# Πώς να φορτώσετε αρχεία στο Python με το pandas read\_csv()

Το Python pandas `read_csv()` είναι μία από τις πιο συχνά χρησιμοποιούμενες μεθόδους για **την ανάγνωση αρχείων CSV σε pandas και την αποθήκευσή τους ως DataFrames**. Τα αρχεία CSV (*comma-separated values*) είναι μια ευρέως χρησιμοποιούμενη μορφή για την αποθήκευση δεδομένων σε πίνακες και υποστηρίζονται από πολλές εφαρμογές.

## Ποια είναι η σύνταξη για το Python pandas `read_csv()`;

`pandas.read_csv()` δημιουργεί ένα [DataFrame pandas](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe/) από ένα αρχείο CSV. Η βασική σύνταξη της συνάρτησης έχει την εξής μορφή:

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

### Ποιοι είναι οι πιο σημαντικοί παράμετροι για `pandas.read_csv()`;

`pandas.read_csv()` μπορεί να δεχτεί **μια μεγάλη ποικιλία παραμέτρων**. Για να διατηρήσουμε τα πράγματα απλά, θα επικεντρωθούμε στα πιο σημαντικά επιχειρήματα. Ακολουθεί μια επισκόπηση των βασικών παραμέτρων που μπορείτε να χρησιμοποιήσετε για να καθορίσετε τον τρόπο λειτουργίας της συνάρτησης:

<table>
  <thead>
    <tr>
      <th><strong>Παράμετρος</strong></th>
      <th><strong>Σημασία</strong></th>
      <th><strong>Προεπιλεγμένη τιμή</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`filepath_or_buffer`</td>
      <td>Πρόκειται για μια συμβολοσειρά Python που αντιπροσωπεύει τη διαδρομή προς το αρχείο CSV ή ένα buffer δεδομένων, όπως μια διεύθυνση URL.</td>
      <td></td>
    </tr>
    <tr>
      <td>`sep`</td>
      <td>Αυτό καθορίζει το διαχωριστικό μεταξύ των τιμών.</td>
      <td>`,`</td>
    </tr>
    <tr>
      <td>`header`</td>
      <td>Υποδεικνύει ποια σειρά θα χρησιμοποιηθεί ως κεφαλίδα.</td>
      <td>`infer` (πρώτη σειρά)</td>
    </tr>
    <tr>
      <td>`names`</td>
      <td>Εάν έχει οριστεί `header=None`, μπορείτε να χρησιμοποιήσετε `names` για να παρέχετε μια λίστα Python με ονόματα στηλών.</td>
      <td></td>
    </tr>
    <tr>
      <td>`index_col`</td>
      <td>Καθορίζει ποια στήλη θα χρησιμοποιηθεί ως δείκτης.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`usecols`</td>
      <td>Αυτή η παράμετρος σας επιτρέπει να επιλέξετε ποιες στήλες θέλετε να φορτώσετε στο DataFrame.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`dtype`</td>
      <td>Καθορίζει τον τύπο δεδομένων των στηλών.</td>
      <td>`None`</td>
    </tr>
  </tbody>
</table>

Μπορείτε να βρείτε μια ολοκληρωμένη λίστα των παραμέτρων για αυτή τη λειτουργία στην [τεκμηρίωση](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html) του [pandas](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html).

## Πώς να αποκτήσετε πρόσβαση σε αρχεία CSV βήμα προς βήμα

Χρησιμοποιώντας `pandas.read_csv()`, μπορείτε εύκολα να μεταφέρετε δεδομένα από αρχεία CSV στο Python με λίγα μόνο βήματα.

Στα παρακάτω παραδείγματα, θα εργαστούμε με ένα αρχείο CSV που έχει την εξής δομή:

```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
```

### Βήμα 1: Εισαγωγή pandas

Πρώτα, εισαγάγετε τη βιβλιοθήκη pandas στο σενάριο Python.

```python
import pandas as pd
```

### Βήμα 2: Φορτώστε το αρχείο CSV

Τώρα, μπορείτε να φορτώσετε το αρχείο CSV στο Python pandas χρησιμοποιώντας τη συνάρτηση `read_csv()`. Απλά περάστε τη **διαδρομή του αρχείου** στη συνάρτηση. Στον παρακάτω κώδικα, θα χρησιμοποιήσουμε ένα αρχείο με το όνομα *data.csv*, το οποίο είναι αποθηκευμένο στον ίδιο κατάλογο με το σενάριο:

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

Ο παραπάνω κώδικας αποθηκεύει το αρχείο σε ένα αντικείμενο DataFrame (`df`), με το οποίο θα μπορούμε στη συνέχεια να εργαστούμε. **Το Pandas θα ερμηνεύσει αυτόματα την πρώτη σειρά ως κεφαλίδες στηλών**, εκτός αν ορίσετε διαφορετικά.

### Βήμα 3: Εμφάνιση του αρχείου CSV

Είναι καλή ιδέα να ρίξετε μια ματιά στις **πρώτες σειρές του DataFrame** για να βεβαιωθείτε ότι το αρχείο έχει φορτωθεί σωστά. Μπορείτε να χρησιμοποιήσετε τη συνάρτηση `DataFrame.head()` για αυτό. Από προεπιλογή, εμφανίζει τις πρώτες πέντε σειρές του DataFrame, δίνοντάς σας μια γρήγορη επισκόπηση της δομής των δεδομένων:

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

Το αποτέλεσμα έχει την εξής μορφή:

```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
```

### Βήμα 4: Αλλάξτε τα ονόματα των στηλών (προαιρετικό)

Εάν το αρχείο CSV δεν έχει γραμμή κεφαλίδας, μπορείτε να ορίσετε τα ονόματα των στηλών χειροκίνητα:

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

Σε αυτό το παράδειγμα, ονομάσαμε τις στήλες *ID*, *Όνομα*, *Ηλικία*, *Πόλη* και *Μισθός*. Το αποτέλεσμα έχει την εξής μορφή:

```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 Στο παράδειγμα που χρησιμοποιήσαμε, υπήρχε μικρή ποσότητα δεδομένων, γεγονός που το έκανε εύκολο στη διαχείριση. Ωστόσο, αν έχετε ένα **μεγάλο αρχείο CSV**, είναι καλή ιδέα να το διαβάσετε στο pandas σε τμήματα για να αποφύγετε προβλήματα μνήμης. Μπορείτε να χρησιμοποιήσετε την παράμετρο `pandas.read_csv()` `chunksize` για να καθορίσετε πόσες σειρές θα διαβάσετε κάθε φορά. Χρησιμοποιώντας έναν βρόχο Python for, μπορείτε να επαναλάβετε τα τμήματα.


This is a markdown version of: [https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-read-csv/](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-read-csv/) for AI/LLM consumption.