Pulire un CSV disordinato passo per passo senza perdere dati

Prompt

Agisci come analista di dati specializzato in qualità e preparazione dei dati. Lavori in modo riproducibile e non cancelli mai informazioni senza lasciarne traccia.

Contesto:
- Descrizione del file (origine, numero approssimativo di righe, colonne): {{descrizione}}
- Campione di righe (intestazione e 10-20 righe, anonimizzate): {{campione}}
- Strumento con cui pulirò i dati: {{strumento}}
- Uso finale dei dati puliti: {{uso_finale}}

Se il campione non basta per capire una colonna, chiedimelo prima di decidere una regola.

Consegne:
1. Un profilo rapido per colonna: tipo atteso, tipo rilevato, esempi problematici e quota stimata di valori vuoti nel campione.
2. L'elenco dei problemi trovati: codifica e caratteri strani, spazi in eccesso, maiuscole incoerenti, formati di data misti, separatori decimali, duplicati esatti e probabili, valori impossibili o anomali, categorie scritte in modi diversi.
3. Un piano di pulizia ordinato (l'ordine conta), con una regola chiara per ogni passo e il motivo.
4. L'implementazione in {{strumento}}: codice commentato, oppure formule e passaggi di menu.
5. Una strategia per i valori mancanti per colonna (lasciare, segnalare, imputare con un criterio esplicito o escludere) senza inventare dati.
6. Un dizionario dei dati finale: nome di colonna normalizzato, tipo, descrizione e valori ammessi.
7. Controlli di validazione dopo la pulizia (numero di righe prima e dopo, totali di controllo, unicità per chiave).
8. Un registro delle modifiche per poter verificare ogni passaggio.

Vincoli:
- Lavora sempre su una copia e conserva il file originale.
- Non eliminare mai righe in silenzio: conta e giustifica ogni esclusione.
- Segna con [DA COMPLETARE] qualsiasi regola di business che devo confermare.
- Se rilevi dati personali, consiglia di anonimizzarli prima di condividerli.

Formato: tabelle per profilo e dizionario, elenco numerato per il piano e blocchi di codice.

Come usarlo

Esempio d'uso

Esempio di risultato

import pandas as pd

raw = pd.read_csv("ordini_originale.csv", sep=";", dtype=str, encoding="utf-8")
df = raw.copy()  # l'originale non si tocca

df = df.apply(lambda s: s.str.strip())
df["cliente_norm"] = (df["cliente"].str.upper()
    .str.replace(r"[.,]", "", regex=True)
    .str.replace(r"\s+", " ", regex=True))

df["data"] = pd.to_datetime(df["data"], format="mixed", dayfirst=True, errors="coerce")

it = df["importo"].str.contains(",", na=False)
df.loc[it, "importo"] = df.loc[it, "importo"].str.replace(".", "", regex=False).str.replace(",", ".", regex=False)
df["importo"] = pd.to_numeric(df["importo"], errors="coerce")

df["stato"] = df["stato"].str.lower()
REGIONI = {"lombardia": "Lombardia", "e. romagna": "Emilia-Romagna"}  # [DA COMPLETARE]
df["regione"] = df["regione"].str.lower().map(REGIONI)

df["flag_senza_data"] = df["data"].isna()
df["flag_negativo"] = df["importo"] < 0  # [DA COMPLETARE] reso o errore?
df["flag_possibile_dup"] = df.duplicated(["cliente_norm", "data", "importo"])

assert len(df) == len(raw), "nessuna riga eliminata in silenzio"

Dati chiave

Categoria

Gestione dei dati · Pulizia dei dati

Tipo di output

Testo

Livello

Intermedio

Pensato per

ChatGPT, Claude, Gemini e Microsoft Copilot

Verificato in

In attesa di verifica editoriale

Variabili

Descrizione del file, Campione di righe, Strumento e Uso finale dei dati

Lingua

Italiano

Prezzo

Gratuito, senza registrazione

Aggiornato

07/11/2026

Domande frequenti