Natuurlijk! Hieronder vind je een voorbeeld Python-script dat een CSV-bestand verwerkt, klanten filtert op leeftijd ouder dan 30 jaar, en de gefilterde gegevens exporteert naar een nieuw CSV-bestand. **Stap 1: Vereiste modules importeren** We gebruiken de ingebouwde `csv` module om CSV-bestanden te lezen en schrijven. **Stap 2: CSV-bestand lezen** We lezen het invoerbestand in, bijvoorbeeld `klanten.csv`. **Stap 3: Filteren op leeftijd** We controleren de leeftijd van elke klant en bewaren alleen die klanten ouder dan 30 jaar. **Stap 4: Exporteren van gefilterde gegevens** We schrijven de gefilterde klanten naar een nieuw bestand, bijvoorbeeld `klanten_filter_30_plus.csv`. Hier is het volledige script met uitleg: ```python import csv # Bestandsnamen invoer_bestand = 'klanten.csv' uitvoer_bestand = 'klanten_filter_30_plus.csv' # Leeg lijst om gefilterde klanten op te slaan gefilterde_klanten = [] # Lees het CSV-bestand with open(invoer_bestand, mode='r', newline='', encoding='utf-8') as csvfile: reader = csv.DictReader(csvfile) # Loop door elke rij for row in reader: # Veronderstel dat de leeftijd in de kolom 'Leeftijd' staat leeftijd = int(row['Leeftijd']) # Filter op klanten ouder dan 30 jaar if leeftijd > 30: gefilterde_klanten.append(row) # Schrijf de gefilterde klanten naar een nieuw CSV-bestand with open(uitvoer_bestand, mode='w', newline='', encoding='utf-8') as csvfile: # Gebruik dezelfde kolomkoppen als het originele bestand writer = csv.DictWriter(csvfile, fieldnames=reader.fieldnames) writer.writeheader() # Schrijf alle gefilterde rijen writer.writerows(gefilterde_klanten) print(f"Gefilterde klanten (ouder dan 30) zijn opgeslagen in {uitvoer_bestand}.") ``` --- ### Uitleg van gebruikte methoden: - `csv.DictReader`: leest het CSV-bestand en geeft elke rij als een dictionary terug, waarbij de sleutels de kolomkoppen zijn. - `csv.DictWriter`: schrijft dictionaries naar een CSV-bestand, waarbij de kolommen worden bepaald door `fieldnames`. - `append()`: voegt een rij toe aan de lijst met gefilterde klanten. - `writeheader()`: schrijft de kolomkoppen naar het nieuwe CSV-bestand. - `writerows()`: schrijft alle gefilterde rijen. --- ### Suggesties voor uitbreidingen: - **Filtering op meerdere criteria:** voeg bijvoorbeeld filtering op naam, regio of andere kolommen toe. - **Automatisering:** maak een functie of script dat automatisch de bestandsnamen kan aanpassen of via command-line argumenten werkt. - **Data validatie:** controleer of de leeftijdswaarde echt een nummer is en behandel uitzonderingen. - **Gebruik van pandas:** voor grotere datasets en complexere analyses kan je overwegen om de `pandas` bibliotheek te gebruiken, wat veel eenvoudiger en krachtiger is. Wil je dat ik een voorbeeld met pandas voor je maak?

Absoluut! Hier is een volledig Python script dat precies doet wat je vraagt, inclusief gedetailleerde uitleg. ### Python Script ```python import pandas as pd # 1. CSV-bestand inlezen df = pd.read_csv('klantgegevens.csv') # 2. Data bekijken (optioneel, maar handig voor debugging) print("Eerste 5 rijen van de dataset:") print(df.head()) print("\nInformatie over de dataset:") print(df.info()) # 3. Controleren of de 'leeftijd' kolom numeriek is en converteren indien nodig if df['leeftijd'].dtype == 'object': df['leeftijd'] = pd.to_numeric(df['leeftijd'], errors='coerce') # 4. Filteren op klanten ouder dan 30 jaar gefilterde_klanten = df[df['leeftijd'] > 30] # 5. Gefilterde data exporteren naar een nieuw CSV-bestand gefilterde_klanten.to_csv('klanten_ouder_dan_30.csv', index=False) # 6. Bevestiging tonen print(f"\nFiltering voltooid! {len(gefilterde_klanten)} klanten ouder dan 30 jaar zijn opgeslagen in 'klanten_ouder_dan_30.csv'") ``` ### 📋 Vereisten Installeer eerst pandas als je dat nog niet hebt: ```bash pip install pandas ``` ### 🧠 Gedetailleerde Uitleg van de Methoden 1. **`pd.read_csv('bestandsnaam.csv')`** - Leest het CSV-bestand en converteert het naar een DataFrame - DataFrame is een 2D-tabelachtige structuur (vergelijkbaar met Excel) 2. **`df['leeftijd'] > 30`** - Creëert een boolean masker: `True` voor rijen waar leeftijd > 30, `False` voor anderen - Dit wordt gebruikt om de gewenste rijen te selecteren 3. **`df[df['leeftijd'] > 30]`** - Past het boolean masker toe op de DataFrame - Retourneert alleen de rijen die aan de voorwaarde voldoen 4. **`to_csv('bestandsnaam.csv', index=False)`** - Exporteert de DataFrame naar CSV - `index=False` voorkomt dat pandas een extra indexkolom toevoegt ### 🚨 Belangrijke Aannames Het script gaat ervan uit dat: - Het CSV-bestand 'klantgegevens.csv' heet - Er een kolom 'leeftijd' aanwezig is met numerieke waarden - Het bestand in dezelfde map staat als het script ### 🛠️ Suggesties voor Uitbreidingen **1. Dynamische Bestandskeuze:** ```python bestandsnaam = input("Voer bestandsnaam in: ") df = pd.read_csv(bestandsnaam) ``` **2. Foutafhandeling:** ```python try: df = pd.read_csv('klantgegevens.csv') except FileNotFoundError: print("Fout: Bestand niet gevonden!") exit() ``` **3. Extra Filters:** ```python # Filter op leeftijd EN stad gefilterd = df[(df['leeftijd'] > 30) & (df['stad'] == 'Amsterdam')] ``` **4. Meerdere Exportformaten:** ```python # Exporteer naar Excel gefilterde_klanten.to_excel('klanten.xlsx', index=False) # Exporteer naar JSON gefilterde_klanten.to_json('klanten.json', orient='records') ``` **5. Geavanceerde Data Cleaning:** ```python # Verwijder rijen met ontbrekende leeftijden df = df.dropna(subset=['leeftijd']) # Verwijder duplicates df = df.drop_duplicates() ``` **6. Grafische Analyse:** ```python import matplotlib.pyplot as plt # Maak een leeftijdshistogram plt.hist(gefilterde_klanten['leeftijd'], bins=10) plt.title('Leeftijdsverdeling klanten > 30 jaar') plt.savefig('leeftijdsverdeling.png') ``` **7. Command-line Arguments:** ```python import argparse parser = argparse.ArgumentParser() parser.add_argument('--input', required=True, help='Input CSV bestand') parser.add_argument('--output', default='output.csv', help='Output bestand') parser.add_argument('--leeftijd', type=int, default=30, help='Minimum leeftijd') args = parser.parse_args() ``` ### 💡 Tips voor Gebruik - Test altijd eerst met een kleine dataset - Controleer de kolomnamen in je CSV-bestand - Gebruik `print(df.columns)` om alle beschikbare kolommen te zien - Pas de leeftijdsgrens aan naar wens door `> 30` te veranderen Dit script biedt een solide basis die je eenvoudig kunt aanpassen en uitbreiden voor specifieke use cases!