Bỏ qua đến nội dung chính
Mục lục

File CSV mẫu tiếng Việt: bộ dữ liệu thực hành pandas

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 3/3 · Chương 1

Bắt đầu

  • 5 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

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

san_pham.csv

60

ma_sp, ten_sp, danh_muc, don_vi, gia_ban, gia_von, ton_kho, ngay_ra_mat

merge()

khach_hang.csv

400

ma_kh, ho_ten, gioi_tinh, nam_sinh, tinh, ngay_dang_ky

read_csv(), merge

don_hang.csv

1.526

ma_don, ngay_dat, ma_kh, ma_sp, so_luong, don_gia, kenh, trang_thai, ngay_giao

groupby(), pivot_table()

don_hang_thang/2026-01.csv … 2026-06.csv

77–126 mỗi file

như don_hang.csv

concat()

cua_hang.db

3 bảng

ba bảng trên trong SQLite

read_sql()

don_hang_api.json

80 đơn

đơn lồng khách và sản phẩm

json_normalize()

Bẫy của bản sạch:

  • ma_sp viết 0001 … 0060, nhưng đọc mặc định thành số 1 … 60. Giữ nguyên bằng dtype={"ma_sp": str}.

  • ngay_giao trống với đơn đã hủy hay đang giao: thiếu có lý do.

  • Trong don_hang_api.json, ma_sp là chuỗi "0012", còn san_pham.csv đọc mặc định cho số 12, 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_dat lẫn 02/01/2025 với 2025-01-02, việc của bài đọc ngày dd/mm/yyyy.

  • don_gia có ô 195.000đ, nên cả cột thành chữ; kenh viết website, WEBSITE, Website thừa dấu cách.

  • tinh lẫn 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

ngay

str

2025-01-01 … 2025-12-31

danh_muc

str

Ăn uống, Nhà ở, Di chuyển, Mua sắm, Giải trí, Sức khỏe, Khác

mo_ta

str

Khoản chi cụ thể: Phở bò, Tiền điện, Lì xì

so_tien

int64

Đồng, làm tròn nghìn

hinh_thuc

str

Tiền mặt, Chuyển khoản, Thẻ, Ví điện tử

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. sbd 8 chữ số mất số 0 đầu khi đọc mặc định. Điểm ly, hoa, sinh chỉ có với ban KHTN, su, dia, gdcd chỉ 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

khong_khi.csv

2.190

PM2.5, PM10, nhiệt độ, độ ẩm, lượng mưa theo ngày năm 2025 của sáu tỉnh, thành

không

khong_khi_tho.csv

2.182

như trên

Hà Nội mất 8 ngày (dòng biến mất), 5 gai 999.0, 10 ô trống

khong_khi_gio_tho.csv

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

file csv mẫu

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập