Comprendiendo el contexto
En ejercicios anteriores, es posible que hayas encontrado código que lee archivos CSV y almacena los datos en diversas estructuras de datos. El propósito de este código es tomar los datos de texto sin procesar de un archivo CSV y convertirlos en objetos de Python más útiles, como diccionarios o instancias de clase. Esta conversión es esencial porque nos permite trabajar con los datos de una manera más estructurada y significativa dentro de nuestros programas de Python.
El patrón típico para leer archivos CSV suele seguir una estructura específica. Aquí tienes un ejemplo de una función que lee un archivo CSV y convierte cada fila en un diccionario:
import csv
def read_csv_as_dicts(filename, types):
records = []
with open(filename) as file:
rows = csv.reader(file)
headers = next(rows)
for row in rows:
record = { name: func(val)
for name, func, val in zip(headers, types, row) }
records.append(record)
return records
Analicemos cómo funciona esta función. En primer lugar, importa el módulo csv, que proporciona funcionalidades para trabajar con archivos CSV en Python. La función toma dos parámetros: filename, que es el nombre del archivo CSV a leer, y types, que es una lista de funciones utilizadas para convertir los datos de cada columna al tipo de dato adecuado.
Dentro de la función, se inicializa una lista vacía llamada records para almacenar los diccionarios que representan cada fila del archivo CSV. Luego, se abre el archivo utilizando la declaración with, que asegura que el archivo se cierre correctamente después de ejecutar el bloque de código. La función csv.reader se utiliza para crear un iterador que lee cada fila del archivo CSV. Se asume que la primera fila son los encabezados, por lo que se recupera utilizando la función next.
A continuación, la función itera sobre las filas restantes del archivo CSV. Para cada fila, crea un diccionario utilizando una comprensión de diccionario. Las claves del diccionario son los encabezados de las columnas, y los valores son el resultado de aplicar la función de conversión de tipo correspondiente de la lista types al valor de la fila. Finalmente, el diccionario se agrega a la lista records, y la función devuelve la lista de diccionarios.
Ahora, veamos una función similar que lee datos de un archivo CSV en instancias de clase:
def read_csv_as_instances(filename, cls):
records = []
with open(filename) as file:
rows = csv.reader(file)
headers = next(rows)
for row in rows:
record = cls.from_row(row)
records.append(record)
return records
Esta función es similar a la anterior, pero en lugar de crear diccionarios, crea instancias de una clase. La función toma dos parámetros: filename, que es el nombre del archivo CSV a leer, y cls, que es la clase cuyas instancias se crearán.
Dentro de la función, sigue una estructura similar a la función anterior. Inicializa una lista vacía llamada records para almacenar las instancias de clase. Luego, abre el archivo, lee los encabezados y itera sobre las filas restantes. Para cada fila, llama al método from_row de la clase cls para crear una instancia de la clase utilizando los datos de la fila. La instancia se agrega a la lista records, y la función devuelve la lista de instancias.
En este laboratorio, refactorizaremos estas funciones para hacerlas más flexibles y robustas. También exploraremos el sistema de sugerencias de tipo (type hinting) de Python, que nos permite especificar los tipos esperados de los parámetros y valores de retorno de nuestras funciones. Esto puede hacer que nuestro código sea más legible y fácil de entender, especialmente para otros desarrolladores que puedan trabajar con nuestro código.
Comencemos creando un archivo reader.py y agregando estas funciones iniciales a él. Asegúrate de probar estas funciones para garantizar que funcionen correctamente antes de pasar a los siguientes pasos.
