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.

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.

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.

Jupyter Notebook

import pandas as pd

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

df.head(10)

df.loc[df['Type 1'] == 'Fire', 'Type 1'] = 'Flamer'
df.head(10)

df.loc[df['Type 1'] == 'Flamer', 'Type 1'] = 'Fire'
df.head(10)

df.loc[df['Type 1'] == 'Fire', 'Legendary'] = 'True'
df.head(10)

df.loc[df['HP'] >= 80, ['Generation','Legendary']] = [2,'True']
df.head(10)

df.loc[(df['HP'] >= 50) & (df['Attack'] >= 60), 'Generation'] = 2
df.head(10)

Kesimpulan

Pengubahan data dapat dilakukan melalui perintah yang telah disediakan oleh Python pada Pandas DataFrame. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Mengubah Data Berdasarkan Kondisi appeared first on Onestring Lab.

Jupyter Notebook

import pandas as pd

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

df.head()

# Mencari Type 1 = Grass
df.loc[df['Type 1'] == 'Grass'].head()

# Mencari Type 1 = Grass dan Type 2 = Poison 
df.loc[(df['Type 1'] == 'Grass') & (df['Type 2'] == 'Poison')].head()

# Mencari Type 1 = Grass dan Type 2 = Poison dan HP > 70 
df.loc[(df['Type 1'] == 'Grass') & (df['Type 2'] == 'Poison') & (df['HP'] > 70)].head()

# Mencari Type 1 = Grass atau Type 2 = Water
df.loc[(df['Type 1'] == 'Grass') | (df['Type 2'] == 'Water')]

# mencari name yang terdapat kata "Mega"
df.loc[df['Name'].str.contains('Mega')].head(20)

# mencari name yang tidak terdapat kata "Mega"
df.loc[~df['Name'].str.contains('Mega')]

import re

df.loc[df['Type 1'].str.contains('Fire|Grass', regex=True)]

df.loc[df['Type 1'].str.contains('fire|grass', flags=re.I, regex=True)]

df_new = df.loc[(df['Type 1'] == 'Grass') & (df['Type 2'] == 'Poison') & (df['HP'] > 70)].head(20)
df_new

df_new.reset_index()

# menghilangkan kolom index
df_new.reset_index(drop=True)

Kesimpulan

Pencarian data pada Pandas DataFrame dapat menggunakan pencarian berdasarkan data yang dicari atau dapat juga menggunakan regular expression. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Mencari Data Pada DataFrame appeared first on Onestring Lab.

Jupiter Notebook

import pandas as pd
from google.colab import files

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

df.head()

top10attack = df.sort_values('Attack',ascending=False).head(10)

top10attack.to_csv('top10attack.csv', index=False)

# Jika menggunakan Google Colabs maka lakukan ini
files.download('top10attack.csv')

top10attack.to_excel('top10attack.xlsx', index=False)

# Jika menggunakan Google Colabs maka lakukan ini
files.download('top10attack.xlsx')

top10attack.to_csv('top10attack.txt', index=False,sep='\t')

# Jika menggunakan Google Colabs maka lakukan ini
files.download('top10attack.txt')

Kesimpulan

Ternyata mudah sekali menyimpan data yang telah dikelola ke bentuk file yang diinginkan. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Menyimpan Datafame ke File (.csv, .xlsx, .txt) appeared first on Onestring Lab.

Jupyter Notebook

import pandas as pd

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

df.describe()

df.sort_values('Name',ascending=True)

df.sort_values(['Type 1','HP'],ascending=[True,False])

df['Total'] = df['HP'] + df['Attack'] + df['Defense'] + df['Sp. Atk'] + df['Sp. Def'] + df['Speed']
df.head(5)

df = df.drop(columns = ['Total'])
df.head()

df['Total'] = df.iloc[:,4:10].sum(axis=1)
df.head()

cols = list(df.columns)

df = df[cols[0:10] + [cols[-1]] + cols[10:12]]
df.head(5)

Kesimpulan

Cara mengurutkan data dan menambahkan kolom pada Pandas DataFrame mudah untuk dilakukan. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Mengurutkan dan Menambahkan Kolom Pada Dataframe appeared first on Onestring Lab.

Jupyter Notebook

import pandas as pd

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

print(df.head(5))

   #                   Name Type 1  Type 2  HP  Attack  Defense  Sp. Atk  \
0  1              Bulbasaur  Grass  Poison  45      49       49       65   
1  2                Ivysaur  Grass  Poison  60      62       63       80   
2  3               Venusaur  Grass  Poison  80      82       83      100   
3  3  VenusaurMega Venusaur  Grass  Poison  80     100      123      122   
4  4             Charmander   Fire     NaN  39      52       43       60   

   Sp. Def  Speed  Generation  Legendary  
0       65     45           1      False  
1       80     60           1      False  
2      100     80           1      False  
3      120     80           1      False  
4       50     65           1      False  

print(df.tail(5))

       #                 Name   Type 1 Type 2  HP  Attack  Defense  Sp. Atk  \
795  719              Diancie     Rock  Fairy  50     100      150      100   
796  719  DiancieMega Diancie     Rock  Fairy  50     160      110      160   
797  720  HoopaHoopa Confined  Psychic  Ghost  80     110       60      150   
798  720   HoopaHoopa Unbound  Psychic   Dark  80     160       60      170   
799  721            Volcanion     Fire  Water  80     110      120      130   

     Sp. Def  Speed  Generation  Legendary  
795      150     50           6       True  
796      110    110           6       True  
797      130     70           6       True  
798      130     80           6       True  
799       90     70           6       True  

print(df.columns)

Index(['#', 'Name', 'Type 1', 'Type 2', 'HP', 'Attack', 'Defense', 'Sp. Atk',
       'Sp. Def', 'Speed', 'Generation', 'Legendary'],
      dtype='object')

print(df[['Name','Type 1', 'HP']])

                      Name   Type 1  HP
0                Bulbasaur    Grass  45
1                  Ivysaur    Grass  60
2                 Venusaur    Grass  80
3    VenusaurMega Venusaur    Grass  80
4               Charmander     Fire  39
..                     ...      ...  ..
795                Diancie     Rock  50
796    DiancieMega Diancie     Rock  50
797    HoopaHoopa Confined  Psychic  80
798     HoopaHoopa Unbound  Psychic  80
799              Volcanion     Fire  80

[800 rows x 3 columns]

print(df.iloc[0:4])

   #                   Name Type 1  Type 2  HP  Attack  Defense  Sp. Atk  \
0  1              Bulbasaur  Grass  Poison  45      49       49       65   
1  2                Ivysaur  Grass  Poison  60      62       63       80   
2  3               Venusaur  Grass  Poison  80      82       83      100   
3  3  VenusaurMega Venusaur  Grass  Poison  80     100      123      122   

   Sp. Def  Speed  Generation  Legendary  
0       65     45           1      False  
1       80     60           1      False  
2      100     80           1      False  
3      120     80           1      False  

for index, row in df.iterrows():
  print(index,row['Name'])
  if index == 50:
    break

0 Bulbasaur
1 Ivysaur
2 Venusaur
3 VenusaurMega Venusaur
4 Charmander
5 Charmeleon
6 Charizard
7 CharizardMega Charizard X
8 CharizardMega Charizard Y
9 Squirtle
10 Wartortle
11 Blastoise
12 BlastoiseMega Blastoise
13 Caterpie
14 Metapod
15 Butterfree
16 Weedle
17 Kakuna
18 Beedrill
19 BeedrillMega Beedrill
20 Pidgey
21 Pidgeotto
22 Pidgeot
23 PidgeotMega Pidgeot
24 Rattata
25 Raticate
26 Spearow
27 Fearow
28 Ekans
29 Arbok
30 Pikachu
31 Raichu
32 Sandshrew
33 Sandslash
34 Nidoran (Female)
35 Nidorina
36 Nidoqueen
37 Nidoran (Male)
38 Nidorino
39 Nidoking
40 Clefairy
41 Clefable
42 Vulpix
43 Ninetales
44 Jigglypuff
45 Wigglytuff
46 Zubat
47 Golbat
48 Oddish
49 Gloom
50 Vileplume

print(df.loc[df['Type 1'] == 'Fire'].head(10))

     #                       Name Type 1  Type 2  HP  Attack  Defense  \
4    4                 Charmander   Fire     NaN  39      52       43   
5    5                 Charmeleon   Fire     NaN  58      64       58   
6    6                  Charizard   Fire  Flying  78      84       78   
7    6  CharizardMega Charizard X   Fire  Dragon  78     130      111   
8    6  CharizardMega Charizard Y   Fire  Flying  78     104       78   
42  37                     Vulpix   Fire     NaN  38      41       40   
43  38                  Ninetales   Fire     NaN  73      76       75   
63  58                  Growlithe   Fire     NaN  55      70       45   
64  59                   Arcanine   Fire     NaN  90     110       80   
83  77                     Ponyta   Fire     NaN  50      85       55   

    Sp. Atk  Sp. Def  Speed  Generation  Legendary  
4        60       50     65           1      False  
5        80       65     80           1      False  
6       109       85    100           1      False  
7       130       85    100           1      False  
8       159      115    100           1      False  
42       50       65     65           1      False  
43       81      100    100           1      False  
63       70       50     60           1      False  
64      100       80     95           1      False  
83       65       65     90           1      False  

Kesimpulan

Dataframe merupakan sebuah format yang dimiliki oleh library Pandas. Ini merupakan format yang biasa digunakan para data scientist untuk mengolah data yang dimiliki. Untuk artikel lain terkait dengan data science silahkan lihat kumpulan artikelnya disini.

The post Belajar Data Science – Memuat Data CSV ke DataFrame appeared first on Onestring Lab.