 'doi': ('', '', '', '')}

Um Dateien mit Trennzeichen manuell zu schreiben, könnt ihr csv.writer verwenden. Er akzeptiert ein offenes, beschreibbares Dateiobjekt und die gleichen Dialekt- und Formatoptionen wie csv.reader:

[29]:

with open('new.csv', 'w') as f:
    writer = csv.writer(f, 'my_csv_dialect')
    writer.writerow(('', 'Titel', 'Sprache', 'Autor*innen'))
    writer.writerow(('1', 'Python basics', 'en', 'Veit Schiele'))
    writer.writerow(('2', 'Jupyter Tutorial', 'en', 'Veit Schiele'))

[30]:

list(open('new.csv'))

[30]:

[',Titel,Sprache,Autor*innen\n',
 '1,Python basics,en,Veit Schiele\n',
 '2,Jupyter Tutorial,en,Veit Schiele\n']