Tutorial Python pandas: Panduan Utama untuk Pemula

Instal pandas

Menginstal pandas itu mudah; gunakan perintah pip install di terminal Anda. 

pip install pandas

Sebagai alternatif, Anda dapat menginstalnya melalui conda:

conda install pandas

Setelah menginstal pandas, sebaiknya periksa versi yang terpasang untuk memastikan semuanya berfungsi dengan benar:

import pandas as pd
print(pd.__version__)  # Prints the pandas version

Ini mengonfirmasi bahwa pandas terpasang dengan benar dan memungkinkan Anda memverifikasi kompatibilitas dengan paket lain.

Mengimpor data di pandas

Untuk mulai bekerja dengan pandas, impor paket Python pandas seperti di bawah ini. Saat mengimpor pandas, alias paling umum untuk pandas adalah pd.

import pandas as pd

Mengimpor file CSV

Gunakan read_csv() dengan path ke file CSV untuk membaca file comma-separated values (lihat tutorial kami tentang mengimpor data dengan read_csv() untuk detail lebih lanjut).

df = pd.read_csv("diabetes.csv")

Operasi baca ini memuat file CSV diabetes.csv untuk menghasilkan objek DataFrame pandas df. Sepanjang tutorial ini, Anda akan melihat cara memanipulasi objek DataFrame seperti itu. 

Mengimpor file teks

Membaca file teks mirip dengan file CSV. Satu nuansanya adalah Anda perlu menentukan pemisah dengan argumen sep, seperti di bawah ini. Argumen pemisah merujuk pada simbol yang digunakan untuk memisahkan baris dalam DataFrame. Koma (sep = ","), whitespace(sep = "\s"), tab (sep = "\t"), dan titik dua(sep = ":") adalah pemisah yang umum digunakan. Di sini \s merepresentasikan satu karakter spasi.

df = pd.read_csv("diabetes.txt", sep="\s")

Mengimpor file Excel (satu sheet)

Membaca file excel (baik XLS maupun XLSX) semudah fungsi read_excel(), menggunakan path file sebagai masukan.

df = pd.read_excel('diabetes.xlsx')

Anda juga dapat menentukan argumen lain, seperti header untuk menentukan baris mana yang menjadi header DataFrame. Nilai defaultnya adalah 0, yang menandakan baris pertama sebagai header atau nama kolom. Anda juga dapat menentukan nama kolom sebagai list pada argumen names. Argumen index_col (default None) dapat digunakan jika file berisi indeks baris.

Catatan: Dalam DataFrame atau Series pandas, indeks adalah pengenal yang menunjuk ke lokasi baris atau kolom dalam DataFrame pandas. Singkatnya, indeks memberi label baris atau kolom dari DataFrame dan memungkinkan Anda mengakses baris atau kolom tertentu dengan menggunakan indeksnya (Anda akan melihat ini nanti). Indeks baris DataFrame bisa berupa rentang (mis., 0 hingga 303), deret waktu (tanggal atau timestamp), pengenal unik (mis., employee_ID dalam tabel employees), atau tipe data lainnya. Untuk kolom, biasanya berupa string (menunjukkan nama kolom).

Mengimpor file Excel (beberapa sheet)

Membaca file Excel dengan beberapa sheet tidak jauh berbeda. Anda hanya perlu menentukan satu argumen tambahan, sheet_name, di mana Anda dapat memberikan string untuk nama sheet atau integer untuk posisi sheet (perhatikan bahwa Python menggunakan penomoran berbasis 0, di mana sheet pertama dapat diakses dengan sheet_name = 0)

# Mengambil sheet kedua karena Python menggunakan penomoran berbasis 0
df = pd.read_excel('diabetes_multi.xlsx', sheet_name=1)

Mengimpor file JSON

Mirip dengan fungsi read_csv(), Anda dapat menggunakan read_json() untuk tipe file JSON dengan nama file JSON sebagai argumen (untuk detail lebih lanjut baca tutorial ini tentang mengimpor data JSON dan HTML ke pandas). Kode di bawah membaca file JSON dari disk dan membuat objek DataFrame df.

df = pd.read_json("diabetes.json")

Jika Anda ingin mempelajari lebih lanjut tentang mengimpor data dengan pandas, lihat lembar contekan ini tentang mengimpor berbagai tipe file dengan Python. 

Mengimpor data dari basis data SQL

Untuk memuat data dari basis data relasional, gunakan pd.read_sql() bersama koneksi basis data.

import sqlite3

# Establish a connection to an SQLite database
conn = sqlite3.connect("my_database.db")

# Read data from a table
df = pd.read_sql("SELECT * FROM my_table", conn)

Untuk dataset besar, pertimbangkan menggunakan SQLAlchemy untuk mengoptimalkan kueri.

Mengimpor data dari API (Format JSON)

Jika data Anda berasal dari web API, pandas dapat membacanya langsung menggunakan pd.read_json():

df = pd.read_json("https://api.example.com/data.json")

Jika respons API dipaginasi, atau dalam format JSON bertingkat, Anda mungkin memerlukan pemrosesan tambahan menggunakan json_normalize() dari pandas.io.json.

Mengekspor data di pandas

Sama seperti pandas dapat mengimpor data dari berbagai tipe file, pandas juga memungkinkan Anda mengekspor data ke berbagai format. Hal ini terutama terjadi saat data ditransformasikan menggunakan pandas dan perlu disimpan secara lokal di mesin Anda. Di bawah ini adalah cara mengekspor DataFrame pandas ke berbagai format.

Mengekspor DataFrame ke file CSV

DataFrame pandas (di sini kita menggunakan df) disimpan sebagai file CSV menggunakan metode .to_csv(). Argumennya mencakup nama file dengan path dan index – di mana index = True menyiratkan menulis indeks DataFrame.

df.to_csv("diabetes_out.csv", index=False)

Mengekspor DataFrame ke file JSON

Ekspor objek DataFrame ke file JSON dengan memanggil metode .to_json().

df.to_json("diabetes_out.json")

Catatan: File JSON menyimpan objek tabular seperti DataFrame sebagai pasangan key-value. Jadi Anda akan melihat header kolom yang berulang dalam file JSON.

Mengekspor DataFrame ke file teks

Seperti saat menulis DataFrame ke file CSV, Anda dapat memanggil .to_csv(). Satu-satunya perbedaannya adalah format file output .txt, dan Anda perlu menentukan pemisah menggunakan argumen sep.

df.to_csv('diabetes_out.txt', header=df.columns, index=None, sep=' ')

Mengekspor DataFrame ke file Excel

Panggil .to_excel() dari objek DataFrame untuk menyimpannya sebagai file “.xls” atau “.xlsx”.

df.to_excel("diabetes_out.xlsx", index=False)

Melihat dan memahami DataFrame menggunakan pandas 

Setelah membaca data tabular sebagai DataFrame, Anda perlu sekilas melihat datanya. Anda dapat melihat sampel kecil dari dataset atau ringkasan data dalam bentuk statistik ringkasan.

Cara melihat data menggunakan .head() dan .tail()

Anda dapat melihat beberapa baris pertama atau terakhir dari DataFrame menggunakan metode .head() atau .tail(). Anda dapat menentukan jumlah baris melalui argumen n (nilai default adalah 5).

df.head()

Lima baris pertama DataFrame 

df.tail(n = 10)

10 baris pertama DataFrame 

Memahami data menggunakan .describe()

Metode .describe() mencetak statistik ringkasan dari semua kolom numerik, seperti jumlah, mean, standar deviasi, rentang, dan kuartil kolom numerik.

df.describe()

Dapatkan statistik ringkasan dengan .describe()

Ini memberikan gambaran cepat tentang skala, skew, dan rentang data numerik.

Anda juga dapat memodifikasi kuartil menggunakan argumen percentiles. Di sini, misalnya, kita melihat persentil 30%, 50%, dan 70% dari kolom numerik dalam DataFrame df.

df.describe(percentiles=[0.3, 0.5, 0.7])

Dapatkan statistik ringkasan dengan persentil tertentu 

Anda juga dapat mengisolasi tipe data tertentu dalam output ringkasan Anda dengan menggunakan argumen include. Di sini, misalnya, kita hanya merangkum kolom dengan tipe data integer. 

df.describe(include=[int])

Dapatkan statistik ringkasan hanya untuk kolom integer 

Demikian juga, Anda mungkin ingin mengecualikan tipe data tertentu menggunakan argumen exclude.

df.describe(exclude=[int])

Dapatkan statistik ringkasan hanya untuk kolom non-integer 

Sering kali, praktisi merasa lebih mudah melihat statistik seperti itu dengan mentransposenya menggunakan atribut .T.

df.describe().T

Transpose statistik ringkasan dengan .T

Untuk lebih lanjut tentang mendeskripsikan DataFrame, lihat lembar contekan berikut.

Memahami data menggunakan .info()

Metode .info() adalah cara cepat untuk melihat tipe data, nilai hilang, dan ukuran data dari sebuah DataFrame. Di sini, kami menetapkan argumen show_counts ke True, yang memberikan tinjauan atas total nilai non-hilang di setiap kolom. Kami juga menetapkan memory_usage ke True, yang menunjukkan total penggunaan memori elemen DataFrame. Saat verbose diatur ke True, ini mencetak ringkasan lengkap dari .info(). 

df.info(show_counts=True, memory_usage=True, verbose=True)

Memahami data Anda menggunakan .shape

Jumlah baris dan kolom dari sebuah DataFrame dapat diidentifikasi menggunakan atribut .shape dari DataFrame. Ini mengembalikan tuple (baris, kolom) dan dapat diindeks untuk mendapatkan hanya jumlah baris, dan hanya jumlah kolom sebagai output.

df.shape # Get the number of rows and columns
df.shape[0] # Get the number of rows only
df.shape[1] # Get the number of columns only

(768,9)
768
9

Mendapatkan semua kolom dan nama kolom

Memanggil atribut .columns dari objek DataFrame mengembalikan nama kolom dalam bentuk objek Index. Sebagai pengingat, indeks pandas adalah alamat/label baris atau kolom.

df.columns

Ini dapat dikonversi menjadi list menggunakan fungsi list().

list(df.columns)

Memeriksa nilai hilang di pandas dengan .isnull()

DataFrame sampel tidak memiliki nilai hilang. Mari kita tambahkan beberapa agar lebih menarik. Metode .copy() membuat salinan DataFrame asli. Ini dilakukan untuk memastikan bahwa perubahan pada salinan tidak tercermin di DataFrame asli. Menggunakan .loc (akan dibahas nanti), Anda dapat mengatur baris dua hingga lima dari kolom Pregnancies ke nilai NaN, yang menandakan nilai hilang.

df2 = df.copy()
df2.loc[2:5,'Pregnancies'] = None
df2.head(7)

Anda dapat melihat, sekarang baris 2 hingga 5 adalah NaN

Anda dapat memeriksa apakah setiap elemen dalam DataFrame hilang menggunakan metode .isnull().

df2.isnull().head(7)

Mengingat sering kali lebih berguna untuk mengetahui berapa banyak data yang hilang, Anda dapat menggabungkan .isnull() dengan .sum() untuk menghitung jumlah null di setiap kolom.

df2.isnull().sum()

Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64

Anda juga dapat melakukan penjumlahan ganda untuk mendapatkan total jumlah null dalam DataFrame.

df2.isnull().sum().sum()

4

Mengurutkan, Memotong, dan Mengekstrak Data di pandas

Paket pandas menawarkan beberapa cara untuk mengurutkan, membuat subset, memfilter, dan mengisolasi data dalam DataFrame Anda. Di sini, kita akan melihat cara-cara yang paling umum.

Mengurutkan data

Untuk mengurutkan DataFrame berdasarkan kolom tertentu:

df.sort_values(by="Age", ascending=False, inplace=True)  # Sort by Age in descending order

Anda dapat mengurutkan berdasarkan beberapa kolom:

df.sort_values(by=["Age", "Glucose"], ascending=[False, True], inplace=True)

Mengatur ulang indeks

Jika Anda memfilter atau mengurutkan DataFrame, indeks Anda mungkin tidak selaras. Gunakan .reset_index() untuk memperbaikinya:

df.reset_index(drop=True, inplace=True)  # Resets index and removes old index column

Memfilter data menggunakan kondisi

Untuk mengekstrak data berdasarkan suatu kondisi:

df[df["BloodPressure"] > 100]  # Selects rows where BloodPressure is greater than 100

Mengisolasi satu kolom menggunakan [ ] 

Anda dapat mengisolasi satu kolom menggunakan tanda kurung siku [ ] dengan nama kolom di dalamnya. Outputnya adalah objek Series pandas. Series pandas adalah array satu dimensi yang berisi data dengan tipe apa pun, termasuk integer, float, string, boolean, objek python, dll. DataFrame terdiri dari banyak series yang berfungsi sebagai kolom.

df['Outcome']

Mengisolasi satu kolom di pandas

Mengisolasi dua kolom atau lebih menggunakan [[ ]] 

Anda juga dapat memberikan list nama kolom di dalam tanda kurung siku untuk mengambil lebih dari satu kolom. Di sini, tanda kurung siku digunakan dalam dua cara berbeda. Kita menggunakan tanda kurung siku luar untuk menunjukkan subset dari DataFrame, dan tanda kurung siku dalam untuk membuat list.

df[['Pregnancies', 'Outcome']]

Mengisolasi dua kolom di pandas

Mengisolasi satu baris menggunakan [ ] 

Satu baris dapat diambil dengan memasukkan series boolean dengan satu nilai True. Pada contoh di bawah, baris kedua dengan index = 1 dikembalikan. Di sini, .index mengembalikan label baris DataFrame, dan perbandingan mengubahnya menjadi array satu dimensi bertipe boolean.

df[df.index==1]

Mengisolasi satu baris di pandas

Mengisolasi dua baris atau lebih menggunakan [ ] 

Demikian pula, dua atau lebih baris dapat dikembalikan menggunakan metode .isin() alih-alih operator ==.

df[df.index.isin(range(2,10))]

Mengisolasi baris tertentu di pandas

Menggunakan .loc[] dan .iloc[] untuk mengambil baris

Anda dapat mengambil baris tertentu berdasarkan label atau kondisi menggunakan .loc[] dan .iloc[] ("location" dan "integer location"). .loc[] menggunakan label untuk menunjuk ke baris, kolom, atau sel, sedangkan .iloc[] menggunakan posisi numerik. Untuk memahami perbedaan keduanya, mari kita modifikasi indeks df2 yang dibuat sebelumnya.

df2.index = range(1,769)

Contoh di bawah ini mengembalikan sebuah Series pandas, bukan DataFrame. Angka 1 merepresentasikan indeks baris (label), sedangkan 1 pada .iloc[] adalah posisi baris (baris pertama).

df2.loc[1]

Pregnancies                   6.000
Glucose                     148.000
BloodPressure                72.000
SkinThickness                35.000
Insulin                       0.000
BMI                          33.600
DiabetesPedigreeFunction      0.627
Age                          50.000
Outcome                       1.000
Name: 1, dtype: float64

df2.iloc[1]

Pregnancies                  1.000
Glucose                     85.000
BloodPressure               66.000
SkinThickness               29.000
Insulin                      0.000
BMI                         26.600
DiabetesPedigreeFunction     0.351
Age                         31.000
Outcome                      0.000
Name: 2, dtype: float64

Anda juga dapat mengambil beberapa baris dengan memberikan rentang dalam tanda kurung siku.

df2.loc[100:110]

Mengisolasi baris di pandas dengan .loc[]

df2.iloc[100:110]

Mengisolasi baris di pandas dengan .iloc[]

Anda juga dapat membuat subset dengan .loc[] dan .iloc[] menggunakan list alih-alih rentang.

df2.loc[[100, 200, 300]]

Mengisolasi baris menggunakan list di pandas dengan .loc[]

df2.iloc[[100, 200, 300]]

Mengisolasi baris menggunakan list di pandas dengan .iloc[]

Anda juga dapat memilih kolom tertentu bersama baris. Di sinilah .iloc[] berbeda dari .loc[] – ia membutuhkan lokasi kolom, bukan label kolom.

df2.loc[100:110, ['Pregnancies', 'Glucose', 'BloodPressure']]

Mengisolasi kolom di pandas dengan .loc[]

df2.iloc[100:110, :3]

Mengisolasi kolom dengan .iloc[]

Untuk alur kerja yang lebih cepat, Anda dapat memasukkan indeks awal suatu baris sebagai rentang.

df2.loc[760:, ['Pregnancies', 'Glucose', 'BloodPressure']]

Mengisolasi kolom dan baris di pandas dengan .loc[]

df2.iloc[760:, :3]

Mengisolasi kolom dan baris di pandas dengan .iloc[]

Anda dapat memperbarui/memodifikasi nilai tertentu dengan menggunakan operator penugasan =

df2.loc[df['Age']==81, ['Age']] = 80

Pemotongan bersyarat (yang memenuhi kondisi tertentu)

pandas memungkinkan Anda memfilter data berdasarkan kondisi pada nilai baris/kolom. Misalnya, kode di bawah memilih baris di mana Tekanan Darah tepat 122. Di sini, kita mengisolasi baris menggunakan tanda kurung [ ] seperti terlihat pada bagian sebelumnya. Namun, alih-alih memasukkan indeks baris atau nama kolom, kita memasukkan kondisi di mana kolom BloodPressure sama dengan 122. Kita menyatakan kondisi ini menggunakan df.BloodPressure == 122.

df[df.BloodPressure == 122]

Mengisolasi baris berdasarkan kondisi di pandas 

Contoh di bawah mengambil semua baris di mana Outcome adalah 1. Di sini df.Outcome memilih kolom tersebut, df.Outcome == 1 mengembalikan Series nilai boolean yang menentukan Outcome mana yang sama dengan 1, lalu [] mengambil subset df di mana Series boolean tersebut bernilai True.

df[df.Outcome == 1]

Mengisolasi baris berdasarkan kondisi di pandas 

Anda dapat menggunakan operator > untuk membuat perbandingan. Kode di bawah mengambil Pregnancies, Glucose, dan BloodPressure untuk semua rekaman dengan BloodPressure lebih besar dari 100.

df.loc[df['BloodPressure'] > 100, ['Pregnancies', 'Glucose', 'BloodPressure']]

Mengisolasi baris dan kolom berdasarkan kondisi di pandas 

Membersihkan data menggunakan pandas 

Pembersihan data adalah salah satu tugas paling umum dalam data science. pandas memungkinkan Anda melakukan prapemrosesan data untuk berbagai penggunaan, termasuk namun tidak terbatas pada pelatihan model machine learning dan deep learning. Mari gunakan DataFrame df2 dari sebelumnya, yang memiliki empat nilai hilang, untuk menggambarkan beberapa kasus penggunaan pembersihan data. Sebagai pengingat, berikut cara melihat berapa banyak nilai hilang dalam DataFrame.

df2.isnull().sum()

Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64

Menangani data hilang teknik #1: Menghapus nilai hilang

Salah satu cara menangani data hilang adalah dengan menghapusnya. Ini sangat berguna dalam kasus di mana Anda memiliki banyak data dan kehilangan sebagian kecil tidak akan berdampak pada analisis selanjutnya. Anda dapat menggunakan metode .dropna() seperti di bawah ini. Di sini, kami menyimpan hasil dari .dropna() ke dalam DataFrame df3.

df3 = df2.copy()
df3 = df3.dropna()
df3.shape

(764, 9) # this is 4 rows less than df2

Argumen axis memungkinkan Anda menentukan apakah Anda menghapus baris, atau kolom, dengan nilai hilang. Default axis menghapus baris yang berisi NaN. Gunakan axis = 1 untuk menghapus kolom dengan satu atau lebih nilai NaN. Perhatikan juga bagaimana kami menggunakan argumen inplace=True yang memungkinkan Anda melewatkan penyimpanan output .dropna() ke DataFrame baru.  

df3 = df2.copy()
df3.dropna(inplace=True, axis=1)
df3.head()

Menghapus data hilang di pandas

Anda juga dapat menghapus baik baris maupun kolom dengan nilai hilang dengan menyetel argumen how ke 'all'

df3 = df2.copy()
df3.dropna(inplace=True, how='all')

Menangani data hilang teknik #2: Mengganti nilai hilang

Alih-alih menghapus, mengganti nilai hilang dengan statistik ringkasan atau nilai tertentu (tergantung kasus penggunaan) mungkin cara terbaik. Misalnya, jika ada satu baris yang hilang dari kolom suhu yang menunjukkan suhu sepanjang hari dalam seminggu, mengganti nilai hilang tersebut dengan suhu rata-rata minggu itu mungkin lebih efektif daripada menghapus nilai sepenuhnya. Anda dapat mengganti data hilang dengan mean baris, atau kolom menggunakan kode di bawah ini.

df3 = df2.copy()
# Get the mean of Pregnancies
mean_value = df3['Pregnancies'].mean()
# Fill missing values using .fillna()
df3 = df3.fillna(mean_value)

Menangani Data Duplikat

Mari tambahkan beberapa duplikat ke data asli untuk mempelajari cara menghilangkan duplikat dalam DataFrame. Di sini, kami menggunakan metode .concat() untuk menggabungkan baris DataFrame df2 ke DataFrame df2, menambahkan duplikat sempurna dari setiap baris di df2. 

df3 = pd.concat([df2, df2])
df3.shape

(1536, 9)

Anda dapat menghapus semua baris duplikat (default) dari DataFrame menggunakan metode .drop_duplicates().

df3 = df3.drop_duplicates()
df3.shape

(768, 9)

Mengganti nama kolom

Tugas pembersihan data yang umum adalah mengganti nama kolom. Dengan metode .rename(), Anda dapat menggunakan columns sebagai argumen untuk mengganti nama kolom tertentu. Kode di bawah ini menunjukkan kamus untuk memetakan nama kolom lama dan baru.

df3.rename(columns = {'DiabetesPedigreeFunction':'DPF'}, inplace = True)
df3.head()

Mengganti nama kolom di pandas

Anda juga dapat langsung menetapkan nama kolom sebagai list ke DataFrame.

df3.columns = ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DPF', 'Age', 'Outcome', 'STF']
df3.head()

Mengganti nama kolom di pandas

Untuk lebih lanjut tentang pembersihan data, dan untuk alur kerja pembersihan data yang lebih mudah dan dapat diprediksi, lihat daftar periksa berikut, yang menyediakan serangkaian lengkap tugas pembersihan data umum. 

Analisis data di pandas

Nilai utama pandas terletak pada fungsionalitas analisis data yang cepat. Pada bagian ini, kita akan fokus pada serangkaian teknik analisis yang dapat Anda gunakan di pandas.

Operator ringkasan (mean, modus, median)

Seperti yang Anda lihat sebelumnya, Anda dapat memperoleh mean dari setiap nilai kolom menggunakan metode .mean().

df.mean()

Mencetak mean kolom di pandas

Modus dapat dihitung serupa menggunakan metode .mode(). 

df.mode()

Mencetak modus kolom di pandas

Demikian pula, median setiap kolom dihitung dengan metode .median()

df.median()

Mencetak median kolom di pandas

Membuat kolom baru berdasarkan kolom yang ada 

pandas menyediakan komputasi yang cepat dan efisien dengan menggabungkan dua atau lebih kolom seperti variabel skalar. Kode di bawah ini membagi setiap nilai pada kolom Glucose dengan nilai yang sesuai pada kolom Insulin untuk menghitung kolom baru bernama Glucose_Insulin_Ratio.

df2['Glucose_Insulin_Ratio'] = df2['Glucose']/df2['Insulin']
df2.head()

Buat kolom baru dari kolom yang ada di pandas

Menghitung menggunakan .value_counts()

Sering kali Anda akan bekerja dengan nilai kategorikal, dan Anda ingin menghitung jumlah observasi yang dimiliki setiap kategori dalam suatu kolom. Nilai kategori dapat dihitung menggunakan metode .value_counts(). Di sini, misalnya, kita menghitung jumlah observasi di mana Outcome adalah diabetes (1) dan jumlah observasi di mana Outcome non-diabetes (0).

df['Outcome'].value_counts()

Menggunakan .value_counts() di pandas

Menambahkan argumen normalize mengembalikan proporsi alih-alih jumlah absolut.

df['Outcome'].value_counts(normalize=True)

Menggunakan .value_counts() di pandas dengan normalisasi

Nonaktifkan pengurutan otomatis hasil menggunakan argumen sort (True secara default). Pengurutan default didasarkan pada jumlah dalam urutan menurun.

df['Outcome'].value_counts(sort=False)

Menggunakan .value_counts() di pandas dengan pengurutan

Anda juga dapat menerapkan .value_counts() pada objek DataFrame dan kolom tertentu di dalamnya, bukan hanya sebuah kolom. Di sini, misalnya, kita menerapkan value_counts() pada df dengan argumen subset, yang menerima list kolom. 

df.value_counts(subset=['Pregnancies', 'Outcome'])

Menggunakan .value_counts() di pandas saat membuat subset kolom

Mengagregasi data dengan .groupby() di pandas

pandas memungkinkan Anda mengagregasi nilai dengan mengelompokkannya berdasarkan nilai kolom tertentu. Anda dapat melakukannya dengan menggabungkan metode .groupby() dengan metode ringkasan pilihan Anda. Kode di bawah menampilkan mean dari masing-masing kolom numerik yang dikelompokkan berdasarkan Outcome.

df.groupby('Outcome').mean()

Mengagregasi data berdasarkan satu kolom di pandas

.groupby() memungkinkan pengelompokan berdasarkan lebih dari satu kolom dengan memberikan list nama kolom, seperti ditunjukkan di bawah.

df.groupby(['Pregnancies', 'Outcome']).mean()

Mengagregasi data berdasarkan dua kolom di pandas

Metode ringkasan apa pun dapat digunakan bersama .groupby(), termasuk .min(), .max(), .mean(), .median(), .sum(), .mode(), dan lainnya.

Tabel pivot 

pandas juga memungkinkan Anda menghitung statistik ringkasan sebagai tabel pivot. Ini memudahkan untuk menarik kesimpulan berdasarkan kombinasi variabel. Kode di bawah memilih baris sebagai nilai unik dari Pregnancies, nilai kolom adalah nilai unik dari Outcome, dan sel berisi nilai rata-rata BMI dalam grup yang sesuai.

Misalnya, untuk Pregnancies = 5 dan Outcome = 0, rata-rata BMI adalah 31,1.

pd.pivot_table(df, values="BMI", index='Pregnancies', 
               columns=['Outcome'], aggfunc='mean')

Mengagregasi data dengan pivot di pandas

Visualisasi data di pandas

pandas menyediakan pembungkus praktis untuk fungsi plotting Matplotlib agar memudahkan visualisasi DataFrame Anda. Di bawah ini, Anda akan melihat cara melakukan visualisasi data umum menggunakan pandas.

Line plot di pandas

pandas memungkinkan Anda memetakan hubungan antar variabel menggunakan line plot. Di bawah ini adalah line plot dari BMI dan Glucose terhadap indeks baris.

df[['BMI', 'Glucose']].plot.line()

Line plot dasar dengan pandas

Anda dapat memilih warna dengan menggunakan argumen color.

df[['BMI', 'Glucose']].plot.line(figsize=(20, 10), 
                                 color={"BMI": "red", "Glucose": "blue"})

Line plot dasar dengan pandas, dengan warna kustom

Semua kolom df juga dapat diplot pada skala dan sumbu yang berbeda dengan menggunakan argumen subplots.

df.plot.line(subplots=True)

Subplot untuk line plot dengan pandas

Bar plot di pandas

Untuk kolom diskrit, Anda dapat menggunakan bar plot atas jumlah kategori untuk memvisualisasikan distribusinya. Variabel Outcome dengan nilai biner divisualisasikan di bawah.

df['Outcome'].value_counts().plot.bar()

Bar plot di pandas

Box plot di pandas

Distribusi kuartil variabel kontinu dapat divisualisasikan menggunakan boxplot. Kode di bawah memungkinkan Anda membuat boxplot dengan pandas.

df.boxplot(column=['BMI'], by='Outcome')

Box plot di pandas

Pelajari Lebih Lanjut Tentang pandas

Tutorial di atas hanya menggores permukaan dari apa yang mungkin dilakukan dengan pandas. Baik menganalisis data, memvisualisasikannya, memfilter, atau mengagregasinya, pandas menyediakan seperangkat fitur yang sangat kaya yang memungkinkan Anda mempercepat alur kerja data apa pun. Selain itu, dengan menggabungkan pandas dengan paket data science lainnya, Anda akan dapat membuat dasbor interaktif, membuat model prediktif menggunakan machine learning, mengotomatisasi alur kerja data, dan banyak lagi. Lihat sumber daya di bawah untuk mempercepat perjalanan belajar pandas Anda:

• [Cheat Sheets] Beragam lembar contekan Python dan pandas untuk referensi sepanjang perjalanan belajar Anda 
• [Live trainings] Lihat sesi live-code-along gratis kami, banyak di antaranya memanfaatkan pandas
• [More tutorials] Lihat tutorial kami yang lain tentang pandas dan ekosistem PyData, termasuk cara menerapkan moving average di pandas dan menggunakan metode .apply() di pandas