Leer y mirar

import pandas as pd

clientes = pd.read_csv("clientes_crudos.csv")

print("forma:", clientes.shape)
print("columnas:", list(clientes.columns))
print()
print(clientes.head(3).to_string())
print()
print(clientes.tail(2).to_string())

forma: (120, 6)
columnas: ['id', 'nombre', 'correo', 'edad', 'ciudad', 'fecha_alta']

      id            nombre                        correo edad ciudad  fecha_alta
0  C0001          José Paz          jose.paz@example.com   62  Salta  2025-02-20
1  C0002        Lucía Peña        lucia.pena@example.com   48  Salta  2025-01-05
2  C0003  Santiago Herrera  santiago.herrera@example.com   40  Salta  2024-05-12

        id           nombre                    correo edad        ciudad  fecha_alta
118  C0119    carla suárez   carla.suarez@example.com   17       Neuquén  2025-10-01
119  C0120     Walter Silva  walter.silva@example.com   41  Bahía Blanca  2026-03-18

import pandas as pd

clientes = pd.read_csv("clientes_crudos.csv")
clientes.info()

print()
print("Leelo asi:")
print("- 120 entries: el archivo tiene 120 filas.")
print("- 'non-null' es cuantas TIENEN dato, no cuantas faltan.")
print("- edad quedo str y deberia ser un numero: eso es un hallazgo.")

<class 'pandas.DataFrame'>
RangeIndex: 120 entries, 0 to 119
Data columns (total 6 columns):
 #   Column      Non-Null Count  Dtype
---  ------      --------------  -----
 0   id          120 non-null    str  
 1   nombre      118 non-null    str  
 2   correo      118 non-null    str  
 3   edad        117 non-null    str  
 4   ciudad      119 non-null    str  
 5   fecha_alta  120 non-null    str  
dtypes: str(6)
memory usage: 5.8 KB

Leelo asi:
- 120 entries: el archivo tiene 120 filas.
- 'non-null' es cuantas TIENEN dato, no cuantas faltan.
- edad quedo str y deberia ser un numero: eso es un hallazgo.

import pandas as pd

inventario = pd.read_csv("inventario_productos.csv")

print("columnas numericas:")
print(inventario.describe().round(2).to_string())

print()
print("columnas de texto (hay que pedirlas):")
print(inventario.describe(include="str").to_string())

print()
print("Sobre una numerica da minimo, maximo y cuartiles.")
print("Sobre una de texto da conteo, distintos y el mas frecuente.")
print("Y el maximo de cantidad, 999999, ya es una pregunta para hacerle a alguien.")

columnas numericas:
        cantidad  precio_unitario
count      34.00            33.00
mean    29480.68           518.41
std    171486.23           307.25
min        -5.00           -12.30
25%        50.25           326.49
50%        80.50           542.80
75%        97.00           781.78
max    999999.00           918.40

columnas de texto (hay que pedirlas):
       codigo          producto   categoria
count      35                35          35
unique     35                35          11
top      P001  Teclado mecánico  Accesorios
freq        1                 1           5

Sobre una numerica da minimo, maximo y cuartiles.
Sobre una de texto da conteo, distintos y el mas frecuente.
Y el maximo de cantidad, 999999, ya es una pregunta para hacerle a alguien.

import pandas as pd

print("pandas", pd.__version__)

clientes = pd.read_csv("clientes_crudos.csv")
print()
print(clientes.dtypes)

print()
print("Dos cosas que hay que saber de esta salida:")
print("1) En pandas 3 una columna de texto es 'str'. Casi todo lo que")
print("   encuentres buscando dice 'object': es pandas 2 o anterior.")
print("2) edad tambien dice str, y eso NO es normal: deberia ser un numero.")

edad = clientes["edad"]
print()
print("los valores de edad que no son un numero:")
print(edad[~edad.str.fullmatch(r"-?\d+")].value_counts(dropna=False).to_string())

pandas 3.0.5

id            str
nombre        str
correo        str
edad          str
ciudad        str
fecha_alta    str
dtype: object

Dos cosas que hay que saber de esta salida:
1) En pandas 3 una columna de texto es 'str'. Casi todo lo que
   encuentres buscando dice 'object': es pandas 2 o anterior.
2) edad tambien dice str, y eso NO es normal: deberia ser un numero.

los valores de edad que no son un numero:
edad
NaN        3
treinta    3
-          1

import pandas as pd

clientes = pd.read_csv("clientes_crudos.csv")

print("Las 5 primeras filas, que es lo unico que mira casi todo el mundo:")
print(clientes.head().to_string())

print()
print("Y ahora las mismas columnas, contadas sobre las 120:")
edad = clientes["edad"]
print("edades que no son un numero :", int((~edad.str.fullmatch(r"-?\d+")).sum()))
print("correos sin arroba          :",
      int((~clientes["correo"].fillna("").str.contains("@", regex=False)).sum()))
print("nombres con espacios de mas :",
      int((clientes["nombre"].fillna("") != clientes["nombre"].fillna("").str.strip()).sum()))

print()
print("Ninguno de esos problemas aparece en las 5 primeras filas.")
print("head() sirve para ver COMO es el archivo, no COMO ESTA.")

Las 5 primeras filas, que es lo unico que mira casi todo el mundo:
      id            nombre                        correo edad   ciudad  fecha_alta
0  C0001          José Paz          jose.paz@example.com   62    Salta  2025-02-20
1  C0002        Lucía Peña        lucia.pena@example.com   48    Salta  2025-01-05
2  C0003  Santiago Herrera  santiago.herrera@example.com   40    Salta  2024-05-12
3  C0004    José Rodríguez    jose.rodriguez@example.com   67   Paraná  2024-08-11
4  C0005  Walter Gutiérrez  walter.gutierrez@example.com   34  Rosario  2026-01-01

Y ahora las mismas columnas, contadas sobre las 120:
edades que no son un numero : 7
correos sin arroba          : 11
nombres con espacios de mas : 16

Ninguno de esos problemas aparece en las 5 primeras filas.
head() sirve para ver COMO es el archivo, no COMO ESTA.