Visual Introduction to Pandas

Visual Introduction to Pandas#

import pandas as pd

Loading Data#

Dengan menggunakan Pandas, kamu bisa memuat data spreadsheet (tabel) lalu memanipulasinya menggunakan Python. Konsep utama dari Pandas adalah objek DataFrame, yaitu tipe data yang merepresentastikan tabel beserta isinya dan memiliki label pada setiap baris dan kolom.

excel_to_pandas

df = pd.read_csv("../../data/music.csv")
df
Artist Genre Listeners Plays
0 Billie Holiday Jazz 1300000 27000000
1 Jimi Hendrix Rock 2700000 70000000
2 Miles Davis Jazz 1500000 48000000
3 SIA Pop 2000000 74000000

Variabel df adalah Pandas DataFrame:

view_pandas_dataframe

Selection#

Kita bisa memilih data suatu kolom menggunakan labelnya:

df["Artist"]

0    Billie Holiday
1      Jimi Hendrix
2       Miles Davis
3               SIA
Name: Artist, dtype: object

select_column

Kita juga bisa memilih baris menggunakan nomor barisnya:

df[1:3]
Artist Genre Listeners Plays
1 Jimi Hendrix Rock 2700000 70000000
2 Miles Davis Jazz 1500000 48000000

select_rows

Kita juga bisa men-slice table menggunakan nomor baris dan kolom menggunakan method loc()

df.loc[1:3, ["Artist"]]
Artist
1 Jimi Hendrix
2 Miles Davis
3 SIA

select_column_and_rows

Filtering#

Ini semakin seru atau perasaan saya saja? - Desta

Dengan Pandas, kita bisa dengan mudah mem-filter baris. Misalnya:

df[df["Genre"] == "Jazz"]
Artist Genre Listeners Plays
0 Billie Holiday Jazz 1300000 27000000
2 Miles Davis Jazz 1500000 48000000

filter_1

df[df["Listeners"] > 1800000]
Artist Genre Listeners Plays
1 Jimi Hendrix Rock 2700000 70000000
3 SIA Pop 2000000 74000000

filter_2

Dealing with Missing Values#

Sering kali dataset yang kamu proses pada proyek data science atau machine learning akan memiliki data yang tidak lengkap. Misalnya seperti ini:

df = pd.read_csv("../../data/music_with_na.csv")
df
Artist Genre Listeners Plays
0 Billie Holiday Jazz 1300000 27000000.0
1 Jimi Hendrix Rock 2700000 NaN
2 Miles Davis Jazz 1500000 48000000.0
3 SIA Pop 2000000 74000000.0

set_missing_value

Pandas memiliki beberapa cara untuk mengatasi hal ini, salah satunya dengan menggunakan dropna() dimana kita akan menghapus baris yang datanya tidak lengkap:

df.dropna()
Artist Genre Listeners Plays
0 Billie Holiday Jazz 1300000 27000000.0
2 Miles Davis Jazz 1500000 48000000.0
3 SIA Pop 2000000 74000000.0

filter_missing_values

Atau, kita juga bisa menggunakan fillna() dimana nilai yang tidak ada akan digantikan dengan 0.

df.fillna(0)
Artist Genre Listeners Plays
0 Billie Holiday Jazz 1300000 27000000.0
1 Jimi Hendrix Rock 2700000 0.0
2 Miles Davis Jazz 1500000 48000000.0
3 SIA Pop 2000000 74000000.0

Grouping#

Kita juga bisa melakukan pengelompokan dan agregasi pada data kita menggunakan Pandas.

df = pd.read_csv("../../data/music.csv")
df.groupby("Genre").sum()
Artist Listeners Plays
Genre
Jazz Billie HolidayMiles Davis 2800000 75000000
Pop SIA 2000000 74000000
Rock Jimi Hendrix 2700000 70000000

group_by

Pandas mengelompokkan dua artis “Jazz” menjadi satu baris, dan karena kita menggunakan sum() untuk agregasi, Pandas menjumlahkan total listeneres dan plays untuk dua artis Jass tersebut.

Fitur-fitur ini akan sangat berguna untuk data analisis. Grouping memungkinkan kita untuk mengelompokkan data dan menemukan insight, dan agregasi adalah pilar pertama dan fundamental untuk statistika.

Selain sum(), Pandas juga memiliki method agregasi lain seperti mean(), min(), max(), dan lainnya.

Untuk mempelejari lebih dalam tentang groupby(), kamu bisa membacanya di Group By User Guide.

Creating New Columns from Existing Columns#

Sering kali dalam proses analisa data, kita diharuskan untuk membuat kolum baru.

df["Avg Plays"] = df["Plays"] / df["Listeners"]
df
Artist Genre Listeners Plays Avg Plays
0 Billie Holiday Jazz 1300000 27000000 20.769231
1 Jimi Hendrix Rock 2700000 70000000 25.925926
2 Miles Davis Jazz 1500000 48000000 32.000000
3 SIA Pop 2000000 74000000 37.000000

create_new_column

Contents