Cómo leer un archivo CSV en un DataFrame en Databricks

João Barros 07 de July de 2026 4 min de lectura

Leer un archivo CSV en un DataFrame es el primer paso de casi todos los trabajos de datos en Databricks. Una vez que los datos están en un DataFrame, puedes filtrarlos, transformarlos y guardarlos en tablas Delta. El formato CSV sigue siendo una de las formas más comunes de intercambiar datos, así que importarlo correctamente evita muchos problemas más adelante. Esta guía muestra, de forma sencilla y reproducible, cómo subir un CSV y leerlo con PySpark, aunque estés dando tus primeros pasos en la plataforma.

Requisitos previos

Acceso a un workspace de Databricks con permiso para ejecutar un notebook.
Un cluster conectado al notebook (en estado running).
Un archivo CSV para subir, por ejemplo vendas.csv, con los nombres de las columnas en la primera línea.

Paso 1: Subir el archivo a Databricks

Antes de poder leer el archivo, este debe ser accesible para el cluster. La forma más sencilla es a través de la interfaz: en el menú lateral, abre Catalog y sube el CSV a un volumen de Unity Catalog. El archivo queda disponible en una ruta como /Volumes/main/default/dados/vendas.csv. En workspaces más antiguos puedes usar DBFS, con una ruta del tipo /FileStore/tables/vendas.csv. Puedes arrastrar el archivo a la ventana de carga o elegirlo desde tu ordenador; guarda la ruta mostrada, porque la necesitarás en el paso de lectura.

Paso 2: Crear un notebook

Crea un notebook nuevo y conéctalo al cluster. Define el lenguaje predeterminado como Python. Vas a usar la variable spark, que ya existe en cualquier notebook de Databricks y representa la sesión Spark activa — no necesitas crearla.

Paso 3: Leer el CSV en un DataFrame

Usa spark.read con dos opciones importantes: header, para tratar la primera línea como nombres de columnas, e inferSchema, para que Spark deduzca automáticamente los tipos de datos (números, fechas y texto):

df = (spark.read
      .format("csv")
      .option("header", "true")
      .option("inferSchema", "true")
      .load("/Volumes/main/default/dados/vendas.csv"))

También existe una forma más corta, con exactamente el mismo resultado. Guardar el resultado en una variable llamada df es solo una convención; puedes usar cualquier nombre:

df = spark.read.csv(
    "/Volumes/main/default/dados/vendas.csv",
    header=True, inferSchema=True)

Consejo: la opción inferSchema obliga a Spark a leer el archivo dos veces. Para archivos muy grandes, definir el esquema a mano es más rápido.

Paso 4: Ver los datos y confirmar los tipos

Para inspeccionar el contenido en una tabla interactiva, usa display. Para ver la estructura de las columnas y los tipos que Spark dedujo, usa printSchema:

display(df)
df.printSchema()

Si un valor numérico se leyó como texto, la causa suele ser el separador. Muchos archivos usan punto y coma en lugar de coma; en ese caso, añade .option("sep", ";") a la lectura.

Paso 5: Guardar el DataFrame en una tabla Delta (opcional)

Si quieres reutilizar los datos en otros notebooks o consultarlos en SQL, guarda el DataFrame como una tabla gestionada en formato Delta. Así los datos quedan versionados y disponibles para todo el equipo:

df.write.format("delta").saveAsTable("vendas")

A partir de ese momento, puedes consultar la tabla en una celda SQL con una instrucción SELECT sobre la tabla vendas.

Comprobar el resultado

Confirma que los datos se leyeron como esperabas. La función df.count() devuelve el número de filas y df.show(5) muestra las primeras cinco:

print(df.count())
df.show(5)

Compara el número de filas con el tamaño del archivo original; si difieren mucho, puede haber filas mal formateadas o un separador incorrecto. Si el total de filas es cero, o si los nombres de las columnas aparecen como _c0 y _c1, revisa la ruta del archivo y confirma que la opción header está activada.

Conclusión

Ya tienes un archivo CSV convertido en un DataFrame listo para usar y, si quisiste, guardado como una tabla Delta que puedes consultar en SQL. A partir de aquí puedes tratar valores faltantes, convertir tipos o unir otras tablas para tu análisis. ¿Cuál será la primera pregunta que le harás a estos datos?