آموزش read_csv و read_excel در pandas

سلام رفیق برنامه‌نویس! اگه با داده‌ها سر و کار داری، حتماً می‌دونی که اول از همه باید اونا رو بیاری تو محیط کارِت. تو پایتون و با کتابخونه خفن پانداس، دو تا ابزار فوق‌العاده کاربردی برای این کار داریم: read_csv و read_excel. این دو تا تابع مثل جادوگر عمل می‌کنن و فایل‌های CSV و اکسل رو یه دست و تمیز تبدیل می‌کنن به DataFrame که عشق کنیم باهاشون کار کنیم.

هدف این مقاله اینه که از صفر تا صدِ استفاده از این دو تا تابع رو با هم یاد بگیریم، از ساده‌ترین حالت تا پیچیده‌ترین تنظیمات. قراره کاری کنیم که دیگه هیچ فایلی نتونه جلوی تحلیل‌هات رو بگیره! راستی، اگه دنبال ابزارها و کدهای آماده بیشتری هستی، حتماً سری به فروشگاه ابزارهای ما بزن. اونجا کلی چیز باحال برای راحتی کارِت پیدا می‌کنی.

💡 نقشه راه سریع: گنجینه داده‌ها در دستان تو!

همه اینها رو با مثال‌های عملی و کدهای آماده یاد می‌گیریم! 📞 09202232789

نام,سن,شهر
علی,25,تهران
سارا,30,اصفهان
رضا,22,شیراز

import pandas as pd

# فایل CSV رو می‌خونیم
df = pd.read_csv('data.csv')

# DataFrame رو نمایش می‌دیم
print(df)

خروجی:

   نام  سن    شهر
0  علی  25  تهران
1  سارا  30  اصفهان
2  رضا  22  شیراز

1;علی;25;تهران
2;سارا;30;اصفهان
3;رضا;22;شیراز

df_no_header = pd.read_csv(
    'semicolon_data.csv',
    sep=';',           # جداکننده رو سیمی‌کالن تعیین می‌کنیم
    header=None,       # می‌گیم فایل هدر نداره
    names=['ID', 'نام', 'سن', 'شهر'] # خودمون اسم ستون‌ها رو می‌ذاریم
)
print(df_no_header)

try:
    df_persian = pd.read_csv('persian_data.csv', encoding='utf-8')
except UnicodeDecodeError:
    print("خطا در UTF-8. امتحان با windows-1256...")
    df_persian = pd.read_csv('persian_data.csv', encoding='windows-1256')

print(df_persian.head())

نکته مهم: همیشه اول با 'utf-8' شروع کن و اگه خطا دادی، برو سراغ 'windows-1256' یا 'latin1'. این بهترین استراتژی برای حل مشکل کدینگ هست.

# فرض کن data_large.csv خیلی بزرگه
chunk_iterator = pd.read_csv('data_large.csv', chunksize=10000) # هر بار 10000 ردیف

total_rows = 0
for chunk in chunk_iterator:
    # اینجا هر کاری که می‌خوای با هر تیکه (chunk) انجام بده
    total_rows += len(chunk)
    # مثلاً می‌تونی chunk رو ذخیره کنی یا پردازش کنی

print(f"تعداد کل ردیف‌ها: {total_rows}")

# Sheet1
میوه,قیمت,تعداد
سیب,10000,50
پرتقال,15000,30
موز,20000,20

import pandas as pd

# فایل اکسل رو می‌خونیم
df_excel = pd.read_excel('sample.xlsx')

print(df_excel)

خروجی:

     میوه  قیمت  تعداد
0    سیب  10000   50
1  پرتقال  15000   30
2    موز  20000   20

# خوندن یک شیت خاص با نام
df_products = pd.read_excel('multi_sheet.xlsx', sheet_name='محصولات')
print("DataFrame محصولات:")
print(df_products.head())

# خوندن شیت دوم (ایندکس 1)
df_orders = pd.read_excel('multi_sheet.xlsx', sheet_name=1)
print("nDataFrame سفارشات:")
print(df_orders.head())

# خوندن همه شیت‌ها (برمی‌گردونه دیکشنری از DataFrameها)
all_sheets = pd.read_excel('multi_sheet.xlsx', sheet_name=None)
print("nنام شیت‌های خوانده شده:")
for sheet_name, df_sheet in all_sheets.items():
    print(f"- {sheet_name}: {len(df_sheet)} ردیف")

# فقط ستون‌های 'میوه' و 'قیمت' رو بخون
df_selected_cols = pd.read_excel('sample.xlsx', usecols=['میوه', 'قیمت'])
print(df_selected_cols)

# یا با شماره ستون: فقط ستون اول (0) و سوم (2) رو بخون
df_selected_cols_by_index = pd.read_excel('sample.xlsx', usecols=[0, 2])
print(df_selected_cols_by_index)

۱. FileNotFoundError

این خطا یعنی فایل تو مسیر مشخص شده پیدا نشده.

راه‌حل:

• مطمئن شو که اسم فایل رو درست نوشتی (با پسوند).
• مسیر فایل رو چک کن. اگه فایل تو همون دایرکتوری‌ای که کد پایتون رو اجرا می‌کنی نیست، باید مسیر کاملش رو بدی (مثلاً 'C:/Users/YourUser/Documents/data.csv').
• تو لینوکس/مک به Case Sensitivity (بزرگ و کوچکی حروف) اسم فایل‌ها دقت کن.

۲. UnicodeDecodeError

این خطا تو فایل‌های CSV رایجه و معمولاً به خاطر اینه که encoding رو اشتباه دادی. مخصوصا با متن‌های فارسی که از “غلط” املایی های دیگه ای هم استفاده میکنن ممکنه این مشکل بیشتر بشه.

راه‌حل:

• اول encoding='utf-8' رو امتحان کن.
• اگه جواب نداد، encoding='windows-1256' (برای فارسی در ویندوز) یا encoding='latin1' رو امتحان کن.
• گاهی اوقات فایل ممکنه با 'utf-8-sig' ذخیره شده باشه (BOM).

۳. ParserError (برای CSV) یا XLRDError/BadZipFile (برای Excel)

این خطاها یعنی پانداس نتونسته فایل رو به درستی تجزیه (parse) کنه. تو CSV معمولاً به خاطر جداکننده‌های نامنظم، ردیف‌های خالی یا فرمت‌بندی عجیب و غریبه. تو اکسل هم ممکنه فایل خراب باشه یا فرمتش قدیمی باشه.

راه‌حل:

• برای CSV:
  • پارامتر sep رو دقیق تنظیم کن.
  • از error_bad_lines=False (در نسخه‌های قدیمی‌تر) یا on_bad_lines='skip' (در نسخه‌های جدیدتر) استفاده کن تا ردیف‌های مشکل‌دار رو رد کنه.
  • فایل رو دستی باز کن و به دنبال ناسازگاری‌ها بگرد.
• برای Excel:
  • مطمئن شو که openpyxl (برای .xlsx) و xlrd (برای .xls) نصب باشن (pip install openpyxl xlrd).
  • پارامتر engine رو تنظیم کن (مثلاً engine='xlrd').
  • فایل اکسل رو با اکسل باز کن و مطمئن شو خراب نیست.

Q: چطور می‌تونم تشخیص بدم که فایل CSV من چه جداکننده‌ای داره؟

A: ساده‌ترین راه اینه که فایل رو با یه ویرایشگر متن (مثل Notepad++، VS Code یا حتی Notepad) باز کنی و ببینی ستون‌ها با چی از هم جدا شدن. معمولا کاما (,)، سیمی‌کالن (;) یا تب (t) هستن. اگه تب بود، باید sep='t' رو استفاده کنی.

Q: اگه بخوام فقط چندتا ستون خاص رو از فایل اکسل بخونم، چی کار کنم؟

A: از پارامتر usecols استفاده کن. می‌تونی یه لیست از نام ستون‌ها یا شماره ستون‌ها رو بهش بدی. مثلاً usecols=['نام', 'سن'] یا usecols=[0, 1].

Q: وقتی از chunksize برای خوندن فایل‌های بزرگ استفاده می‌کنم، چطور همه داده‌ها رو در آخر با هم ترکیب کنم؟

A: بعد از اینکه با حلقه for روی chunk_iterator (خروجی read_csv با chunksize) ایتریت کردی، می‌تونی هر chunk رو به یه لیست اضافه کنی و در نهایت با pd.concat(list_of_chunks) همه رو به یه DataFrame نهایی تبدیل کنی. البته این روش دوباره ممکنه مشکل حافظه ایجاد کنه، پس اگه واقعاً فایلت غول‌آساست، بهتره پردازش رو روی هر chunk انجام بدی و نتیجه رو ذخیره کنی نه اینکه همه رو یکجا تو رم نگه داری.

Q: چطور می‌تونم مطمئن بشم که تاریخ‌ها به درستی خونده میشن؟

A: از پارامتر parse_dates استفاده کن. این پارامتر یه لیست از نام ستون‌هایی رو می‌گیره که پانداس باید سعی کنه اونها رو به فرمت تاریخ و زمان تبدیل کنه. اگه فرمت تاریخ‌ها استاندارد نباشه، ممکنه باز هم مشکل داشته باشی و لازم باشه با پارامتر date_parser یه تابع سفارشی برای تبدیل بنویسی، اما برای اکثر موارد parse_dates کار رو انجام میده.