Pandas - read_csv

read_csv() Fonksiyonu

read_csv fonksiyonu, Pandas kütüphanesinin en önemli araçlarından biridir ve temel olarak virgülle ayrılmış değerler (CSV) formatındaki dosyaları okuyarak bunları Veri Çerçevesi (DataFrame) adı verilen, satır ve sütunlardan oluşan tablo yapısına dönüştürmek için kullanılır.

Basitçe söylemek gerekirse, bu fonksiyon, bilgisayarınızdaki bir veri dosyasını (örneğin, bir Excel dosyasının dışa aktarılan hali gibi) alır ve Python'da kolayca analiz edebileceğiniz, düzenleyebileceğiniz ve işleyebileceğiniz bir tabloya çevirir.

Sözdizimi:

pandas.read_csv(filepath_or_buffer, *, sep=<no_default>, 
        delimiter=None, header='infer', names=<no_default>, 
        index_col=None, usecols=None, dtype=None, engine=None, 
        converters=None, true_values=None, false_values=None, 
        skipinitialspace=False, skiprows=None, skipfooter=0, 
        nrows=None, na_values=None, keep_default_na=True, 
        na_filter=True, verbose=<no_default>, skip_blank_lines=True, 
        parse_dates=None, infer_datetime_format=<no_default>, 
        keep_date_col=<no_default>, date_parser=<no_default>, 
        date_format=None, dayfirst=False, cache_dates=True, 
        iterator=False, chunksize=None, compression='infer', 
        thousands=None, decimal='.', lineterminator=None, 
        quotechar='"', quoting=0, doublequote=True, escapechar=None, 
        comment=None, encoding=None, encoding_errors='strict', 
        dialect=None, on_bad_lines='error', 
        delim_whitespace=<no_default>, low_memory=True,  
        memory_map=False, float_precision=None, storage_options=None, 
        dtype_backend=<no_default>)

Temel İşlevi:

pandas.read_csv()'nin yaptığı şey budur:

1. Dosyayı bulur ve açar: Fonksiyona verdiğiniz dosya yolundaki (veya URL'deki) CSV dosyasını açar.

2. Veriyi okur: Dosyanın içeriğini satır satır okur.

3. Ayırıcıyı kullanır: Her satırdaki verilerin hangi karakterle ayrıldığını (genellikle , virgül, ama bazen ; noktalı virgül veya \t sekme olabilir) belirler.

4. Tablo oluşturur: Okuduğu veriyi kullanarak bir Pandas DataFrame oluşturur. Bu DataFrame, veriyi tablo şeklinde (sütun başlıkları ve satır indeksleri ile) temsil eder.

Bu fonksiyon, dosyanın nerede olduğunu, hangi ayırıcı karakterin kullanıldığını, hangi satırın başlık (header) olduğunu, hangi sütunların veri tipi (dtype) olduğunu ve daha birçok şeyi kontrol etmeniz için çok sayıda parametreye sahiptir.

Başlıca Parametreleri:

pandas.read_csv() fonksiyonunun en sık kullanılan ve en önemli parametreleri aşağıda tablo halinde açıklanmıştır:

header parametresi

read_csv () fonksiyonu, CSV dosyasındaki ilk satırı varsayılan olarak bir başlık kabul eder ve bunu Veri Çerçevesi (DataFrame) sütun adları olarak kullanır. CSV dosyasındaki ilk satırın başlık değil, bir veri olduğu düşünüldüğünde, yani sadece verilerden oluşan CSV dosyası ile çalıştığımızda, header=None parametresi kullanılmalıdır.

İlk olarak bir CSV dosyasını çalışmamıza dahil edip içeriğine bakalım.

import pandas as pd

basliksiz = pd.read_csv("Veri_Setleri/basliksiz.csv")
print(basliksiz

Yukarıdaki örnekte gördüğünüz üzere, ilk satır başlık değil, veriden oluşuyor. Bunu header=None parametresi ile düzenleyelim.

basliksiz = pd.read_csv("Veri_Setleri/basliksiz.csv", header = None )
print(basliksiz

Bu durumda sütun isimleri (0, 1, 2) otomatik olarak atanır.

names Parametresi

Sadece verilerden oluşan yani başlık satırı bulunmayan bir CSV dosyası ile çalıştığımızda, header=None parametresi kullanılmalıdır demiştik. Bu durumda Başlık (sütun adlarını) belirtmek için names parametresi kullanılmalı. names parametresine değer olarak, sütun sayısı ile eş uzunlukta bir liste tipi veri atanmalı.

Yukarıdaki örnekte gördüğünüz üzere, ilk satır başlık değil, veriden oluşuyor. Bunu header=None ve names parametreleri ile düzenleyelim.

baslik = ["Birler", "Onlar", "Yüzler"]
basliksiz = pd.read_csv("Veri_Setleri/basliksiz.csv", 
                            header = None, names = baslik )
print(basliksiz

sep veya delimiter Parametreleri:

Çalıştığımız dosyada verileri birbirinden ayırmak için kullanılan karakteri belirtmek için sep ya da delimiter parametreleri kullanılır. İkisi de aynı sonucu verir. Örneğin, dosyadaki bilgiler birbirinden noktalı virgülle ayrılmışsa (örneğin: name; age; city), sep=';' olarak ayarlanır.

Örnek Verimiz (csv dosya içeriğimiz);

 0   | 9   | 82  | 246 
 1   | 7   | 78  | 180 
 2   | 8   | 83  | 565 
 3   | 6   | 82  | 486 
 4   | 4   | 37  | 615 

Elimizde, yukarıdaki gibi | pipe karakteri ile ayrılmış verilerden oluşan bir csv dosyası olduğunu düşünürsek, read_csv() metodunun sep ya da delimiter parametresini | pipe karakteri ile işaret etmemiz gerekir.

import pandas as pd

baslik = ["Birler", "Onlar", "Yüzler"]

df = pd.read_csv("csv.csv", 
            delimiter = "|", # sep  = "|" ifadesi de yazılabilir
            header = None, names = baslik)
print(df)

Çıktı:

   Birler  Onlar  Yüzler
0       9     82     246
1       7     78     180
2       8     83     565
3       6     82     486
4       4     37     615

index_col Parametresi

index_col parametresini anlatmak için nba.csv isimli dosyasınının içeriğini çalışmamıza aktarıp, veri çerçevesine dönüştürelim;

import pandas as pd
nba_csv = pd.read_csv("Veri_Setleri/nba.csv")
print(nba_csv)

Harici kaynaktan veri alarak oluşturduğumuz veri çerçevesinin indeks değerini, istediğimiz sütuna eşitleyebiliriz. Bunu yapmak için index_col parametresini kullanmalıyız. Örneğin NBA oyuncularının verileri barındıran CSV uzantılı dosyanın Name Sütununu, veri çerçevemizin indeks sütunu haline getirip veri çerçevemize göz atalım.

nba_csv = pd.read_csv("Veri_Setleri/nba.csv", index_col="Name")
print(nba_csv.head())

Gördüğünüz gibi artık indeks bilgileri, Oyuncu isimlerine dönüşmüş oldu.

F-String ile Veri Biçimlendirmek

Ondalık Ayırıcı

CSV dosyası okurken birlikte kullanılabilecek pek çok parametre vardır. Kodun okunurluğunu artırmak adına aşağıdaki gibi farklı yazım tarzı da kullanılabilir. Bir örnekle açıklayalım.

import pandas as pd

df = (pd
        .read_csv("nba.csv", index_col="Name")
        .groupby("Team")["Age"].mean()
        .nlargest(10)
        .map(lambda x: f"{x:.2f}")
    )

Yukarıdaki kodun çıktısına print(df) komutu ile bakıp, kod parçalarını teker teker açıklayalım.

Çıktı:

Team
San Antonio Spurs        31.60
Dallas Mavericks         29.73
Cleveland Cavaliers      29.53
Los Angeles Clippers     29.47
Miami Heat               28.93
Memphis Grizzlies        28.39
Atlanta Hawks            28.20
Washington Wizards       27.87
Golden State Warriors    27.67
Los Angeles Lakers       27.53
Name: Age, dtype: object

Kod parçalarını açıklayalım;

.read_csv("nba.csv", index_col="Name")

Bu kod, py uzantılı dosya ile aynı konumdaki nba.csv dosyasını, veri çerçevesine dönüştürüp df adına atar. index bilgisi olarak Name sütunu ayarlanır.

.groupby("Team")["Age"].mean()

Team yani Takım adına göre gruplama yapılır, Age yani Yaş ortalamaları hesaplatılır.

.nlargest(10)

En büyük 10 değer seçilir.

.map(lambda x: f"{x:.2f}")

Hesaplanan yaş ortalamalarının ondalık kısmı 2 basamakla sınırlandırılır.

Binlik Ayırıcı

Bir de Salary (Maaş) bilgilerine göre sıralama yapalım ve binlik ayırıcıyı görelim.

Maaş ortalamalarına göre en yüksek 15 Takım bilgisini görelim;

import pandas as pd

df = (pd
        .read_csv("nba.csv", index_col="Name")
        .groupby("Team")["Salary"].mean()
        .nlargest(15)
        .map(lambda x: f"${x:.2f}")
    )

print(df)

Çıktı:

Team
Cleveland Cavaliers      $7642049.21
Miami Heat               $6347359.46
Los Angeles Clippers     $6323642.67
Oklahoma City Thunder    $6251019.87
Golden State Warriors    $5924599.80
Chicago Bulls            $5785558.53
San Antonio Spurs        $5629515.53
Memphis Grizzlies        $5467920.00
Charlotte Hornets        $5222728.00
Washington Wizards       $5088575.73
Houston Rockets          $5018868.07
Atlanta Hawks            $4860196.67
Los Angeles Lakers       $4784695.40
Sacramento Kings         $4778911.07
Dallas Mavericks         $4746582.13
Name: Salary, dtype: object

Ondalık ayırıcı 2 basamakla sınırlandırıldı ancak binlik ayırıcı ayarlanmadı. O nedenle ücretlerin okunması zor. Kodun .map(lambda x: f"${x:.2f}" kısmında .2f 'ten önce virgül konulursa .map(lambda x: f"${x:,.2f}" binlik ayırıcı olarak virgül belirlenmiş olur. f"${x:,.2f} ifadeki $ ifadesi ise değerin önüne dolar sembolü ($) eklemek için kullanılır. `Kodu ve çıktısını görelim;

import pandas as pd

df = (pd
        .read_csv("nba.csv", index_col="Name")
        .groupby("Team")["Salary"].mean()
        .nlargest(15)
        .map(lambda x: f"${x:,.2f}")
    )

print(df)

Çıktı:

Team
Cleveland Cavaliers      $7,642,049.21
Miami Heat               $6,347,359.46
Los Angeles Clippers     $6,323,642.67
Oklahoma City Thunder    $6,251,019.87
Golden State Warriors    $5,924,599.80
Chicago Bulls            $5,785,558.53
San Antonio Spurs        $5,629,515.53
Memphis Grizzlies        $5,467,920.00
Charlotte Hornets        $5,222,728.00
Washington Wizards       $5,088,575.73
Houston Rockets          $5,018,868.07
Atlanta Hawks            $4,860,196.67
Los Angeles Lakers       $4,784,695.40
Sacramento Kings         $4,778,911.07
Dallas Mavericks         $4,746,582.13
Name: Salary, dtype: object

Görüldüğü gibi, maaşın binlik kısımları virgül ile ayrılmı oldu ve okunurluğu kolaylaştırıldı.

İstersek Binlik ayırıcı olarak virgül , yerine alt çizgi _ karakteri de kullanılabilir.

import pandas as pd

df = (pd
        .read_csv("nba.csv", index_col="Name")
        .groupby("Team")["Salary"].mean()
        .nlargest(15)
        .map(lambda x: f"${x:_.2f}")
    )

print(df)

Çıktı:

Team
Cleveland Cavaliers      $7_642_049.21
Miami Heat               $6_347_359.46
Los Angeles Clippers     $6_323_642.67
Oklahoma City Thunder    $6_251_019.87
Golden State Warriors    $5_924_599.80
Chicago Bulls            $5_785_558.53
San Antonio Spurs        $5_629_515.53
Memphis Grizzlies        $5_467_920.00
Charlotte Hornets        $5_222_728.00
Washington Wizards       $5_088_575.73
Houston Rockets          $5_018_868.07
Atlanta Hawks            $4_860_196.67
Los Angeles Lakers       $4_784_695.40
Sacramento Kings         $4_778_911.07
Dallas Mavericks         $4_746_582.13
Name: Salary, dtype: object

F-String konusunu incelemek isterseniz, konunun detaylarına BURADAN ulaşabilirsiniz.

Kaynaklar:

• pandas.read_csv — pandas 2.3.3 documentation

• Google Gemini