File CSV mẫu tiếng Việt: bộ dữ liệu thực hành pandas
Bài 3/3 · Chương 1
Bắt đầu
- 5 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 7
Trang này giới thiệu bộ file CSV mẫu tiếng Việt mà tutorial pandas dùng: đơn hàng, khách hàng, chi tiêu, không khí, giá nhà, điểm thi, kèm ý nghĩa từng cột và các bẫy cài sẵn. Mở trang khi một bài nhắc tới một file mà bạn muốn biết file đó chứa gì, hay khi muốn chọn một file để tự luyện.
Cách dùng với trang này
Mỗi mục dưới gom các file cùng một bối cảnh. Bảng cột cho kiểu mà read_csv() đoán khi đọc mặc định, nên bạn biết trước cột nào cần dtype hay parse_dates. Phần "Bẫy" nói những lỗi đã được cài có chủ ý vào bản thô, để các bài làm sạch có việc thật để làm.
Trên trang tutorial, mỗi bài dùng file nào thì file đó đã nằm sẵn trong thư mục chạy, nên bạn chỉ cần pd.read_csv("don_hang.csv"), không có đường dẫn. Mỗi bài liệt kê các file nó dùng ở mục "Dữ liệu của bài" để bạn tải về; bấm tên một file trên trang này để tới bài đầu tiên dùng nó. Mọi tên người, số điện thoại, mã và số liệu đều hư cấu, do AIDev sinh bằng script có hạt giống cố định; tên tỉnh, thành là địa danh thật. Toàn bộ dữ liệu phát hành theo giấy phép CC0 1.0: bạn dùng lại tự do, kể cả cho bài giảng của mình.
Cửa hàng: sản phẩm, khách hàng, đơn hàng
Một cửa hàng bán lẻ hư cấu bán 60 sản phẩm qua năm kênh, đơn từ 01/01/2025 đến 30/06/2026, có hai mùa Tết. Đây là bộ dữ liệu chính của các bài chọn lọc, gom nhóm và ghép bảng.
File | Dòng | Cột chính | Dùng ở |
|---|---|---|---|
60 |
| ||
400 |
| read_csv(), merge | |
1.526 |
| ||
77–126 mỗi file | như | ||
3 bảng | ba bảng trên trong SQLite | ||
80 đơn | đơn lồng khách và sản phẩm |
Bẫy của bản sạch:
ma_spviết0001…0060, nhưng đọc mặc định thành số1…60. Giữ nguyên bằngdtype={"ma_sp": str}.ngay_giaotrống với đơn đã hủy hay đang giao: thiếu có lý do.Trong
don_hang_api.json,ma_splà chuỗi"0012", cònsan_pham.csvđọc mặc định cho số12, nên hai bảng không ghép được cho tới khi cùng kiểu.
Bản thô don_hang_tho.csv (1.556 dòng) và khach_hang_tho.csv (408 dòng) sinh từ bản sạch rồi làm hỏng có chủ ý:
30 dòng đơn trùng hoàn toàn và 8 khách lặp nguyên dòng, việc của drop_duplicates().
ngay_datlẫn02/01/2025với2025-01-02, việc của bài đọc ngày dd/mm/yyyy.don_giacó ô195.000đ, nên cả cột thành chữ;kenhviếtwebsite,WEBSITE,Websitethừa dấu cách.tinhlẫn tên tỉnh trước và sau sáp nhập;bang_sap_nhap_tinh.csv(63 dòng,tinh_cu,tinh_moi) quy về 34 tỉnh, thành theo Nghị quyết 202/2025/QH15, hiệu lực từ 01/07/2025.8 đơn của mã khách không có trong bảng khách, lộ ra khi merge() có
indicator=True.
File xuất từ phần mềm kho
bao_cao_kho.csv là báo cáo nhập xuất tồn tháng 10/2025 của 60 mặt hàng, có đủ thói quen của file kế toán: UTF-8 có BOM, dấu chấm phẩy, ba dòng tiêu đề và một dòng trống trên dòng tên cột, một dòng Tổng cộng ở cuối, số kiểu Việt Nam 116.000,00 và ô - thay cho 0. Bài read_csv nâng cao và dự án báo cáo tồn kho đọc nó.
Chi tiêu cá nhân
chi_tieu.csv là 1.036 khoản chi năm 2025 của một nhân viên văn phòng hư cấu ở Hà Nội: thuê nhà, điện nước, ăn uống, đi lại, Tết tháng 1, một chuyến đi biển. Bản sạch, không bẫy, dùng cho các bài nhập môn.
Cột | Kiểu | Ý nghĩa |
|---|---|---|
|
|
|
|
|
|
|
| Khoản chi cụ thể: |
|
| Đồng, làm tròn nghìn |
|
|
|
chi_tieu_thang.csv gom file trên thành 12 dòng: cột thang (2025-01) và bảy cột số tiền theo danh mục không dấu (an_uong, nha_o…). Bạn tự kiểm được nó bằng một lần pivot_table() trên chi_tieu.csv.
Doanh thu chi nhánh và điểm thi
doanh_thu_chi_nhanh.csv: 12 tháng × 8 chi nhánh của một chuỗi cửa hàng, đơn vị triệu đồng; tên cột là tên tỉnh, thành có dấu. Hợp cho melt() và các bài NumPy.diem_thi.csv: 500 thí sinh của một kỳ thi thử hư cấu.sbd8 chữ số mất số 0 đầu khi đọc mặc định. Điểmly,hoa,sinhchỉ có với ban KHTN,su,dia,gdcdchỉ có với ban KHXH, nên ô trống là thật: điền 0 vào đó làm sai điểm trung bình, như bài fillna() chỉ.
Chất lượng không khí
File | Dòng | Nội dung | Bẫy |
|---|---|---|---|
2.190 | PM2.5, PM10, nhiệt độ, độ ẩm, lượng mưa theo ngày năm 2025 của sáu tỉnh, thành | không | |
2.182 | như trên | Hà Nội mất 8 ngày (dòng biến mất), 5 gai | |
734 | PM2.5 theo giờ của một trạm ở Hà Nội, tháng 01/2026 | giờ ghi theo UTC, không theo giờ Việt Nam |
Bản sạch dùng cho resample() và rolling(); bản thô cho interpolate() và dự án PM2.5.
Giá nhà
nha_dat.csv là 1.166 tin rao bán nhà đất hư cấu ở TP. Hồ Chí Minh năm 2025, với đủ kiểu ghi của tin rao: diện tích 73,5 m2 hay 101 m², giá 6,46 tỷ hay 2.560 triệu hay Thỏa thuận, quận viết Q.7, quận 7, Quận 2 cho TP. Thủ Đức. Có 66 tin đăng lại và 8 tin gõ sai thành ngoại lai. nha_dat_sach.csv (1.056 dòng) là kết quả làm sạch đúng, để phần phân tích chạy được mà không cần làm lại phần sạch. Bốn phần của dự án bắt đầu ở giá nhà, phần 1.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.