Lecture et écriture de fichiers CSV

L'étude du CSV permet aux élèves de comprendre concrètement comment les données structurées circulent dans le monde réel. Ce format, à la fois simple et technique, offre une porte d'entrée tangible pour les concepts d'abstraction et de traitement automatisé. En travaillant directement avec des fichiers réels, les élèves visualisent immédiatement l'utilité de ces compétences dans des contextes scientifiques, économiques ou médiatiques.

• Seconde
• SNT : Culture et Citoyenneté Numérique
• 4 activités
• 20 min–45 min

Objectifs d’apprentissage

1. Analyser le contenu d'un fichier CSV pour en extraire des informations spécifiques à l'aide de scripts Python.
2. Écrire des scripts Python pour générer et sauvegarder des données structurées dans des fichiers CSV.
3. Identifier les anomalies courantes dans des jeux de données CSV réels, telles que les valeurs manquantes ou les formats incohérents.
4. Concevoir un algorithme simple pour nettoyer et normaliser des données issues d'un fichier CSV avant leur traitement.
5. Comparer l'efficacité de différentes méthodes de lecture et d'écriture de fichiers CSV en Python en termes de performance et de robustesse.

Résolution de problèmes en collaboration

⏱ 30 min·Individuel

Atelier pratique : Lire un fichier CSV avec Python

Les élèves utilisent le module csv pour lire un fichier téléchargé depuis data.gouv.fr. Ils extraient des colonnes spécifiques, comptent les lignes et affichent un résumé statistique simple (minimum, maximum, moyenne).

Préparation et détails

Comment un script Python peut-il extraire et traiter automatiquement des données spécifiques depuis un fichier CSV ?

Conseil de facilitation: Pendant l'Atelier pratique, circulez entre les élèves pour vérifier qu'ils testent explicitement le changement de délimiteur (';' vs ',') avant de lire un fichier inconnu.

Setup: Travail en îlots avec supports de travail

Materials: Dossier de la situation-problème, Cartes de rôles (facilitateur, secrétaire, etc.), Fiche de protocole de résolution, Grille d'évaluation de la solution

• Appliquer
• Analyser
• Évaluer
• Créer
• Compétences relationnelles
• Prise de décision
• Autogestion

Résolution de problèmes en collaboration

⏱ 45 min·Petits groupes

Défi collaboratif : Nettoyer des données sales

Chaque groupe reçoit un fichier CSV volontairement dégradé (valeurs manquantes, doublons, formats de date incohérents). Ils doivent écrire un script de nettoyage, documenter les anomalies trouvées et produire un fichier CSV corrigé.

Préparation et détails

Quels défis la qualité des données réelles pose-t-elle, notamment les valeurs manquantes et les formats incohérents ?

Conseil de facilitation: Lors du Défi collaboratif, insistez sur la verbalisation des étapes de nettoyage plutôt que sur la seule production de code correct.

Setup: Travail en îlots avec supports de travail

Materials: Dossier de la situation-problème, Cartes de rôles (facilitateur, secrétaire, etc.), Fiche de protocole de résolution, Grille d'évaluation de la solution

• Appliquer
• Analyser
• Évaluer
• Créer
• Compétences relationnelles
• Prise de décision
• Autogestion

Penser-Partager-Présenter

⏱ 20 min·Binômes

Penser-Partager-Présenter: csv.reader ou csv.DictReader ?

Après avoir testé les deux approches sur un même fichier, chaque élève note les avantages de chacune. En binôme, ils formulent une règle de choix. La classe construit ensemble un guide de bonnes pratiques.

Préparation et détails

Comment concevoir un programme pour nettoyer et normaliser des données issues de sources hétérogènes ?

Conseil de facilitation: Pour le Penser-Partager-Présenter, demandez aux élèves de justifier leur choix de csv.reader ou csv.DictReader en comparant les deux sur un exemple concret avant de partager en groupe.

Setup: Disposition de classe standard ; les élèves se tournent vers leur voisin

Materials: Consigne de discussion (projetée ou distribuée), Optionnel : fiche de prise de notes pour les binômes

• Comprendre
• Appliquer
• Analyser
• Conscience de soi
• Compétences relationnelles

Apprentissage par projet

⏱ 40 min·Binômes

Apprentissage par projet: Fusionner deux sources de données

Les élèves reçoivent deux fichiers CSV provenant de sources différentes (par exemple, population et superficie par département). Ils écrivent un script pour les fusionner par clé commune et calculer une donnée dérivée (densité).

Préparation et détails

Comment un script Python peut-il extraire et traiter automatiquement des données spécifiques depuis un fichier CSV ?

Setup: Espace de travail flexible avec accès aux ressources matérielles et numériques

Materials: Fiche de lancement avec question motrice, Cahier des charges et calendrier prévisionnel, Grille d'évaluation critériée avec jalons, Supports de présentation

• Appliquer
• Analyser
• Évaluer
• Créer
• Autogestion
• Compétences relationnelles
• Prise de décision

Enseigner ce sujet

Commencez par montrer des exemples de fichiers CSV réels, notamment des jeux de données locaux ou des fichiers open data. Évitez de présenter le CSV comme un simple exercice technique : liez-le à des enjeux concrets comme l'analyse de données électorales ou environnementales. Insistez sur le fait que la lecture de données n'est pas une fin en soi, mais une étape vers leur interprétation. Encouragez les élèves à documenter leurs choix de code (pourquoi utiliser DictReader ? pourquoi gérer les erreurs ?) pour renforcer la transparence de leur démarche.

À quoi s’attendre

Les élèves doivent être capables de lire un fichier CSV en Python, d'en extraire des données spécifiques et de produire un fichier propre et fonctionnel. Ils comprennent que la manipulation de données implique non seulement du code, mais aussi de la rigueur dans la gestion des erreurs et des formats. Leur travail reflète cette double compétence : technique et méthodologique.

Attention à ces idées reçues

Idée reçue courante

During Atelier pratique : Lire un fichier CSV avec Python, certains élèves pensent que tous les fichiers CSV utilisent la virgule comme séparateur.

Ce qu'il faut enseigner à la place

Utilisez des fichiers CSV réels issus de data.gouv.fr ou d'INSEE dans l'atelier pour montrer que le point-virgule (;) est courant en France. Demandez aux élèves de modifier manuellement le paramètre delimiter dans leur code pour lire correctement ces fichiers.

Idée reçue courante

During Défi collaboratif : Nettoyer des données sales, les élèves croient que la lecture du fichier suffit à garantir la qualité des données.

Ce qu'il faut enseigner à la place

Dans le défi, fournissez un fichier avec des doublons, des valeurs manquantes ou des formats incohérents. À la fin de l'activité, faites présenter chaque groupe ses critères de nettoyage et les anomalies détectées, en insistant sur l'importance de ces étapes.

Idée reçue courante

During Penser-Partager-Présenter : csv.reader ou csv.DictReader ?, les élèves pensent que le format CSV est dépassé par Excel ou pandas.

Ce qu'il faut enseigner à la place

Présentez des exemples de fichiers CSV lus par des systèmes variés (logiciels statistiques, sites web, bases de données) et comparez avec les limites des formats binaires comme Excel. Montrez comment le CSV reste le standard pour l'échange inter-systèmes.

Idées d'évaluation

Vérification rapide

After Atelier pratique : Lire un fichier CSV avec Python, fournissez un fichier CSV avec des températures mensuelles. Demandez aux élèves d'écrire une fonction qui affiche la température du mois de juillet et la moyenne annuelle. Évaluez la syntaxe, la logique d'accès aux données et la gestion des erreurs d'index.

Billet de sortie

After Défi collaboratif : Nettoyer des données sales, donnez aux élèves un fichier CSV avec une valeur manquante dans une colonne numérique et un format de date incohérent. Demandez-leur d'identifier une anomalie et de proposer une ligne de code pour la corriger ou la signaler dans un commentaire. Évaluez leur capacité à repérer les problèmes et à suggérer des solutions adaptées.

Question de discussion

During Penser-Partager-Présenter : csv.reader ou csv.DictReader ?, présentez deux scripts Python : l'un utilisant csv.reader et l'autre pandas.read_csv(). Demandez aux élèves de comparer les deux approches en termes de simplicité, de puissance et de clarté du code. Utilisez leurs réponses pour introduire la notion de bibliothèques spécialisées selon les besoins du projet.

Extensions et étayage

• Challenge : Proposez aux élèves de lire un fichier CSV contenant des données géographiques (coordonnées GPS) et de les visualiser sur une carte simplifiée avec matplotlib ou folium.
• Scaffolding : Pour les élèves en difficulté, fournissez des extraits de code incomplets à compléter, avec des commentaires explicites sur les étapes clés (ouverture, lecture, itération).
• Deeper : Invitez les élèves à explorer la différence entre les encodages (UTF-8, ISO-8859-1) en tentant de lire un fichier CSV mal encodé et en proposant des solutions.

Vocabulaire clé

Fichier CSV	Un fichier texte où les données sont organisées en lignes, et où chaque ligne contient des champs séparés par une virgule (ou un autre délimiteur).
Module csv	Une bibliothèque standard de Python qui fournit des fonctionnalités pour lire et écrire facilement des fichiers au format CSV.
Délimiteur	Le caractère utilisé pour séparer les différentes valeurs (champs) dans une ligne d'un fichier CSV. La virgule est le plus courant, mais le point-virgule ou la tabulation sont aussi utilisés.
En-tête (header)	La première ligne d'un fichier CSV qui contient les noms des colonnes, décrivant le type de données dans chaque colonne.
Valeur manquante	Une donnée qui n'a pas été enregistrée ou qui est absente dans un enregistrement, souvent représentée par une chaîne vide, 'NA', ou 'null'.