Cos'è un CSV¶
CSV sta per Comma Separated Values, valori separati da virgole. È un file di testo che contiene una tabella: ogni riga del file è una riga della tabella, e i valori sono separati da un carattere, in questa guida la virgola.
Queste sono alcune colonne del dataset delle biblioteche, l'esempio usato in tutta la guida. Nome della biblioteca, prestiti e spese sono inventati; codici Istat e nomi dei comuni sono veri.
codice_istat_comune,comune,biblioteca,prestiti,spesa_acquisti_euro
082053,Palermo,Biblioteca di esempio A,12450,8200.50
001168,None,Biblioteca di esempio B,3120,1250.00
019028,Cella Dati,Biblioteca di esempio C,,300.00
058091,Roma,Biblioteca di esempio D,20310,15400.75
E questa è la stessa cosa vista come tabella:
| codice_istat_comune | comune | biblioteca | prestiti | spesa_acquisti_euro |
|---|---|---|---|---|
| 082053 | Palermo | Biblioteca di esempio A | 12450 | 8200.50 |
| 001168 | None | Biblioteca di esempio B | 3120 | 1250.00 |
| 019028 | Cella Dati | Biblioteca di esempio C | 300.00 | |
| 058091 | Roma | Biblioteca di esempio D | 20310 | 15400.75 |
Righe, colonne, celle¶
Qui ogni riga è una biblioteca, ogni colonna un'informazione. La Biblioteca C non ha il dato dei prestiti: fra le due virgole non c'è nulla. Un file contiene una sola tabella.
Questa disposizione corrisponde alle regole note come tidy data, descritte da Hadley Wickham nel 2014 e riprese dalle Linee guida AgID: ogni riga è un'osservazione, ogni colonna è una variabile. Dati disposti così sono più facili da ordinare, filtrare e rappresentare.
Cosa dice il formato¶
Il riferimento è la RFC 4180, un documento dell'Internet Engineering Task Force (IETF) che descrive il formato seguito dalla maggior parte dei programmi. Non è uno standard ufficiale: è un documento informativo. Dice che:
- ogni riga del file è un record, e termina con un'interruzione di riga, facoltativa solo per l'ultima;
- la prima riga può contenere i nomi delle colonne;
- tutte le righe dovrebbero avere lo stesso numero di valori, e dopo l'ultimo valore non c'è il separatore;
- gli spazi fanno parte del valore;
- i valori che contengono il separatore, virgolette o interruzioni di riga vanno racchiusi tra virgolette doppie;
- una virgoletta dentro un valore si scrive raddoppiata:
"la ""nuova"" sede".
Se il separatore è il carattere di tabulazione, il formato si chiama TSV.
Cosa aggiunge questa guida¶
La RFC lascia aperte alcune scelte. Questa guida le chiude, e le regole ne spiegano il perché:
- la riga di intestazione deve esserci, e deve essere una sola;
- il separatore è la virgola e il separatore decimale è il punto;
- la codifica dei caratteri è UTF-8, meglio senza BOM (Byte Order Mark, tre byte invisibili all'inizio del file; un file che li contiene non è sbagliato);
- ogni colonna ha un solo tipo di dato;
- tutto ciò che non è un valore, come descrizioni, commenti e unità di misura, sta nel dizionario dei dati, che dichiara anche separatore, delimitatore e codifica;
- per i nomi dei file è meglio usare lettere minuscole a-z, cifre 0-9 e il trattino basso
_al posto degli spazi: si evitano problemi su server e programmi diversi.
Le Linee guida AgID dicono che il separatore dovrebbe essere la virgola, e riportano anche il suggerimento delle linee guida europee sulla qualità dei dati di usare il punto e virgola, perché la virgola compare spesso nei valori, per esempio nei decimali. Questa guida usa la virgola: i decimali hanno il punto, e il testo che contiene una virgola va tra virgolette.
Attenzione al doppio clic
Un file con la virgola, aperto con un doppio clic su un Excel che usa ; come separatore di elenco, un'impostazione di Windows, finisce tutto in una sola colonna. Il file non è sbagliato: va aperto come spiega la pagina su Excel e LibreOffice. Chi pubblica può aggiungere una riga nella pagina del dataset, per esempio: «Per aprire questo file in Excel usa Dati > Da testo/CSV.»
Glossario¶
- Riga. Una singola cosa descritta dalla tabella, per esempio una biblioteca. In altri testi si chiama record o osservazione.
- Colonna. Un'informazione che si ripete per ogni riga, per esempio il nome del comune. In altri testi si chiama campo o variabile.
- Cella. L'incrocio di una riga e di una colonna: contiene un valore oppure è vuota.
- Intestazione. La prima riga del file, con i nomi delle colonne.
- Separatore. Il carattere che divide i valori di una riga, in questa guida la virgola.
- Delimitatore di testo. Il carattere che racchiude un valore, di norma le virgolette doppie.
- Codifica. Il modo in cui i caratteri sono scritti nel file, per esempio UTF-8. Se è sbagliata, gli accenti si leggono male.
- Dataset. Uno o più file di dati pubblicati insieme, con la loro descrizione. In altri testi si chiama set di dati.
- Dizionario dei dati. Il documento che spiega ogni colonna: cosa contiene, di che tipo è, in quale unità di misura.
- Schema. Il dizionario dei dati scritto in un file che i programmi sanno leggere.
- Metadati. Le informazioni che descrivono un dataset nel catalogo: per esempio titolo, descrizione e licenza.
- Risorsa. Ciascun file di un dataset, nel linguaggio dei portali di dati.
- Dati aperti. Dati che chiunque può usare e riusare, in inglese open data. La definizione italiana è nel CAD, art. 1, comma 1, lettera l-ter.