---
title: "Как загрузить датасет в Python?"
description: "Python — один из самых популярных языков для работы с данными, и он предлагает множество инструментов для загрузки и обработки датасетов. В этой статье мы…"
url: "https://data-light.ru/blog/kak-zagruzit-dataset-v-python/"
date_modified: "2025-04-15T17:48:40+03:00"
language: "ru-RU"
---
Python — один из самых популярных языков для работы с данными, и он предлагает множество инструментов для загрузки и обработки датасетов. В этой статье мы разберем, как загружать данные из различных форматов: CSV, JSON, TXT, Excel и SQLite, используя стандартные средства Python и популярные библиотеки, такие как pandas, NumPy и другие.

![Как загрузить датасет в Python?](https://data-light.ru/wp-content/uploads/2025/04/python-dataset-cover-1024x646.jpg)

## **Датасеты из наших примеров**

**Iris:**

- [**CSV и SQLite**](https://www.kaggle.com/datasets/uciml/iris)
- [**JSON**](https://www.kaggle.com/datasets/rtatman/iris-dataset-json-version)
- [**TXT**](https://github.com/Street17/IRIS-data-set-/blob/master/Iris_dataset.txt?ysclid=m8wvygale5719356407)
- [**XLSX**](https://github.com/VaderSame/Iris-Dataset/blob/main/iris.xlsx?ysclid=m8wvtz1fdy59975554)

**Red Wine Quality:**

- [**CSV**](https://www.kaggle.com/datasets/uciml/red-wine-quality-cortez-et-al-2009)

## **Загрузка данных из CSV**

**CSV (Comma-Separated Values)** — это текстовый формат для хранения табличных данных. Каждая строка в таком файле — строка таблицы, где значения разделены запятыми. Этот формат популярен из-за своей простоты и универсальности.

**Способ 1: С помощью стандартной библиотеки CSV**

Python предоставляет встроенную библиотеку csv для чтения и записи CSV-файлов:

```
import csv # Импортируем стандартный модуль для работы с CSV

with open('iris.csv', 'r') as file: # Открываем файл 
  reader = csv.reader(file) # Создаем объект для чтения строк
  for row in reader: # Перебираем строки 
     print(row) # Выводим каждую строку
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-csv-1024x316.jpg)Если вам необходимо прочитать только первые несколько строк, измените код следующим образом:

```
import csv 

with open('iris.csv', 'r') as file:
   reader = csv.reader(file) # Создаем объект для построчного чтения
   for i, row in enumerate(reader): # Перебираем строки с индексом
       if i >= 5: # Останавливаем цикл после 5 строк
           break
       print(row) # Выводим первые пять строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-csv-raws-1024x316.jpg)**Способ 2: С помощью библиотеки pandas**

Pandas — одна из самых мощных библиотек для анализа данных. Она позволяет удобно загружать, просматривать и обрабатывать таблицы.

Сначала импортируем библиотеку и загрузим весь датасет, а затем выведем его полностью:

```
import pandas as pd # Импортируем библиотеку pandas 

df = pd.read_csv('iris.csv')  # Загружаем CSV-файл в DataFrame
print(df) # Выводим DataFrame (по умолчанию вывод сокращен)
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-pandas-1024x316.jpg)По умолчанию pandas сокращает вывод, если строк или столбцов слишком много. Чтобы отобразить все данные, замените последнюю строку на:

```
pd.set_option('display.max_rows', None)     # Показывать все строки
pd.set_option('display.max_columns', None)  # Показывать все столбцы

print(df)  # Теперь весь DataFrame выведется полностью
```

Если датасет большой, выводить все строки бывает неудобно. В таких случаях лучше вывести только первые несколько строк, чтобы получить представление о данных, быстро оценить их структуру и проверить корректность загрузки.

```
import pandas as pd 

df = pd.read_csv('iris.csv')
print(df.head(5)) # Выводим первые 5 строк 
```

**Способ 3: С помощью библиотеки NumPy**

NumPy — это библиотека Python, предназначенная для эффективной работы с числовыми данными и многомерными массивами. Она подходит для выполнения математических операций, статистического анализа и машинного обучения.

Эта библиотека особенно удобна, когда ваш датасет состоит из числовых данных, а текстовая информация минимальна или отсутствует вовсе.

**Пример 1: Загрузка датасета Red Wine Quality**

Если ваш датасет состоит из чисел, загрузка с помощью NumPy выглядит так:

```
import numpy as np # Импортируем библиотеку NumPy

data = np.loadtxt('winequality-red.csv', delimiter=',', skiprows=1) # Загружаем датасет, пропуская первую строку (текстовые заголовки)

print(data[:5]) # Выводим первые 5 строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-numpy-1024x316.jpg)Если вам необходимо вывести весь датасет (все строки) замените последнюю строчку на:

```
np.set_printoptions(threshold=np.inf)

print(data)
```

**Пример 2: Загрузка датасета Iris**

Если же в датасете есть текстовые данные (например, названия классов в наборе данных Iris), стандартная загрузка приведет к ошибке. NumPy попытается превратить каждое значение в число. В этом случае используйте параметр dtype=‘str’:

```
import numpy as np # Импортируем библиотеку NumPy

data = np.loadtxt('iris.csv', delimiter=',', skiprows=1, dtype='str') # Загружаем данные как строки

print(data[:5]) # Выводим первые 5 строк 
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-iris-1024x316.jpg)В случае если вас интересуют только столбцы с числами, можно указать их номера через параметр usecols. Например, если текстовая информация содержится только в последнем столбце, а первые четыре содержат числа:

```
import numpy as np

data = np.loadtxt('iris.csv', delimiter=',', skiprows=1, usecols=(0, 1, 2, 3)) # Загружаем нужные столбцы (0-3)

print(data[:5]) # Выводим первые 5 строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-iris-usecols-1024x316.jpg)

## **Загрузка данных из JSON**

JSON — распространенный текстовый формат для обмена данными, особенно популярный в веб-разработке и работе с API. В отличие от CSV-файлов, которые имеют строгую табличную структуру и подходят для простых, однородных данных, JSON позволяет хранить более сложные, вложенные структуры данных (например, словари внутри списков).

Рассмотрим два способа загрузки JSON-файлов в Python: с помощью стандартной библиотеки Python и библиотеки pandas.

**Способ 1: С помощью стандартной библиотеки Python**

Встроенная библиотека json позволяет легко загружать и обрабатывать данные:

```
import json # Импортируем стандартный модуль для работы с JSON

with open('iris.json', 'r', encoding='utf-8') as file: # Открываем файл в режиме чтения
   data = json.load(file) # Загружаем содержимое файла и превращаем его в Python-объект

print(data[:5]) # Выводим первые 5 строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-json-1024x316.jpg)**Способ 2: С помощью библиотеки pandas**

Если вам удобнее работать с данными в табличной форме, используйте pandas. Библиотека автоматически превращает JSON в таблицу, что упрощает дальнейший анализ данных.

```
import pandas as pd # Импортируем библиотеку pandas

df = pd.read_json('iris.json') # Загружаем JSON-файл и преобразуем его в DataFrame

print(df.head(5)) # Выводим первые 5 строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-pandas-json-1024x316.jpg)

## **Загрузка данных из TXT**

Другой распространенный тип файлов — это текстовые файлы. Как и CSV или JSON, они содержат информацию в виде текста, однако не всегда предполагают строгий табличный формат.

Продолжим работать c датасетом [Iris](https://gist.github.com/sri7harsha/2a072b5c30bc8bb5061a0980f24ede60) в формате txt.

```
with open('iris.txt', 'r', encoding='utf-8') as file: 
   data = file.read() # Открываем файл iris.txt и считываем данные

print(data) # Выводим содержимое файла
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-txt-1024x316.jpg)Если вам нужно вывести текст построчно (например, первые 5 строк):

```
with open('iris.txt', 'r', encoding='utf-8') as file:
   lines = file.readlines() # Открываем файл и считываем данные построчно

for line in lines[:5]:
   print(line.strip())  # Выводим каждую строку, убирая лишние пробелы и переносы
```

## **Загрузка данных из Excel**

Файлы Excel (.xls или .xlsx) также часто используются для хранения и анализа данных. Для работы с ними в Python обычно применяются библиотеки **pandas** или **openpyxl**.

**Способ 1: С помощью библиотеки pandas**

**Pandas** позволяет очень просто и удобно загрузить данные из Excel-файла и сразу приступить к их анализу.

```
import pandas as pd # Импортируем библиотеку pandas

df = pd.read_excel('iris.xlsx', sheet_name='sheet') # Загружаем файл и преобразуем их в DataFrame (предположим, что данные на листе sheet)

print(df) # Выводим DataFrame (по умолчанию вывод сокращен)
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-excel-pandas-1024x316.jpg)Если нужно вывести все строки и столбцы, замените последнюю строку на:

```
pd.set_option('display.max_rows', None)     # Показывать все строки
pd.set_option('display.max_columns', None)  # Показывать все столбцы

print(df)
```

**Способ 2: С помощью библиотеки openpyxl**

**openpyxl** — это специализированная библиотека для работы с Excel-файлами.

```
import openpyxl # Импортируем библиотеку openpyxl

workbook = openpyxl.load_workbook('iris.xlsx') # Загружаем рабочую книгу Excel

sheet = workbook.active # Выбираем активный лист (можно указать конкретный)

for row in sheet.iter_rows(max_row=5, values_only=True):
   print(row) # Выводим первые 5 строк
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-excel-openpyxl-1024x316.jpg)Если нужно получить значение конкретной ячейки замените последние 2 строки на:

```
cell_value = sheet.cell(row=2, column=3).value # Получаем значение из ячейки (2-я строка, 3-й столбец)
print(cell_value) # Выводим значение ячейки
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-excel-openpyxl-raws-1024x316.jpg)

## **Загрузка данных из SQLite**

SQLite — это популярная и простая в использовании база данных, часто используемая в проектах на Python. Чтобы загрузить SQLite, вы можете использовать встроенный модуль Python sqlite3 в комбинации с библиотекой pandas.

```
import sqlite3 # Импортируем модуль для работы с SQLite
import pandas as pd # Импортируем библиотеку pandas

connection = sqlite3.connect('database.sqlite') # Устанавливаем соединение с базой данныхimport sqlite3 # Импортируем модуль для работы с SQLite
import pandas as pd # Импортируем библиотеку pandas

connection = sqlite3.connect('database.sqlite') # Устанавливаем соединение с базой данных

query = "SELECT * FROM Iris" # SQL-запрос (замените 'Iris' на нужную таблицу)

df = pd.read_sql_query(query, connection) # Загружаем результат запроса в DataFrame

connection.close() # Закрываем соединение с базой данных

print(df.head(5)) # Выводим первые 5 строк
```

Вывод*:*

![](https://data-light.ru/wp-content/uploads/2025/04/python-result-sqllite-1-1024x316.jpg)**Как узнать название таблиц в файле SQLite?**

Если вы не знаете, какие таблицы есть в базе данных:

```
import sqlite3

connection = sqlite3.connect('database.sqlite') # Устанавливаем соединение с базой данных

cursor = connection.cursor()
cursor.execute("SELECT name FROM sqlite_master WHERE type='table';") # Получаем список таблиц

tables = cursor.fetchall()
print("Список таблиц:", tables) # Выводим названия таблиц

connection.close() # Закрываем соединение с базой данных
```

Вывод:

![](https://data-light.ru/wp-content/uploads/2025/04/sqalite-table-name-1-1024x316.jpg)

[Full list of this site's AI-readable pages](https://data-light.ru/llms.txt)