Artikel ini merupakan kelanjutan dari Belajar Data Science – Preprocessing Data Kapal Titanic (Bagian 3). Silahkan baca artikelnya sebelumnya melanjutkan. Data kapal Titanic dapat di akses melalui situs Kaggle.

Import Pustaka

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import cross_val_predict
from sklearn.metrics import confusion_matrix,precision_score
from sklearn.metrics import recall_score,f1_score, roc_auc_score

Modeling

X_train = train_df.drop('Survived', axis=1)
Y_train = train_df['Survived']
X_test = test_df.drop('PassengerId', axis=1)

Random forest

Random Forest adalah supervised learning algorithm. Random Forest membangun beberapa pohon keputusan dan menggabungkannya untuk mendapatkan prediksi yang lebih akurat dan stabil. Satu keuntungan besar dari Random Forest adalah dapat digunakan untuk masalah klasifikasi dan regresi, yang membentuk sebagian besar sistem pembelajaran mesin saat ini. Dengan beberapa pengecualian, pengklasifikasi Random Forest memiliki semua hyperparameter dari pengklasifikasi pohon keputusan dan juga semua hyperparameter dari pengklasifikasi bagging, untuk mengontrol ansambel itu sendiri.

random_forest = RandomForestClassifier(n_estimators=100)
random_forest.fit(X_train, Y_train)

Y_prediction = random_forest.predict(X_test)

random_forest.score(X_train, Y_train)
acc_random_forest = round(random_forest.score(X_train, Y_train)* 100, 2)

results = pd.DataFrame({
    'Model' : ['Random Forest'],
    'Score' : [acc_random_forest]
})
results

hasil dari kode diatas adalah

Random Forest	90.68

K-Fold Cross Validation

Bagaimana kinerja Random Forest saat digunakan validasi silang. K-Fold Cross Validation secara acak membagi data pelatihan menjadi subset K yang disebut folds. Bayangkan data akan dibagi menjadi 10 folds (K = 10). Model Random Forest yang akan dilatih dan dievaluasi 10 kali, menggunakan folds yang berbeda untuk evaluasi setiap saat, sementara itu akan dilatih pada 9 folds lainnya. Oleh karena itu output array dengan 10 skor yang berbeda.

random_forest = RandomForestClassifier(n_estimators=100)
scores = cross_val_score(random_forest, X_train, Y_train, cv=10, scoring = "accuracy")
print("Scores:", scores)
print("Mean:", scores.mean())
print("Standard Deviation:", scores.std())

hasil dari kode program tersebut adalah

Scores: [0.74444444 0.80898876 0.73033708 0.84269663 0.88764045 0.85393258
 0.83146067 0.78651685 0.85393258 0.79775281]
Mean: 0.8137702871410737
Standard Deviation: 0.04756243170100532

Ini terlihat jauh lebih realistis dari sebelumnya. Model memiliki akurasi rata-rata 81% dengan standar deviasi 4,7%. Deviasi standar menunjukkan seberapa tepat estimasi tersebut. Ini berarti hasil pembelajaran keakuratan model dapat berbeda + — 4,7%. Karena akurasinya cukup bagus dan Random Forest adalah model yang mudah digunakan. Untuk meningkatkan kinerjanya lebih jauh lagi sebagai berikut

Hyperparameter Tuning

Untuk meningkatkan kinerjanya dapat dilakukan hyperparameter tunning. Sekarang telah dimiliki model yang tepat, proses mengevaluasi kinerjanya dapat mulai dengan cara yang lebih akurat. Sebelumnya hanyadiggunakan akurasi dan skor oob, yang merupakan bentuk lain dari akurasi.

random_forest = RandomForestClassifier(criterion='gini',
                                       min_samples_leaf=1,
                                       min_samples_split=10,
                                       n_estimators=100,
                                       max_features='auto',
                                       oob_score=True, 
                                       random_state = 1,
                                       n_jobs=-1)

random_forest.fit(X_train, Y_train)
Y_prediction = random_forest.predict(X_test)

random_forest.score(X_train, Y_train)

print("obb score:", round(random_forest.oob_score_,4)*100, "%")

keluaran dari kode program diatas adalah

obb score: 83.73 %

Confusion Matrix

Baris pertama adalah tentang prediksi tidak selamat: 487 penumpang diklasifikasikan dengan benar sebagai tidak selamat (disebut true negatives) dan 62 salah diklasifikasikan sebagai tidak selamat (false positives). Baris kedua adalah tentang prediksi selamat: 98 penumpang salah diklasifikasikan selamat (false negatives) dan 2446 benar diklasifikasikan sebagai selamat (true positives).Confusion matrix memberi banyak informasi tentang seberapa baik model yang dihasilkan, tetapi ada cara untuk mendapatkan lebih banyak lagi, seperti menghitung ketepatan pengklasifikasi.

predictions = cross_val_predict(random_forest, X_train, Y_train, cv=3)
confusion_matrix(Y_train, predictions)

keluaran kode program diatas

array([[487,  62],
       [ 98, 244]])

Precision and Recall

Model telah memprediksi 79% kelangsungan hidup penumpang dengan benar (presisi). Penarikan itu memberi tahu bahwa imeramalkan kelangsungan hidup 71% orang yang benar-benar selamat.

print("Precision:", precision_score(Y_train, predictions))
print("Recall:", recall_score(Y_train, predictions))

keluaran dari kode program diatas

Precision: 0.7973856209150327
Recall: 0.7134502923976608

F-Score

Precision and Recall dapat digabungkan menjadi satu nilai, yang disebut F-Score. F-Score dihitung dengan rata-rata harmonik Precision and Recall. Perhatikan bahwa ini memberikan lebih banyak bobot pada nilai rendah. Akibatnya, pengklasifikasi hanya akan mendapatkan F-Score tinggi, jika Precision and Recall tinggi.

f1_score(Y_train, predictions)

keluaran dari kode program diatas adalah

0.7530864197530864

F-score menunjukkan angka 75%. Skornya tidak terlalu tinggi, karena kami memiliki recall sebesar 71%. Sayangnya, F-score tidak sempurna, karena mendukung pengklasifikasi yang memiliki precision and recall yang serupa. Ini adalah masalah, karena terkadang diinginkan precision dan recall yang tinggi. Masalahnya adalah precision yang meningkat, terkadang menghasilkan perolehan yang menurun pada recall dan sebaliknya (depending on the threshold). Ini disebut tradeoff precision/penarikan.

Kesimpulan

Data kapal Titanic telah dilatih menggunakan model random forest, mengambil dan menerapkan cross validation pada model tersebut. Kemudian dibahas cara kerja random forest dan menyesuaikan kinerjanya dengan mengoptimalkan nilai hyperparameternya. Terakhir, ditunjukkan confusion matrix dan menghitung precision, recall and f-score.

The post Belajar Data Science – Random Forest Untuk Modeling Data Kapal Titanic (Bagian 4) appeared first on Onestring Lab.

Import Pustaka

Melakukan import pustaka yang dibutuhkan yaitu pandas dan numpy.

import pandas as pd
import numpy as np

Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab. Data yang akan digunakan adalah data train.csv dan test.csv.

train_df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
train_df.head()

test_df  = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/test.csv')
test_df.head()

Menghapus Beberapa Kolom Data

Pada data kapal Titanic terdapat beberapa kolom yang perlu dihilangkan. Ini dikarenakan data tersebut bersifat unik. Kolom data tersebut adalah Passenger Id, Name, Ticket dan Cabin.

train_df['Ticket'].describe()

Terlihat bahwa dari 891 data terdapat 681 data unik.

count        891
unique       681
top       347082
freq           7
Name: Ticket, dtype: object

Berikut ini adalah perintah drop untuk beberapa kolom tersebut.

train_df = train_df.drop(['Ticket'], axis=1)
test_df  = test_df.drop(['Ticket'], axis=1)
train_df = train_df.drop(['PassengerId'], axis=1)
test_df  = test_df.drop(['PassengerId'], axis=1)
train_df = train_df.drop(['Name'], axis=1)
test_df  = test_df.drop(['Name'], axis=1)
train_df = train_df.drop(['Cabin'], axis=1)
test_df  = test_df.drop(['Cabin'], axis=1)

Mengecek Data Yang Hilang

Berikut ini adalah proses untuk mengetahui data mana saja yang hilang.

row = train_df.shape[0]
total = train_df.isnull().sum().sort_values(ascending=False)
presentase = ((train_df.isnull().sum()/row)*100).sort_values(ascending=False)
presentase = round(presentase,2)
dt_missing = list(zip(total,presentase))
train_df_missing = pd.concat([total,presentase],axis=1,keys=['Total','%'])
train_df_missing

Menggabungan Data Train dan Test

Berikut ini akan menggabungkan data Train dan Test dalam bentuk array.

data = [train_df,test_df]

Mengisi Data Kosong Pada Kolom Age

Untuk data kosong pada kolom Age akan diisi angka random diantara mean – stdeviasi dan mean+ stdeviasi. Berikut ini kode programnya.

train_df['Age'].isnull().sum()

for dataset in data:
  mean = train_df['Age'].mean()
  std = train_df['Age'].std()
  is_null = dataset['Age'].isnull().sum()
  rand_age = np.random.randint(mean-std,mean+std, size= is_null)
  age_slice = dataset['Age'].copy()
  age_slice[np.isnan(age_slice)] = rand_age
  dataset['Age'] = age_slice
  dataset['Age'] = train_df['Age'].astype(int)

train_df['Age'].isnull().sum()

Mengisi Data Kosong Pada Kolom Embarked

Untuk data kosong pada kolom Embarked akan diisi dengan huruf ‘S’ dikarenakan data tersebut paling banyak pada kolom tersebut. Berikut ini kode programnya.

for dataset in data:
  dataset['Embarked'] = dataset['Embarked'].fillna('S')

Mengisi Data Kosong Pada Kolom Fare

Untuk data kosong pada kolom Fare akan diisi dengan angka 0. Berikut ini kode programnya.

for dataset in data:
  dataset['Fare'] = dataset['Fare'].fillna(0)
  dataset['Fare'] = dataset['Fare'].astype(int)

Mengubah Data Pada Kolom Sex dan Embarked

Proses pembelajaran machine learning hanya mengenal angka. Ini mengharuskan melakukan perubahan data string kedalam bentuk bilangan. Kolom Sex yang berisi male dan female akan diubah kedalam bentuk 1 dan 2. Sedangkan kolom Embarked S, C dan Q berubah menjadi 0,1 dan 2. Berikut ini kode programnya.

genders = {"male" : 0, "female" :1}
for dataset in data:
  dataset['Sex'] = dataset['Sex'].map(genders)

ports = {"S":0, "C":1, "Q":2}
for dataset in data:
  dataset['Embarked'] = dataset['Embarked'].map(ports)

Mengompokan Data Kolom Age

Data pada kolom Age sifatnya hampir mendekati unik. Ini kurang baik untuk proses pembelajaran. Hal yang harus dilakukan adalah mengelompokkkanya dalam bentuk range umur. Pada kolom Fare juga akan dilakukan proses yang sama. Berikut ini kode programnya.

for dataset in data:
  dataset['Age'] = dataset["Age"].astype(int)
  dataset.loc[dataset['Age'] <=11, 'Age']=0
  dataset.loc[(dataset['Age'] >11) & (dataset['Age'] <=18), 'Age']=1
  dataset.loc[(dataset['Age'] >18) & (dataset['Age'] <=22), 'Age']=2
  dataset.loc[(dataset['Age'] >22) & (dataset['Age'] <=27), 'Age']=3
  dataset.loc[(dataset['Age'] >27) & (dataset['Age'] <=33), 'Age']=4
  dataset.loc[(dataset['Age'] >33) & (dataset['Age'] <=40), 'Age']=5
  dataset.loc[(dataset['Age'] >40) & (dataset['Age'] <=66), 'Age']=6
  dataset.loc[(dataset['Age'] >66), 'Age']=6

for dataset in data:
  dataset.loc[dataset['Fare'] <=7.91, 'Fare']=0
  dataset.loc[(dataset['Fare'] >=7.91) & (dataset['Fare'] <=14.454), 'Fare']=1
  dataset.loc[(dataset['Fare'] >14.454) & (dataset['Fare'] <=31), 'Fare']=2
  dataset.loc[(dataset['Fare'] >31) & (dataset['Fare'] <=99), 'Fare']=3
  dataset.loc[(dataset['Fare'] >99) & (dataset['Fare'] <=250), 'Fare']=4
  dataset.loc[dataset['Fare'] >250, 'Fare']=5

Membuat Kolom Baru

Untuk proses machine learning dinilai perlu membuat kolom baru yang merupakan hasil kombinasi dari kolom yang sudah ada. Berikut ini kode programnya.

for dataset in data:
    dataset['relatives'] = dataset['SibSp'] + dataset['Parch']
    dataset.loc[dataset['relatives'] > 0, 'not_alone'] = 0
    dataset.loc[dataset['relatives'] == 0, 'not_alone'] = 1
    dataset['not_alone'] = dataset['not_alone'].astype(int)

for dataset in data:
  dataset['Age_Class'] = dataset['Age'] * dataset['Pclass']

for dataset in data:
  dataset['Fare_Per_Person'] = dataset['Fare']/(dataset['relatives']+1)
  dataset['Fare_Per_Person'] = dataset['Fare_Per_Person'].astype(int)

Hasil Preprocessing Data Kapal Titanic

Berikut ini adalah hasil data terakhir setelah dilakukan proses manipulasi.

train_df.head(10)

test_df.head(10)

Kesimpulan Preprocessing Data Kapal Titanic

Proses pengelolaan data merupakan hal terpenting sebelum dilakukan proses pembelajaran. Jika proses ini tidak dilakukan dengan benar dan tepat maka proses pembelajaran tidak ada menghasilkan model yang baik dan bisa digunakan.

The post Belajar Data Science – Preprocessing Data Kapal Titanic (Bagian 3) appeared first on Onestring Lab.

Diagram yang digunakan pada proses visualisasi kali ini adalah Histogram. Dalam bidang statistik, histogram adalah tampilan grafis dari tabel frekuensi yang diwakili oleh grafik batang sebagai bentuk dari pengelompokan data. Setiap tampilan batang menunjukkan proporsi frekuensi di setiap kelompok kategori yang berdekatan pada interval yang tidak tumpang tindih.

Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab.

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
df.head()

Histogram Visualisasi Data Kapal Titanic

Bagian ini akan melihat hubungan antara kelompok umur dan jenis kelamin dengan jumlah penumpang yang selamat. Diagram yang akan digunakan pada visualisasi ini adalah Histogram. Berikut ini adalah kode programnya.

import matplotlib.pyplot as plt

data_age_survived =df[['Sex','Age','Survived']].copy()
data_age_survived =df[['Sex','Age','Survived']].copy()
data_male_0 = data_age_survived.loc[(data_age_survived['Sex'] == 'male') & 
                                    (data_age_survived['Survived'] == 0)].copy()
data_male_0 = data_male_0.dropna()

data_male_1 = data_age_survived.loc[(data_age_survived['Sex'] == 'male') & 
                                    (data_age_survived['Survived'] == 1)].copy()
data_male_1 = data_male_1.dropna()

fig = plt.figure(figsize=(12,8))
plt.hist(data_male_0['Age'],40, color ='orange', alpha = 0.7, label = "Not Survived")
plt.hist(data_male_1['Age'],40, color ='blue', alpha = 0.7, label = "Survived")
plt.title('Male')
plt.xlabel('Age')
plt.ylabel('Survived')
plt.legend()
plt.show() 

Keluaran dari kode program ditunjukkan pada gambar berikut ini

data_female_0 = data_age_survived.loc[(data_age_survived['Sex'] == 'female') & 
                                    (data_age_survived['Survived'] == 0)].copy()
data_female_0 = data_female_0.dropna()

data_female_1 = data_age_survived.loc[(data_age_survived['Sex'] == 'female') & 
                                    (data_age_survived['Survived'] == 1)].copy()
data_female_1 = data_female_1.dropna()

fig = plt.figure(figsize=(12,8))
plt.hist(data_female_0['Age'],40, color ='orange', alpha = 0.7, label = "Not Survived")
plt.hist(data_female_1['Age'],40, color ='blue', alpha = 0.7, label = "Survived")
plt.title('Female')
plt.xlabel('Age')
plt.ylabel('Survived')
plt.legend()
plt.show() 

Keluaran dari kode program ditunjukkan pada gambar berikut ini

Kesimpulan

Visualisasi data dapat memberikan pemahaman yang lebih baik daripada data ditampilkan dalam bentuk tabel. Histogram menunjukkan bahwa penumpang wanita dengan rentang usia 20-40 tahun memilki kemungkinan yang tinggi untuk selamat dari kecelakan kapal Titanic dan juga terlihat bahwa pada rentang usia tersebutlah baik penumpang laki-laki atau perempuan yang paling banyak selamat.

The post Belajar Data Science – Visualisasi Data Histogram – Mengeksplorasi Data Kapal Titanic (Bagian 2) appeared first on Onestring Lab.

1. Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab.

import pandas as pd
df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
df.head()

2. Mengetahui jenis data dan jumlah data

Langkah selanjutnya adalah mengetahui jenis data yang pada setiap variabel. Selain itu, juga untuk mengetahui berapa jumlah kelengkapan data pada masing-masing variabel. Tipe data variabel pada data kapal Titanic cukup beragam yaitu int64, object, dan float64. Untuk jumlah data kosong, variabel Age dan Cabin memiliki data kosong. Variabel Age memiliki 177 data kosong, sedangkan variabel Cabin memiliki 687 data kosong.

df.info()

4. Mengetahui statistik deskriptif

Bagian ini akan diperlihatan statistif deskriptif dari data kapal Titanic. Data menunjukan bahwa jumlah data sebanyak 891 data dan presentase rata-rata penumpang selamat pada tragedi tenggelamnya kapa tersebut sebesar 38.38%. Selain itu, pada variabel Age juga dapat diketahui pada usia penumpang kapal Titani antar 0.42 – 80 tahun.

df.describe()

5. Mengetahui jumlah data yang kosong

Bagian ini akan mengeksplorasi lebih jauh mengenai variabel yang memiliki data yang kosong. Tabel menunjukkan bahwa terdapat 2 variabel yang memiliki data kosong, yaitu Cabin dan Age. Variabel Cabin memiliki presetanse data kosong sebesar 77.10%, sedangkan Age sebesar 19.92%.

row = df.shape[0]
total = df.isnull().sum().sort_values(ascending=False)
presentase = ((df.isnull().sum()/row)*100).sort_values(ascending=False)
presentase = round(presentase,2)
dt_missing = list(zip(total,presentase))
df_missing = pd.concat([total,presentase],axis=1,keys=['Total','%'])
df_missing

Kesimpulan Mengeksplorasi Data Kapal Titanic

Setelah dilakukan eksplorasi tahap awal pada data Kapal Titanic maka dapat disimpulkan bahwa data ini memiliki 891 baris data terdiri dari 11 variabel dengan tipe data int64, float64 dan object dan terdapat 2 variabel yang memiliki data kosong yaitu Cabin dan Age. Cabin memiliki presentase data kosong yang besar yaitu mencapai 77.10%, sehingga layak untuk tidak digunakan, sedangkan variabel Age masih di layak untuk digunakan untuk proses selanjutnya.

The post Belajar Data Science – Mengeksplorasi Data Kapal Titanic (Bagian 1) appeared first on Onestring Lab.

1. Import pustaka untuk visualisasi data penjualan

Pustaka yang dibutuhkan pada pekerjaan ini adalah pandas, numpy dan matplotlib. Berikut kode programnya.

import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt

2. Membentuk DataFrame dari file .csv

Langkah berikutnya adalah membentuk DataFrame dari file .csv yang berisikan data penjualan berbagai produk. Berikut ini kode programnya. Hasil luaran pada kode program ini terlihat seperti pada Gambar 1.

df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/penjualan.csv')
df.head(20)

3. Total profit setiap bulan

Pada bagian ini akan menampilkan grafik garis untuk total profit setiap bulan. Berikut ini kode program dan hasil luaran program ditunjukkan pada Gambar 2.

fig = plt.figure(figsize=(12,8))
ax = plt.axes()
ax.plot(df['bulan'],df['total_profit'])
ax.set_title('Laporan Penjualan')
ax.set_ylabel('Total Profit')
ax.set_xlabel('Bulan')

4. Penjualan produk setiap bulan

Pada bagian ini akan menampilkan grafik multi garis untuk total penjualan produk setiap bulan. Berikut ini kode program dan hasil luaran program ditunjukkan pada Gambar 3.

fig = plt.figure(figsize=(12,8))
ax = plt.axes()
ax.plot(df['bulan'],df['krimwajah'],label="krimwajah")
ax.plot(df['bulan'],df['sabunwajah'],label="sabunwajah")
ax.plot(df['bulan'],df['pastagigi'],label="pastagigi")
ax.plot(df['bulan'],df['sabun'],label="sabun")
ax.plot(df['bulan'],df['sampo'],label="sampo")
ax.plot(df['bulan'],df['pelembab'],label="pelembab")
ax.set_title('Penjualan Perusahaan')
ax.set_ylabel('Profit')
ax.set_xlabel('Bulan')
ax.legend(loc="upper left", ncol=1, shadow=True, borderpad=1);

5. Penjualan pasta gigi setiap bulan.

Pada bagian ini akan menampilkan grafik scatter plot untuk penjualan pasta gigi setiap bulan. Berikut ini kode program dan hasil luaran program ditunjukkan pada Gambar 4.

fig = plt.figure(figsize=(12,8))
x = df['bulan']
y = df['pastagigi']
plt.title('Penjualan Pasta Gigi')
plt.scatter(x, y)
plt.xlabel('Bulan')
plt.ylabel('Penjualan')
plt.show()

6. Penjualan produk setiap bulan

Pada bagian ini akan menampilkan grafik multi batang untuk penjualan produk setiap bulan. Berikut ini kode program dan hasil luaran program ditunjukkan pada Gambar 5.

fig = plt.figure(figsize=(12,8))
X = df['bulan']
X_axis = np.arange(len(X))+1
width = 0.15
  
plt.bar(X_axis, df['krimwajah'], width, label='krimwajah')
plt.bar(X_axis + width, df['sabunwajah'], width, label='sabunwajah')
plt.bar(X_axis + width*2, df['pastagigi'], width, label='pastagigi')
plt.bar(X_axis + width*3, df['sabun'], width, label='sabun')
plt.bar(X_axis + width*4, df['sampo'], width, label='sampo')
plt.bar(X_axis + width*5, df['pelembab'], width, label='pelembab')

plt.xticks(X_axis, X)
plt.xlabel("Bulan")
plt.ylabel("Unit Terjual")
plt.title("Jumlah unit terjual per bulan setiap produk")
plt.legend()
plt.show()

7. Penjualan produk dalam 1 tahun

Pada bagian ini akan menampilkan grafik lingkaran untuk penjualan produk dalam 1 tahun. Berikut ini kode program dan hasil luaran program ditunjukkan pada Gambar 6.

sum_column = df.iloc[:,1:7].sum(axis=0)
sum_column.sort_values(ascending=True, inplace=True)
fig = plt.figure(figsize=(8,8))
ax = plt.axes()
colors = ('#FD0100', '#F76915', '#EEDE04', '#A0D636', '#2FA236', '#00A3FF')
labels = ['pelembab','sabunwajah','sampo','krimwajah','pastagigi','sabun']
ax.pie(sum_column, labels = labels, autopct='%1.0f%%', colors=colors,startangle = 90)
ax.set_title('Presentase penjualan produk dalam 1 tahun')

Kesimpulan Visualisasi Data Penjualan

Visualisasi data sangat diperlukan untuk proses memahami data yang dimiliki. Visualisasi data lebih menarik jika dibandingkan data dalam bentuk tabel. Bahasa pemrograman Python sudah menyediakan berbagai pustaka untuk proses visualisasi data.

The post Belajar Data Science – Visualisasi Data Penjualan appeared first on Onestring Lab.

Hal pertama yang tentunya harus dilakukan adalah memanggil pustaka Pandas. Berikut kode programnya.

import pandas as pd

1. Membuat DataFrame dari 1 buah list

Pandas DataFrame dapat dibentuk dari 1 buah list. Ini ditunjukkan pada kode program berikut ini

data = ['Anita', 'Budiman', 'Candra', 'Dorimilaje', 'Baskoro', 'Febiola', 'Hartono']
df = pd.DataFrame(data)
df

2. Membuat DataFrame dari 1 list, memberikan nama kolom dan nilai index

Setelah DataFrame dibentuk maka dapat ditambahkan nama kolom dan nilai index yang diinginkan. Berikut ini kode programnya.

data = ['Anita', 'Budiman', 'Candra', 'Dorimilaje', 'Baskoro', 'Febiola', 'Hartono']
df = pd.DataFrame(data,columns=['nama'],
                  index=['a', 'b', 'c', 'd', 'e', 'f', 'g'])
df

3. Membuat DataFrame dari beberapa list

DataFrame juga dapat dibentuk dari beberapa list. Berikut ini kode programnya.

data = ['Anita', 'Budiman', 'Candra', 'Dorimilaje', 'Baskoro', 'Febiola', 'Hartono']
jk = ["W","P","P","W","P","W","P"]
nilai = [89,45,67,78,67,45,84]
dt = list(zip(data,jk,nilai))
df = pd.DataFrame(dt,columns=['nama','gender','nilai'])
df

4. Membuat DataFrame dari multidimensi list

DataFrame juga dapat dibentuk dari multidimensi list. Berikut ini kode programnya.

data = [['Anita','W',89], ['Budiman','P',45], ['Candra','P',867], 
        ['Dorimilaje','W',78],['Baskoro','P','67'],
        ['Febiola','W',45], ['Hartono','P',84]]
df = pd.DataFrame(data,columns=['nama','gender','nilai'])
df

5. Membuat data frame menggunakan dictionary

Terakhir, DataFrame juga dapat dibentuk dari sebuah dictionary. Berikut ini contoh programnya.

data = ['Anita', 'Budiman', 'Candra', 'Dorimilaje', 'Baskoro', 'Febiola', 'Hartono']
jk = ["W","P","P","W","P","W","P"]
nilai = [89,45,67,78,67,45,84]
dic = {'nama':data,'gender':jk,'nilai':nilai}
df = pd.DataFrame(dic)
df

Luaran dari kode program di atas ditunjukan pada gambar berikut ini.

Kesimpulan

Seperti yang telah dijelaskan bahwa untuk membentuk sebuah DataFrame dapat dilakukan dengan berbagai cara. Sebenarnya ada juga cara lain yaitu membentuknya dari file .csv. Namun, mengenai teknik ini sudah dijelaskan pada artikel Memuat Data CSV ke DataFrame. Untuk dokumentasi lebih lengkap mengenai proses pembentukan DataFrame ini dapat dilihat disini.

The post Belajar Data Science – 5 Cara Membuat Pandas DataFrame appeared first on Onestring Lab.

Seorang peneliti sedang mempelajari jamur. Mereka telah menemukan cincin jamur dan memberi label koordinat. Biasanya jamur menyebar keluar dari pusat jamur awal. Dengan koordinat di bawah ini, peneliti ingin menjawab pertanyaan: Kira-kira di manakah letak pusat pertumbuhan jamur? Buat bagan yang memungkinkan peneliti memperkirakan pusat pertumbuhan.

Contoh Kasus

Data

Berikut ini adalah data yang diberikan. X dan Y merupakan variabel koordinat lokasi pertumbuhan jamur.

x = [4.61, 5.08, 5.18, 7.82, 10.46, 7.66, 7.6, 9.32, 
14.04, 9.95, 4.95, 7.23, 5.21, 8.64, 10.08, 8.32, 
12.83, 7.51, 7.82, 6.29, 0.04, 6.62, 13.16, 6.34, 
0.09, 10.04, 13.06, 9.54, 11.32, 7.12, -0.67, 10.5, 
8.37, 7.24, 9.18, 10.12, 12.29, 8.53, 11.11, 9.65, 
9.42, 8.61, -0.67, 5.94, 6.49, 7.57, 3.11, 8.7, 5.28, 
8.28, 9.55, 8.33, 13.7, 6.65, 2.4, 3.54, 9.19, 7.51, 
-0.68, 8.47, 14.82, 5.31, 14.01, 8.75, -0.57, 5.35, 
10.51, 3.11, -0.26 , 5.74,8.33, 6.5, 13.85, 9.78, 4.91, 
4.19, 14.8, 10.04, 13.47, 3.28] 

y = [-2.36, -3.41, 13.01, -2.91, -2.28, 12.83, 13.13,
 11.94, 0.93, -2.76, 13.31, -3.57, -2.33, 12.43, -1.83, 
 12.32, -0.42, -3.08, -2.98, 12.46, 8.34, -3.19, -0.47, 
 12.78, 2.12, -2.72, 10.64, 11.98, 12.21, 12.52, 5.53, 
 11.72, 12.91, 12.56, -2.49, 12.08, -1.09, -2.89, -1.78, 
 -2.47, 12.77, 12.41, 5.33, -3.23, 13.45, -3.41, 12.46, 
 12.1, -2.56, 12.51, -2.37, 12.76, 9.69, 12.59, -1.12, 
 -2.8, 12.94, -3.55, 7.33, 12.59, 2.92, 12.7, 0.5, 
 12.57, 6.39, 12.84, -1.95, 11.76, 6.82, 12.44, 13.28, 
 -3.46, 0.7, -2.55, -2.37, 12.48, 7.26, -2.45, 0.31, -2.51]

Kode Program

Kode program berikut ini digunakan untuk melakukan import library yang akan digunakan.

import matplotlib.pyplot as plt

Selanjutnya, memasukan data yang telah diberikan sebelumnya.

x = [4.61, 5.08, 5.18, 7.82, 10.46, 7.66, 7.6, 9.32, 
14.04, 9.95, 4.95, 7.23, 5.21, 8.64, 10.08, 8.32, 
12.83, 7.51, 7.82, 6.29, 0.04, 6.62, 13.16, 6.34, 
0.09, 10.04, 13.06, 9.54, 11.32, 7.12, -0.67, 10.5, 
8.37, 7.24, 9.18, 10.12, 12.29, 8.53, 11.11, 9.65, 
9.42, 8.61, -0.67, 5.94, 6.49, 7.57, 3.11, 8.7, 5.28, 
8.28, 9.55, 8.33, 13.7, 6.65, 2.4, 3.54, 9.19, 7.51, 
-0.68, 8.47, 14.82, 5.31, 14.01, 8.75, -0.57, 5.35, 
10.51, 3.11, -0.26 , 5.74,8.33, 6.5, 13.85, 9.78, 4.91, 
4.19, 14.8, 10.04, 13.47, 3.28] 

y = [-2.36, -3.41, 13.01, -2.91, -2.28, 12.83, 13.13,
 11.94, 0.93, -2.76, 13.31, -3.57, -2.33, 12.43, -1.83, 
 12.32, -0.42, -3.08, -2.98, 12.46, 8.34, -3.19, -0.47, 
 12.78, 2.12, -2.72, 10.64, 11.98, 12.21, 12.52, 5.53, 
 11.72, 12.91, 12.56, -2.49, 12.08, -1.09, -2.89, -1.78, 
 -2.47, 12.77, 12.41, 5.33, -3.23, 13.45, -3.41, 12.46, 
 12.1, -2.56, 12.51, -2.37, 12.76, 9.69, 12.59, -1.12, 
 -2.8, 12.94, -3.55, 7.33, 12.59, 2.92, 12.7, 0.5, 
 12.57, 6.39, 12.84, -1.95, 11.76, 6.82, 12.44, 13.28, 
 -3.46, 0.7, -2.55, -2.37, 12.48, 7.26, -2.45, 0.31, -2.51]

Terakhir, ini merupakan kode untuk menampilkan diagram sebar.

plt.title('Area Pertumbuhan Jamur')
plt.scatter(x, y)
plt.show()

Berikut ini merupakan tampilan scatter plot yang dihasilkan dari kode program

Contoh Kode Program Scatter Plot

Berikut ini merupakan contoh kode program dalam pemanfaatan scatter plot.

import matplotlib.pyplot as plt

lemon_diameter = [6.44, 6.87, 7.7, 8.85, 8.15, 9.96, 7.21, 10.04, 10.2, 11.06] 
lemon_weight = [112.05, 114.58, 116.71, 117.4, 128.93, 132.93, 138.92, 145.98, 148.44, 152.81] 
lime_diameter = [6.15, 7.0, 7.0, 7.69, 7.95, 7.51, 10.46, 8.72, 9.53 , 10.09] 
lime_weight = [112.76, 125.16, 131.36, 132.41, 138.08, 142.55, 156.86, 158.67, 163.28, 166.74]

plt.title('Lemons vs. Limes')
plt.xlabel('Diameter (cm)')
plt.ylabel('Weight (g)')
plt.scatter(lemon_diameter, lemon_weight, color='y')
plt.scatter(lime_diameter, lime_weight, color='g')
plt.legend(['lemons', 'limes'])
plt.show()

Berikut ini merupakan tampilan diagram sebar yang dihasilkan dari kode program

Kesimpulan

Bila diperhatikan pada pola titik yang terlihat pada diagram sebar maka akan dapat disimpulkan apakah kedua variabel tersebut memiliki hubungan atau tidak? Jika memiliki hubungan apakah hubungan postif atau negatif. Hubungan positif atinya semakin tinggi nilai x maka semakin tinggi pula nilai y sedangkan hubungan negatif adalah apabila salah variabel meninggi nilainya maka variabelnya lainnya menjadi merendah.

Tentu saja cara yang sudah dijelaskan hanya merupakan salah satu dari sekian banyak cara yang disediakan oleh Matplotlib itu sendiri terkait diagram sebar. Kunjungi tautan ini untuk mengetahui tema data science lainnya. Semoga bermanfaat.

The post Belajar Data Science – Visualisasi Data dengan Scatter Plot Matplotlib appeared first on Onestring Lab.

Pada tulisan ini akan dibahas bagaimana menampilkan visualiasi data dengan Matplotlib dalam bentuk bar chart atau diagram batang.

Import Library

Kode program berikut ini digunakan untuk melakukan import library yang akan digunakan.

import matplotlib.pyplot as plt
import pandas as pd

Mengambil data

Data yang digunakan kali ini adalah data dari monster Pokemon. Setelah data diambil maka ditambahkan 1 kolom yang bernama Count. Kolom ini berisi angka 1 yang akan digunakan untuk menghitung nantinya.

df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/notebook/main/pokemon_data.csv')
df['Count'] = 1
df.head()

Menyiapkan data

Diagram batang yang akan dibuat adalah mencari jumlah Type 1 dari seluruh data monster Pokemon yang ada. Langkah pertama yang dilakukan adalah melalukan grouping pada berdasarkan data Type 1. Grouping dilakukan dengan menggunakan perintah group by. Penjelasan mengenai group by dapat dilihat pada Group by Pandas DataFrame Untuk Perhitungan Data. Setelah dilakukan grouping maka langkah berikutnya adalah diurutkan berdasarkan jumlah terkecil sampai terbesar. Berikut kode programnya.

data = df.groupby(['Type 1']).count().reset_index()
data.sort_values('Count', ascending=True, inplace=True)
data.head()

Membuat Bar Chart

Berikut kode program untuk membuat bar char atau diagram batang.

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.bar(data['Type 1'],data['Count'])
plt.xticks(rotation=90)
plt.show()

Memberi warna dan judul

Berikut ini cara memberi warna dan judul pada diagram batang.

fig = plt.figure(figsize=(6,4))
ax = plt.axes()

colors = ['#0000FF' for _ in range(len(data))]
colors[-1] = '#FF0000'

plt.ylabel('Jumlah')
plt.title('Pokemon Type 1')

ax.bar(data['Type 1'],data['Count'], color=colors)
plt.xticks(rotation=90)
plt.show()

Membuat Diagram Batang Multi Kategori

Pada bagian ini akan dibuat diagram batang yang memiliki multi kategori. Diagram batang yang akan dibuat adalah untuk mengetahui berapa jumlah monster legendary pada kategorical Type 1. Visualiasi ini akan ditampilkan dalam bentuk stack atau tumpukkan dan dalam bentuk batang yang terpisah.

Menyiapkan Data

Melakukan group by dengan 2 kategori.

data = df.groupby(['Type 1', 'Legendary']).count()[['Count']].reset_index()
data = data.set_index(['Type 1', 'Legendary']).Count
data.head()

Membuat Stacked Bar Chart

data.unstack().plot(kind = 'bar', stacked = True)

Membuat Unstacked Bar Chart

data.unstack().plot(kind = 'bar', stacked = False)

Kesimpulan

Proses melakukan visualisasi data dalam bentuk diagram batang dengan menggunakan Matplotlib dapat dikatakan sangat mudah. Namun, tentu saja cara yang sudah dijelaskan hanya merupakan salah satu dari sekian banyak cara yang disediakan oleh Matplotlib itu sendiri terkait diagram ini. Kunjungi tautan ini untuk mengetahui tema data science lainnya.

The post Belajar Data Science – Visualisasi Data dengan Bar Chart Matplotlib appeared first on Onestring Lab.

Variabel label berisi tupel jenis permen. Variabel voting berisi tupel voting. Data tersebut mewakili jumlah voting jenis permen favorit. Pembuatan grafik menggunakan library Pyplot Matplotlib. Method plt.pie () digunakan untuk membuat antarmuka diagram lingkaran berdasarkan data jenis permen dan jumlah setiap jenis permen tesebut.

Contoh Kasus

Sesorang memiliki sekantong permen. Terdapat lima jenis permen, masing-masing diberi nama di bawah ini. Buat diagram yang menunjukkan persentase peluang bahwa akan mengeluarkan permen Snickers dari kantong jika dilakukan pengambilan acak. Sebutkan peluang memilih permen Snickers.

Import Library Matplolib

Pada bagian ini akan diperlihat kode program untuk import libary Pandas dan Matplotlib.

Data Permen Favorit

Berikut ini merupakan data permen favorit yang terdiri dari nama permen dan jumlah orang yang menyukainnya. Selain itu, ditambahkan beberapa data untuk tampilan diagram lingkaran.

candy_names = ['Kit Kat', 'Snickers', 'Milky Way', 'Toblerone', 'Twix']
candy_counts = [52, 39, 90, 13, 78]
colors = ('#8B4513', '#FFF8DC', '#93C572', '#E67F0D', '#D53032')
explode = (0, 0, 0.1, 0, 0)

Membuat Pie Chart dengan Matplotlib

Pada bagian ini akan dijelaskan mengenai cara membuat diagram lingkaran.

fig = plt.figure()
ax = plt.axes()

Menampilkan pie chart

fig = plt.figure(figsize=(6,6))
ax = plt.axes()
ax.pie(candy_counts, labels = candy_names)

Menambahkan nilai presentase

fig = plt.figure(figsize=(6,6))
ax = plt.axes()
ax.pie(candy_counts, labels = candy_names, autopct='%1.0f%%')

Menambahkan judul pada diagram

fig = plt.figure(figsize=(6,6))
ax = plt.axes()
ax.pie(candy_counts, labels = candy_names, autopct='%1.0f%%')
ax.set_title('Diagram Permen Favorit')

Merubah warna irisan

fig = plt.figure(figsize=(6,6))
ax = plt.axes()
ax.pie(candy_counts, labels = candy_names, autopct='%1.0f%%', colors=colors)
ax.set_title('Diagram Permen Favorit')

Membelah diagram lingkaran

Membelah diagram lingkaran artinya adalah irisan ditarik keluar sedikit dari keseluruhan diagram. Biasanya irisan yang ditarik keluar adalah irisan yang bernilai paling tinggi.

fig = plt.figure(figsize=(6,6))
ax = plt.axes()
ax.pie(candy_counts, labels = candy_names, autopct='%1.0f%%', colors=colors
       ,explode=explode)
ax.set_title('Diagram Permen Favorit')

Kesimpulan Pie Chart-Visualisasi Data

Jawaban dari pertanyaan soal mengenai peluang dari Snickers didapatkan jika diambil dari kantong secara acak adalah 14% atau 0.14. Peluang terbesar untuk terambil dari kantong permen tersebut adalah Milky Way yaitu sebesar 33%, sedangkan yang terkecil adalah Toblerone sebesar 5% saja.

Proses melakukan visualisasi data dalam bentuk diagram lingkaran dengan menggunakan Matplotlib dapat dikatakan sangat mudah. Namun, tentu saja cara yang sudah dijelaskan hanya merupakan salah satu dari sekian banyak cara yang disediakan oleh Matplotlib itu sendiri terkait diagram ini. Kunjungi tautan ini untuk mengetahui tema data science lainnya.

The post Belajar Data Science – Visualisasi Data dengan Pie Chart Matplotlib appeared first on Onestring Lab.

Contoh Kasus

Diketahui daftar harga Bitcoin yang dicatat setiap akhir minggu (Minggu) di 2018 dan 2019. Buat visualisasi yang memungkinkan Anda menjawab pertanyaan: Tahun apa, 2018 atau 2019, yang cenderung memberikan pengembalian yang lebih baik bagi pemegang Bitcoin?

Import Library Matplolib

Pada bagian ini akan diperlihat kode program untuk import libary Pandas dan Matplotlib.

import matplotlib.pyplot as plt
import pandas as pd
import numpy as npt

Data Harga Bitcoin

Berikut ini merupakan data harga bitcoin dalam setiap minggunya. Data terdiri dari 104 minggu dalam kurun waktu selama 2 tahun yaitu tahun 2018 dan 2019.

prices = [
14292.2, 12858.9, 11467.5, 9241.1, 8559.6, 11073.5, 9704.3 , 11402.3, 
8762.0, 7874.9, 8547.4, 6938.2, 6905.7, 8004.4, 8923.1, 9352.4, 9853.5, 
8459.5, 8245.1, 7361.3, 7646.6, 7515.8, 6505.8, 6167.3, 6398.9, 6765.5, 
6254.8, 7408.7, 8234.1, 7014.3, 6231.6, 6379.1, 6734.8, 7189.6, 6184.3, 
6519.0, 6729.6, 6603.9, 6596.3, 6321.7, 6572.2, 6494.2, 6386.2, 6427.1, 
5621.8, 3920.4, 4196.2, 3430.4, 3228.7, 3964.4, 3706.8, 3785.4, 3597.2, 
3677.8, 3570.9, 3502.5, 3661.4, 3616.8, 4120.4, 3823.1, 3944.3, 4006.4, 
4002.5, 4111.8, 5046.2, 5051.8, 5290.2, 5265.9, 5830.9, 7190.3, 7262.6, 
8027.4, 8545.7, 7901.4, 8812.5, 10721.7, 11906.5, 11268.0, 11364.9 , 
10826.7, 9492.1, 10815.7, 11314.5, 10218.1, 10131.0, 9594.4, 10461.1, 
10337.3, 9993.0, 8208.5, 8127.3, 8304.4, 7957.3, 9230.6, 9300.6, 8804.5, 
8497.3, 7324.1, 7546.6, 7510.9, 7080.8, 7156.2, 7321.5, 7376.8
]

Membuat data Weeks

Sebelum membuat dataframe yang akan menjadi sumber data utama diperlukan tambahan 1 buah variabel yaitu Week. Variabel ini akan menjadi sumbu X dan harga bitcoin akan menjadi sumbu Y. Setelah variabel Week terbentuk maka proses selanjutnya adalah membuat dataframe dari kedua variabel tersebut. Berikut ini kode programnya.

weeks = list(range(1, len(prices)+1))
df = pd.DataFrame({'Week': weeks, 'Price': prices })
df.head()

Membagi dataframe menjadi 2 bagian

Pada bagian ini data akan dibagi menjadi 2 bagian yaitu pekan ke 1-52 menjadi dataframe tahun 2018 dan pekan 53-104 menjadi dataframe tahun 2019. Berikut ini kode programnya.

df2018 = df[0:52]
df2018.head()

df2019 = df[52:104]
df2019.head()

Membuat visualisasi data dengan Matplotlib

Pada bagian ini akan dijelaskan mengenai cara membuat diagram garis.

Membuat tempat visualisasi data

fig = plt.figure()
ax = plt.axes()

Menambahkan line chart

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'])

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2019['Week'],df2019['Price'])

Menggabungkan 2 Line Chart

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'])
ax.plot(df2019['Week'],df2019['Price'])

Memberikan title dan label pada line chart

Judul dapat ditambahkan pada diagram yang dibuat. Perintah set_title() digunakan untuk menampilkan judul pada diagram. Untuk label sumbu x digunakan perintah set_xlabel() sedangkan sumbu y digunakan perintah set_ylabel().

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'])
ax.plot(df2019['Week'],df2019['Price'])
ax.set_title('Bitcoin Price 2018- 2019')
ax.set_ylabel('Price')
ax.set_xlabel('Week')

Merubah warna dan tipe garis

Pada bagian ini dicontohkan untuk merubah warna garis dan tipe garis yang digunakan. Label 2018 diberi kode “co” yang artinya “c” itu cyan dan “o” itu jenis garis ang dalam bentuk bulat. Sedangkan label 2019 memilki kode “m^” yang artinya m itu magentha dan “^” itu jenis garis yang dalam bentuk segitiga

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'],'co')
ax.plot(df2019['Week'],df2019['Price'],'m^')
ax.set_title('Bitcoin Price 2018- 2019')
ax.set_ylabel('Price')
ax.set_xlabel('Week')

Mengatur ukuran sumbu X dan Y pada line chart

Untuk dapat melihat diagram lebih jelas dapat dilakukan dengan mengatur range nilai data. Pada contoh telihat bahwa x bernilai dari 0-104 , sedangkan nilai y memiliki rentan darii 1000-20000.

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'],'co')
ax.plot(df2019['Week'],df2019['Price'],'m^')
ax.set_xlim(0,104)
ax.set_ylim(1000,20000)
ax.set_title('Bitcoin Price 2018- 2019')
ax.set_ylabel('Price')
ax.set_xlabel('Week')

Menambahkan legend label

Legend pada diagram merupakan keterangan yang menunjukkan warna atau pola yang digunakan pada setiap label. Pada contoh terdapat 2 label yaitu 2018 dan 2019.

fig = plt.figure(figsize=(6,4))
ax = plt.axes()
ax.plot(df2018['Week'],df2018['Price'],'c+', label="2018")
ax.plot(df2019['Week'],df2019['Price'],'m2', label="2019")
ax.set_xlim(0,104)
ax.set_ylim(0,20000)
ax.set_title('Bitcoin Price 2018- 2019')
ax.set_ylabel('Price')
ax.set_xlabel('Week')
ax.legend(loc="upper center", ncol=2, shadow=True, borderpad=1);

Kesimpulan Line Chart – Visualisasi Data

Jawaban dari soal yang telah diberikan adalah tahun 2019. Pada tahun 2019 terlihat harga dari bitcoin meningkat pesat. Namun, pada pertengahan tahun terlihat menurun walaupun turunnya landai saja. Harga bitcoin di tahun 2018 cenderung terus menurun dari awal tahun sampai dengan akhir tahun.

Proses melakukan visualisasi data dengan menggunakan Matplotlib dapat dikatakan sangat mudah. Namun, tentu saja cara yang sudah dijelaskan hanya merupakan salah satu dari sekian banyak cara yang disediakan oleh Matplotlib itu sendiri. Pada artikel ini hanya membahas satu bentuk visualisasi data yaitu grafik garis. Kunjungi tautan ini untuk mengetahui tema data science lainnya.

The post Belajar Data Science – Visualisasi Data dengan Line Chart Matplotlib appeared first on Onestring Lab.

Import Library dan Membuat Beberapa Dataframe

Pada bagian ini akan diperlihatkan kode program untuk import library Pandas dan membuat beberapa DataFrame

import pandas as pd

# membuat data pelanggan
pelanggan = pd.DataFrame({'idpelanggan':[1, 2, 3, 4, 5],
                          'nama':['Adi','Zainal','Fajar','Budiman','Marlina']})

# membuat data transaksi
transaksi = pd.DataFrame({'idtransaksi': [5, 6, 7],
                          'idpelanggan' : [2, 3, 4],
                          'idbarang' : [8, 9, 10],
                          'jumlah' : [3, 4, 5] })

# membuat data barang
barang = pd.DataFrame({'idbrg' : [8, 9, 10, 11, 12],
                          'nama_barang' : ['Biskuit', 'Kopi', 'Gula', 'Beras', 'Minyak Goreng'],
                       'harga' : [2000, 3000, 3500, 5000, 6000]})

Hasil DataFrame dari keluaran kode program diatas terlihat seperti berikut ini.

Menggabungkan DataFrame dengan inner join

Pada bagian ini akan dicontohkan mengenai cara melakukan inner join pada 2 Pandas DataFrame. DataFrame yang akan digabungkan adalah DataFrame pelanggan dan transaksi.

# menggabungkan 2 dataframe yaitu pelanggan dan transaksi secara inner join
df1 = pd.merge(pelanggan,transaksi, on = 'idpelanggan', how='inner')
df1

Keluaran dari kode diatas adalah

Menggabungkan DataFrame dengan left join

Pada bagian ini akan dicontohkan mengenai cara melakukan leftjoin pada 2 Pandas DataFrame. DataFrame yang akan digabungkan adalah DataFrame pelanggan dan transaksi.

# menggabungkan 2 dataframe yaitu pelanggan dan transaksi secara left join
df2 = pd.merge(pelanggan,transaksi, on = 'idpelanggan', how='left')
df2

Keluaran dari kode diatas adalah

Right Join 2 DataFrame

Pada bagian ini akan dicontohkan mengenai cara melakukan right join pada 2 Pandas DataFrame. DataFrame yang akan digabungkan adalah DataFrame transaksi dan barang. Ada sedikit perbedaan pada kode berikut ini dikarenakan adanya beda nama key yang akan digabungkan.

# menggabungkan 2 dataframe yaitu transaksi dan barang  secara right join
df3 = pd.merge(transaksi,barang, left_on = 'idbarang', right_on = 'idbrg', how='right')
df3

Keluaran dari kode diatas adalah

Pandas Join 3 DataFrame

Pada bagian ini akan dicontohkan menggabungkan 3 dataframe secara inner join. DataFrame yang akan digabungkan adalah transaksi, pelanggan dan barang. Berikut kode progamnya.

# menggabungkan 3 dataframe yaitu pelanggan, transaksi dan barang secara inner join
df4 = pd.merge(pelanggan, transaksi, on = 'idpelanggan', how='inner')
df5 = pd.merge(df4, barang, left_on = 'idbarang', right_on = 'idbrg', how='inner')
df5

Hasil keluaran dari kode diatas adalah

Kesimpulan

Proses menggabungkan beberapa Pandas DataFrame dapat dilakukan baik secara inner, left, atau right join. Bahkan, jika dibaca dokumentasi cara join pada Pandas DataFrame ada beberapa teknik lagi yang belum dibahas pada tulisan ini. Namun, untuk pengetahuan dasar mengetahui 3 cara ini. Artikel terkait data science dapat dilihat di sini.

The post Belajar Data Science – Menggabungkan Pandas DataFrame appeared first on Onestring Lab.

Mean

Perintah mean digunakan untuk menghitung rata-rata dari keseluruhan data. Contoh perintah yang digunakan untuk mencari rata-rata seperti berikut ini.

df.groupby('Type 1').mean().head()

Sum

Perintah sum digunakan untuk menghitung jumlah dari keseluruhan nilai data. Contoh perintah yang digunakan untuk menghitung jumlah seperti berikut ini.

df.groupby('Type 1').sum().head()

Count

Perintah count digunakan untuk menghitung jumlah dari kemunculan data. Perbedaan dengan perintah sum adalah jika perintah sum digunakan untuk menjumlahkan nilai dari data sedangkan perintah count digunakan untuk menghitung jumlah kemunculan data. Contoh perintah yang digunakan untuk menghitung jumlah seperti berikut ini.

df.groupby(['Type 1']).count().head()

Contoh Kode Program dengan Group By Pandas DataFrame

Pada bagian ini akan diberikan mengenai perintah perhitungan yang telah dijelaskan sebelumnya.

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/notebook/main/pokemon_data.csv')
df.head()

df.groupby('Type 1').mean().head()

df.groupby('Type 1').mean().sort_values('Attack', ascending=False).head()

df.groupby('Type 1').sum().head()

df.groupby('Type 1').sum().sort_values('Attack', ascending=False).head()

df['Count'] = 1
df.head()

df.groupby(['Type 1']).count().head()

df.groupby(['Type 1', 'Type 2']).count()[['Count']]

Kesimpulan Penggunaan Perintah Group By Pandas DataFrame

Perintah group by berfungsi serupa dengan perintah group by pada SQL. Selanjutnya, perintah ini dapat digabungkan dengan beberapa perintah lain untuk proses perhitungan yang diperlukan yaitu mean, sum dan count. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Group by Pandas DataFrame Untuk Perhitungan Data appeared first on Onestring Lab.