# Sådan indlæses filer i Python med pandas read\_csv()

Python pandas `read_csv()` er en af de mest anvendte metoder til **at læse CSV-filer ind i pandas og gemme dem som DataFrames**. CSV-filer (*kommaseparerede værdier*) er et udbredt format til lagring af tabelformede data og understøttes af mange applikationer.

## Hvad er syntaksen for Python pandas `read_csv()`?

`pandas.read_csv()` opretter en [pandas DataFrame](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe/) fra en CSV-fil. Den grundlæggende syntaks for funktionen ser således ud:

```python
import pandas as pd
df = pd.read_csv(filepath_or_buffer, sep=',', header='infer', names=None, index_col=None, usecols=None, dtype=None, ...)
```

### Hvad er de vigtigste parametre for `pandas.read_csv()`?

`pandas.read_csv()` kan acceptere **en lang række parametre**. For at gøre det enkelt vil vi fokusere på de vigtigste argumenter. Her er en oversigt over de vigtigste parametre, du kan bruge til at angive, hvordan funktionen skal fungere:

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Betydning</strong></th>
      <th><strong>Standardværdi</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`filepath_or_buffer`</td>
      <td>Dette er en Python-streng, der repræsenterer stien til CSV-filen eller en databuffer, f.eks. en URL.</td>
      <td></td>
    </tr>
    <tr>
      <td>`sep`</td>
      <td>Dette angiver afgrænseren mellem værdier.</td>
      <td>`,`</td>
    </tr>
    <tr>
      <td>`header`</td>
      <td>Angiver, hvilken række der skal bruges som overskrift.</td>
      <td>`infer` (første række)</td>
    </tr>
    <tr>
      <td>`names`</td>
      <td>Hvis `header=None` er indstillet, kan du bruge `names` til at angive en Python-liste over kolonnenavne.</td>
      <td></td>
    </tr>
    <tr>
      <td>`index_col`</td>
      <td>Bestemmer, hvilken kolonne der skal bruges som indeks.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`usecols`</td>
      <td>Denne parameter giver dig mulighed for at vælge, hvilke kolonner du vil indlæse i DataFrame.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`dtype`</td>
      <td>Angiver datatypen for kolonnerne.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Du kan finde en omfattende liste over parametrene for denne funktion i [pandas-dokumentationen](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html).

## Sådan får du adgang til CSV-filer trin for trin

Med `pandas.read_csv()` kan du nemt overføre data fra CSV-filer til Python i blot få trin.

I de følgende eksempler arbejder vi med en CSV-fil, der er struktureret som følger:

```none
1,John Avery,35,Nottingham,50000
2,Adelaide Smith,29,London,62000
3,Michael Rivera,41,Cardiff,40000
4,Grace Kim,33,Hull,35000
5,Tyler Johnson,28,Kent,52000
```

### Trin 1: Importer pandas

Først skal du importere pandas-biblioteket til dit Python-script.

```python
import pandas as pd
```

### Trin 2: Indlæs CSV-filen

Nu kan du indlæse din CSV-fil til Python pandas ved hjælp af funktionen `read_csv()`. Du skal blot overføre **filstien** til funktionen. I den følgende kode bruger vi en fil ved navn *data.csv*, som er gemt i samme mappe som scriptet:

```python
df = pd.read_csv('data.csv')
```

Ovenstående kode gemmer filen i et DataFrame-objekt (`df`), som vi derefter kan arbejde med. **Pandas fortolker automatisk den første række som kolonneoverskrifter**, medmindre du angiver andet.

### Trin 3: Vis CSV-filen

Det er en god idé at kigge på de **første par rækker i DataFrame** for at sikre, at filen er indlæst korrekt. Du kan bruge funktionen `DataFrame.head()` til dette. Som standard viser den de første fem rækker i DataFrame, hvilket giver dig et hurtigt overblik over datastrukturen:

```python
print(df.head())
```

Resultatet ser således ud:

```none
0  1        John Avery   35      Nottingham  	50000
1  2    Adelaide Smith   29   	 London 	    62000
2  3   Michael Rivera    41      Cardiff	   	40000
3  4        Grace Kim    33      Hull 		    35000
4  5    Tyler Johnson    28      Kent   		52000
```

### Trin 4: Skift kolonnenavnene (valgfrit)

Hvis din CSV-fil ikke har en overskriftsrække, kan du definere kolonnenavnene manuelt:

```python
df = pd.read_csv('data.csv', header=None, names=['ID', 'Name', 'Age', 'City', 'Salary'])
```

I dette eksempel har vi navngivet kolonnerne *ID*, *Navn*, *Alder*, *By* og *Løn*. Resultatet ser således ud:

```none
ID                Name    	Age            City    	Salary
0  1          John Avery    	35        Nottingham    50000
1  2     Adelaide Smith    	29    	London        62000
2  3    Michael Rivera    	41        Cardiff    	40000
3  4          Grace Kim    	33        Hull        	35000
4  5     Tyler Johnson    	28        Kent        52000
```

Note I det eksempel, vi brugte, var der en lille mængde data, hvilket gjorde det nemt at administrere. Men hvis du har en **stor CSV-fil**, er det en god idé at læse den ind i pandas i bidder for at undgå hukommelsesproblemer. Du kan bruge parameteren `pandas.read_csv()` `chunksize` til at angive, hvor mange rækker der skal læses ad gangen. Ved hjælp af en Python for-loop kan du gentage over bidder.


This is a markdown version of: [https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-read-csv/](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-read-csv/) for AI/LLM consumption.