Comparar dos archivos CSV con Python

Hola,

Si he entendido bien lo que quieres hacer. Tienes dos archivos CSV: uno contiene las direcciones de empresas con sus SIREN, y el otro contiene sólo las direcciones. Quieres crear un archivo de salida con las direcciones en común y los SIREN correspondientes.

Si es así, primero debes verificar que los archivos CSV estén correctamente formateados y que las direcciones en ambos archivos tengan el mismo formato para evitar errores durante la comparación.

Luego, hay que adaptar tu programa para leer los archivos CSV usando el módulo csv para gestionar los datos de manera estructurada.

Crear un diccionario a partir del primer archivo CSV para almacenar las direcciones y los SIREN.

Comparar las direcciones del segundo archivo con las del diccionario.

Escribir las direcciones comunes y sus SIREN en el archivo de salida.

Un pequeño programa como:

import csv # Leer el archivo Recherche.csv y crear un diccionario para las direcciones y SIREN direcciones_siren = {} with open('Recherche.csv', 'r', encoding='utf-8') as recherche_file: reader = csv.reader(recherche_file) next(reader) # Si tu archivo tiene una fila de cabeceras, de lo contrario elimina esta línea for row in reader: adresse = row[0] siren = row[1] adresses_siren[adresse] = siren # Leer el archivo TravailSFE.csv y comparar las direcciones con las del diccionario with open('TravailSFE.csv', 'r', encoding='utf-8') as travail_file, \ open('update.csv', 'w', encoding='utf-8', newline='') as update_file: reader = csv.reader(travail_file) writer = csv.writer(update_file) # Escribir la cabecera en el archivo de salida si es necesario writer.writerow(['Adresse', 'SIREN']) for row in reader: adresse = row[0] if adresse in adresses_siren: writer.writerow([adresse, adresses_siren[adresse]]) print("La comparaison est terminée. Les résultats ont été écrits dans 'update.csv'.") 

Se utiliza csv.reader para leer los archivos línea por línea.
Se omite la cabecera con next(reader) si tu archivo tiene cabeceras.

El diccionario adresses_siren asocia cada dirección con su SIREN, facilitando la búsqueda rápida.

Se verifica si cada dirección del archivo TravailSFE.csv está presente en el diccionario.
Si lo está, se escribe la dirección y el SIREN correspondiente en el archivo update.csv.

He añadido el control adicional en el código.

import csv # Leer el archivo Recherche.csv y crear un diccionario para las direcciones y SIREN adresses_siren = {} with open('Recherche.csv', 'r', encoding='utf-8') as recherche_file: reader = csv.reader(recherche_file) next(reader) # Si su archivo tiene una fila de encabezado, de lo contrario quite esta línea for row in reader: # Verificar que la fila tenga dos columnas (dirección y SIREN) if len(row) < 2: print(f\"Línea ignorada (columna faltante) : {row}\") continue # Pasar a la siguiente línea si la fila no contiene 2 columnas adresse = row[0] siren = row[1] adresses_siren[adresse] = siren # Leer el archivo TravailSFE.csv y comparar las direcciones con las del diccionario with open('TravailSFE.csv', 'r', encoding='utf-8') as travail_file, \ open('update.csv', 'w', encoding='utf-8', newline='') as update_file: reader = csv.reader(travail_file) writer = csv.writer(update_file) # Escribir el encabezado en el archivo de salida si es necesario writer.writerow(['Adresse', 'SIREN']) for row in reader: if len(row) == 0: # Verificar si la fila está vacía print(f\"Línea vacía ignorada : {row}\") continue adresse = row[0] if adresse in adresses_siren: writer.writerow([adresse, adresses_siren[adresse]]) print(\"La comparación ha terminado. Los resultados se han escrito en 'update.csv'.\") 

OK

El mensaje que obtuviste muestra que la dirección en el archivo contiene caracteres inesperados. El código ASCII [32, 59, 59, 59, 59] representa los siguientes caracteres:

32: un espacio ( ),
59: un punto y coma (;).

Esto indica que algunas líneas en tus archivos CSV contienen caracteres no esperados o mal formateados, como puntos y comas consecutivos (;;;;). Estos caracteres pueden ser el resultado de un formato incorrecto en el archivo original o de un manejo indebido del archivo CSV.

Voy a prepararte de nuevo un script. Te lo enviaré más tarde. 

El error IndexError: list index out of range significa que el programa intenta acceder a un elemento en una lista (aquí row[1] para el SIREN), pero la fila en cuestión no contiene suficientes elementos (columnas) para acceder a ese índice.

Esto puede ocurrir por varias razones:

Algunas filas en su archivo CSV no contienen dos columnas.
Podría haber filas vacías.

Podría haber problemas de formato en el archivo (como saltos de línea o delimitadores incorrectos).

Verifique que cada fila tenga bien dos columnas en el archivo Recherche.csv.

Añadir controles de error para manejar las filas vacías o mal formateadas.

He mantenido su código, regreso y voy a proporcionarle una versión del código que añade un control adicional para verificar que cada fila contiene al menos dos columnas antes de intentar acceder a los índices.

Acabo de probar el nuevo programa:

la consola de Python muestra bien las líneas ignoradas, pero el archivo de actualización está vacío.

Si el archivo update.csv está vacío, significa que el programa no encontró ninguna correspondencia entre las direcciones del archivo BDT.csv y las del archivo BDS.csv. Esto puede deberse a varias razones, ya sea:

Incoherencia en el formato de direcciones (por ejemplo: espacios de más, letras en mayúsculas/minúsculas, acentos).

Problema de mayúsculas (mayúsculas/minúsculas): las direcciones podrían estar escritas de forma diferente en los dos archivos, haciendo imposible la comparación.

Diferencias sutiles en las direcciones (como comas o abreviaturas distintas, por ejemplo, "Rue" en lugar de "R.").

Voy a añadir una función al código con normalize_string() para convertir las direcciones a minúsculas, eliminar acentos (é, è, à, etc.) y espacios extra. Esto permite que las direcciones de ambos archivos sean comparables incluso si difieren ligeramente en mayúsculas o acentos.

Si una dirección del archivo BDT.csv no coincide con ninguna dirección en BDS.csv, se mostrará en la consola. Esto te ayudará a identificar las diferencias posibles.

Modifico el código y te lo envío. Vamos a lograrlo, no te desanimes, es solo una cuestión de formato.

El archivo update sigue vacío incluso después de modificar el programa.

No entiendo por qué, porque he verificado que las direcciones del archivo BDS coinciden con las de BDT.

Okay, lo entiendo

No hay problema, hasta luego y muchas gracias.

Hola,

Para que cualquiera pueda probar los programas propuestos, ¿sería posible compartir los archivos CSV en cuestión?

¿Has considerado pandas ? Además de que es posible cargar fácilmente archivos csv (ver pd.read_csv), pandas proporciona numerosas primitivas muy eficientes para manipular los datos. Si he entendido bien, el objetivo aquí es encontrar una unión entre los dos archivos según la columna siren (si es así, puedes usar pd.join). Para exportar un dataframe, usa el método to_csv.

Ejemplo :

fichier1.csv

nom,prenom,siren solo,han,1111 skywalker,luke,1111 the hutt,jabba,0 vador,dark,333

fichier2.csv

siren,cause 1111,rebellion 333,empire

toto.py

#!/usr/bin/env python3 import pandas as pd df1 = pd.read_csv("fichier1.csv") print(df1) print("-" * 50) df2 = pd.read_csv("fichier2.csv") print(df2) print("-" * 50) df = df1.set_index("siren").join(df2.set_index("siren")) print(df) print("-" * 50) print(df.to_csv()

Résultat :

 nom prenom siren 0 solo han 1111 1 skywalker luke 1111 2 the hutt jabba 0 3 vador dark 333 -------------------------------------------------- siren cause 0 1111 rebellion 1 333 empire -------------------------------------------------- nom prenom cause siren 1111 solo han rebellion 1111 skywalker luke rebellion 0 the hutt jabba NaN 333 vador dark empire -------------------------------------------------- siren,nom,prenom,cause 1111,solo,han,rebellion 1111,skywalker,luke,rebellion 0,the hutt,jabba, 333,vador,dark,empire

Bonne chance

Gracias por su respuesta, pero lamentablemente no puedo compartir los archivos ya que son contactos de empresa.

Pero voy a intentar pensar con la función pandas.

Muchas gracias.

Los puntos y comas podrían estar presentes en lugar de separadores válidos, lo que significa que los archivos CSV no están correctamente estructurados o se leen mal.

Aquí el código modificado para usar el punto y coma como separador, por si acaso así fuera en sus archivos:

import csv import unicodedata # Función para normalizar direcciones (poner en minúsculas, eliminar acentos) def normalize_string(s): s = s.strip().lower() # Quitar espacios y convertir a minúsculas s = unicodedata.normalize('NFKD', s).encode('ASCII', 'ignore').decode('ASCII') # Eliminar acentos return s adresse_siren = {} # Leer el archivo BDS.csv con el separador punto y coma con open('BDS.csv', 'r', encoding='utf-8') as recherche_file: reader = csv.reader(recherche_file, delimiter=';') # Especificar el separador next(reader) # Saltar la fila de encabezado si existe for row in reader: if len(row) < 2: # Verificar que la fila contiene al menos 2 columnas (dirección, siren) print(f"Línea ignorada (columna faltante o mal formateada) : {row}") continue # Pasar las filas incorrectas adresse = normalize_string(row[0]) # Normalizar la dirección siren = row[1].strip() # Quitar espacios en blanco para el siren print(f"Agregado al diccionario : {row[0]} -> {siren} (normalizado: {adresse})") adresse_siren[adresse] = siren # Leer el archivo BDT.csv con el separador punto y coma y comparar las direcciones with open('BDT.csv', 'r', encoding='utf-8') as travail_file, \ open('update.csv', 'w', encoding='utf-8', newline='') as update_file: reader = csv.reader(travail_file, delimiter=';') # Especificar el separador writer = csv.writer(update_file) writer.writerow(['adresse', 'siren']) # Escribir el encabezado en el archivo de salida for row in reader: if len(row) == 0: # Verificar si la fila está vacía print(f"Línea vacía ignorada : {row}") continue adresse = normalize_string(row[0]) # Normalizar la dirección en BDT.csv print(f"Comparando: {row[0]} (normalizado: {adresse})") if adresse in adresse_siren: print(f"Dirección correspondiente encontrada: {row[0]} -> {adresse_siren[adresse]}") writer.writerow([row[0], adresse_siren[adresse]]) # Usar la dirección original en el archivo de salida else: print(f"Dirección no encontrada: {row[0]} (normalizado: {adresse})") print("La comparación ha terminado. Los resultados se han escrito en 'update.csv'.") 

Si sus archivos utilizan el punto y coma como separador (lo cual parece ser el caso dado los caracteres ;;;;), esto permite que el programa lea correctamente las columnas de los archivos.

Si esta solución no funciona, podría ser útil revisar manualmente los archivos CSV para asegurarse de que las columnas están separadas por comas o por puntos y coma.

Si sus archivos no están bien estructurados, intente reexportarlos con una herramienta como Excel o un editor de texto para asegurarse de que cumplen el formato CSV correcto (con separadores claros).

La manipulación de archivos CSV siempre es muy delicada; los errores suelen estar relacionados con el formato de los archivos. Es siempre más recomendable usar herramientas como Excel y LibreOffice Calc (que es gratuito y de código abierto) que son hojas de cálculo populares para manipular archivos CSV. Si no lo consigue con Python, le aconsejo usar alguno de estos hojas de cálculo.

Puede copiar/pegar las direcciones de un archivo en una nueva tabla, y luego usar fórmulas como BUSCARV para asociar los SIREN a las direcciones correspondientes.

Ejemplo de fórmula BUSCARV :

=BUSCARV(A2;BDS!A:B;2;FALSO)
 

No sé ya qué solución darle.

Con el código NIC también