CSV frente a Excel — qué cambia de verdad

Un CSV es texto. Ese es el formato entero.

Un CSV son líneas de caracteres separadas por comas. No hay nada más: ni tipos de celda, ni fórmulas, ni formato, ni varias hojas, ni anchos de columna. `007` en un CSV son tres caracteres, ni un número ni una cadena; el archivo no dice cuál.

Un .xlsx es lo contrario: un paquete comprimido que registra, para cada celda, qué clase de valor contiene y cómo debe verse. Por eso pesa más y por eso sobrevive intacto a una ida y vuelta.

Lo que Excel le hace a tus datos al abrir un CSV

Como el archivo no declara tipos, Excel los infiere. Sus conjeturas son razonables en el caso medio y destructivas en casos concretos:

• Los ceros a la izquierda desaparecen. `007` se vuelve `7`. Códigos postales, números de cuenta y referencias son las víctimas habituales.
• Lo que parece una fecha se vuelve fecha. `1-2` pasa a ser 2 de enero. Esto obligó a los genetistas a renombrar genes porque Excel convertía SEPT2 en una fecha.
• Los números largos pasan a notación científica y pierden su cola. Un identificador de 16 dígitos puede volver como `1.23457E+15`, y los dígitos perdidos no se recuperan cambiando el formato después.
• Y el daño se guarda cuando guardas. El archivo original era correcto; el que Excel escribe de vuelta, no.

Por qué tu CSV sale con caracteres raros o todo en una columna

Dos problemas distintos, ambos sobre supuestos que el archivo no puede declarar.

La codificación. Un CSV no registra su codificación de caracteres. Excel en Windows ha asumido históricamente la página de códigos local en vez de UTF-8, y por eso llegan destrozados los textos con acentos, el coreano o el japonés. Una marca de orden de bytes UTF-8 al principio suele arreglarlo.

El separador. En los países donde la coma es el separador decimal, las hojas de cálculo escriben y esperan punto y coma. Abre uno de esos archivos en otro sitio y cada fila cae en una sola columna. El archivo no está roto; los dos programas no se ponen de acuerdo sobre qué significa una coma.

Cuando el archivo es sencillamente demasiado grande

Una hoja de cálculo tiene un techo duro de algo más de 1.048.576 filas, y se vuelve lenta mucho antes porque carga todo en memoria para que todo sea editable.

Pasado cierto tamaño lo correcto es dejar de abrir el archivo y empezar a hacerle preguntas. Selecciona unas columnas, filtra, agrupa, cuenta: tienes la respuesta en segundos sin que la máquina intente dibujar millones de celdas que nunca ibas a mirar.

Parquet, en breve

Si el CSV te falla una y otra vez, Parquet es a donde se pasó el mundo del análisis. Guarda los tipos dentro del archivo, así que no se adivina nada. Guarda por columnas en vez de por filas, así que leer tres columnas de cincuenta lee más o menos tres columnas de bytes. Y comprime bien: suele ocupar entre cinco y diez veces menos que el mismo CSV.

El precio es que no puedes abrirlo en un editor de texto. Es un formato para consultar, no para mirar.