pd.read_csv() charge directement un fichier CSV (vu dans Python Intermédiaire) dans un DataFrame, en une seule ligne — plus rapide que de passer par csv.DictReader puis de construire le DataFrame soi-même.

import pandas as pd

df = pd.read_csv("ventes.csv")
print(df)

Si ventes.csv contient produit,prix,stock puis quelques lignes de données, ce code affiche directement le DataFrame correspondant, avec les types déjà déduits automatiquement pour chaque colonne — contrairement à csv.reader (vu dans Python Intermédiaire), qui lit toujours tout comme du texte, pandas convertit automatiquement une colonne de nombres en valeurs numériques exploitables directement.

df.dtypes affiche le type détecté pour chaque colonne :

print(df.dtypes)

Ce code affiche par exemple produit object, prix int64, stock int64 — object désigne ici du texte, int64 des entiers. Cette détection automatique évite d'avoir à convertir chaque colonne soi-même avec int() ou float(), comme il fallait le faire avec csv.reader.

À vous de jouer : créez un fichier CSV avec au moins deux colonnes numériques, chargez-le avec pd.read_csv(), et affichez df.dtypes.