Pandas — Analisis Data dengan Python

Belajar Pandas: Alat Analisis Data Python 🐼

Pandas adalah library Python paling populer untuk mengolah data. Bayangkan seperti Excel versi programmer — tapi jauh lebih powerful!

PandasAnalisis Data Python

SeriesKolom data berlabel — seperti satu kolom di spreadsheet

DataFrameTabel lengkap dengan banyak kolom — jantung dari Pandas

Eksplorasihead(), info(), describe() untuk kenali data sebelum olah

Filter & GroupbySaring baris yang relevan dan ringkas data per kategori

💡 Kenapa Pandas? Data scientist menghabiskan ~80% waktu untuk membersihkan dan mengeksplorasi data. Pandas membuat pekerjaan ini 10x lebih cepat dibanding menggunakan list atau dictionary biasa.

Series — Kolom Data Berlabel

Series adalah struktur data 1 dimensi — seperti satu kolom di spreadsheet. Setiap nilai punya index (label) di sebelah kirinya.

Mirip List, tapi punya label List pakai index angka (0,1,2...). Series bisa pakai label custom seperti nama kota atau tanggal.

Dibuat dari list atau dictionary pd.Series([10, 20, 30]) atau pd.Series({"Ali": 90, "Budi": 80})

Operasi langsung ke semua nilai series * 2 langsung mengalikan semua nilai — tidak perlu loop!

Simulasi Series Interaktif

Tambahkan data ke Series dan lihat bagaimana index dan value terbentuk secara berpasangan.

📊 Nilai Ujian Siswa (Series)

Masukkan nama dan nilai, lalu klik Tambah — lihat Series bertumbuh!

Series:

IndexValue

Info:

Series kosong.

Kode Praktik Series

Membuat Series

import pandas as pd

# Series dari list (index otomatis 0,1,2...)
nilai = pd.Series([85, 90, 78, 92])
print("Series nilai:")
print(nilai)

# Series dari dictionary (key jadi index)
nilai_siswa = pd.Series({"Ali": 85, "Budi": 90, "Citra": 78})
print("\nSeries nilai siswa:")
print(nilai_siswa)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Akses & Operasi Series

Akses & Operasi

import pandas as pd

nilai = pd.Series({"Ali": 85, "Budi": 90, "Citra": 78, "Dina": 92})

# Akses berdasarkan label
print("Nilai Ali:", nilai["Ali"])

# Statistik langsung
print("Rata-rata:", nilai.mean())
print("Nilai tertinggi:", nilai.max())
print("Nilai terendah:", nilai.min())

# Operasi ke semua nilai sekaligus (tanpa loop!)
nilai_bonus = nilai + 5
print("\nSetelah bonus +5:")
print(nilai_bonus)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Eksperimen Series

import pandas as pd

# Coba buat Series dari data favorit kamu!
harga = pd.Series({
    "Indomie": 3500,
    "Teh Botol": 4000,
    "Aqua": 3000,
    "Chitato": 8000,
})

print("Daftar harga:")
print(harga)
print("\nTotal belanja:", harga.sum())
print("Barang termurah:", harga.idxmin(), "-", harga.min())
print("Barang termahal:", harga.idxmax(), "-", harga.max())

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

DataFrame — Tabel Data Lengkap

DataFrame adalah struktur data 2 dimensi seperti spreadsheet Excel — punya baris dan kolom. Setiap kolom adalah sebuah Series.

Dibuat dari dictionary of lists Setiap key adalah nama kolom, setiap list adalah isi kolomnya.

Akses kolom seperti dictionary df["nama"] mengambil kolom "nama" sebagai Series.

Akses baris dengan .loc dan .iloc df.loc[0] akses baris pertama. df.iloc[-1] baris terakhir.

Simulasi Membangun DataFrame

Tambahkan baris data siswa satu per satu dan lihat tabel terbentuk secara visual.

📋 Data Kelas (DataFrame)

Isi form lalu klik Tambah Baris — perhatikan tabel bertambah baris baru!

#	nama	nilai	kota

DataFrame kosong. Tambahkan baris untuk mulai!

Kode Praktik DataFrame

Membuat & Akses DataFrame

Membuat & Akses

import pandas as pd

data = {
    "nama":  ["Ali", "Budi", "Citra", "Dina"],
    "nilai": [85, 90, 78, 92],
    "kota":  ["Jakarta", "Bandung", "Jakarta", "Surabaya"]
}

df = pd.DataFrame(data)
print(df)
print("\nAkses kolom 'nama':")
print(df["nama"])
print("\nBaris ke-0:")
print(df.iloc[0])

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Tambah Kolom & Hapus

import pandas as pd

df = pd.DataFrame({
    "nama":  ["Ali", "Budi", "Citra"],
    "nilai": [85, 90, 78],
})

# Tambah kolom baru
df["lulus"] = df["nilai"] >= 80
print("Setelah tambah kolom 'lulus':")
print(df)

# Hapus kolom
df = df.drop(columns=["lulus"])
print("\nSetelah hapus kolom 'lulus':")
print(df)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Eksperimen DataFrame

import pandas as pd

# Data penjualan toko
df = pd.DataFrame({
    "produk": ["Laptop", "HP", "Tablet", "Earphone", "Mouse"],
    "harga":  [12000000, 5000000, 4000000, 500000, 200000],
    "terjual":[15, 40, 25, 100, 80],
})

# Tambah kolom total pendapatan
df["pendapatan"] = df["harga"] * df["terjual"]

print(df.to_string())
print("\nTotal pendapatan:", df["pendapatan"].sum())

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Eksplorasi Data — Kenali Datamu Dulu!

Sebelum menganalisis data, kamu perlu mengenal strukturnya dulu. Pandas punya tools bawaan yang powerful untuk ini.

df.head(n) Tampilkan n baris pertama (default 5). Cocok untuk ngintip data.

df.tail(n) Tampilkan n baris terakhir. Cek apakah data sudah lengkap.

df.info() Lihat tipe data tiap kolom dan jumlah nilai yang tidak kosong.

df.describe() Statistik ringkasan: mean, min, max, std untuk kolom numerik.

df.shape Tuple (jumlah baris, jumlah kolom). Contoh: (100, 5) = 100 baris, 5 kolom.

Simulasi Eksplorasi Data

Klik tombol-tombol di bawah untuk melihat apa yang ditampilkan setiap fungsi eksplorasi Pandas.

🔍 Eksplorasi Dataset Penjualan

Klik tombol untuk melihat hasilnya pada tabel di bawah!

Klik salah satu tombol di atas!

Kode Praktik Eksplorasi

head, tail, shape, info

Eksplorasi Dasar

import pandas as pd

df = pd.DataFrame({
    "nama":   ["Ali","Budi","Citra","Dina","Eko","Fira"],
    "nilai":  [85, 90, 78, 92, 88, 76],
    "kota":   ["Jakarta","Bandung","Jakarta","Surabaya","Medan","Bali"],
    "lulus":  [True, True, False, True, True, False],
})

print("=== 3 baris pertama ===")
print(df.head(3))

print("\n=== Ukuran tabel ===")
print("Shape:", df.shape)
print("Jumlah baris:", len(df))

print("\n=== Info tipe data ===")
print(df.dtypes)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

describe() — Statistik Ringkasan

describe()

import pandas as pd

df = pd.DataFrame({
    "nama":   ["Ali","Budi","Citra","Dina","Eko"],
    "nilai":  [85, 90, 78, 92, 88],
    "absensi":[2, 0, 5, 1, 3],
})

print("Statistik ringkasan:")
print(df.describe())

print("\nNilai rata-rata:", df["nilai"].mean().round(2))
print("Yang absensi > 2:", (df["absensi"] > 2).sum(), "orang")

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Filtering — Saring Data yang Kamu Butuhkan

Filtering di Pandas bekerja dengan boolean mask — sebuah Series berisi True/False untuk setiap baris, lalu dipakai untuk menyaring DataFrame.

Cara 1: Boolean indexing df[df["nilai"] >= 80] — ambil baris di mana nilai ≥ 80

Cara 2: Kondisi ganda df[(df["nilai"] >= 80) & (df["kota"] == "Jakarta")]

Cara 3: .query() df.query("nilai >= 80 and kota == 'Jakarta'") — lebih mudah dibaca!

Simulasi Boolean Mask

Atur threshold nilai dan lihat baris mana yang lolos ✓ dan mana yang tidak lolos ✗.

🔎 Filter Data Siswa

Nilai ≥

#	nama	nilai	kota	status

Klik ⚡ Terapkan Filter untuk melihat boolean mask bekerja!

Kode Praktik Filtering

Filter Sederhana

import pandas as pd

df = pd.DataFrame({
    "nama":  ["Ali","Budi","Citra","Dina","Eko"],
    "nilai": [85, 90, 78, 92, 68],
    "kota":  ["Jakarta","Bandung","Jakarta","Surabaya","Jakarta"],
})

# Boolean mask
mask = df["nilai"] >= 80
print("Boolean mask:")
print(mask)

print("\nSiswa yang lulus (nilai >= 80):")
print(df[mask])

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Filter Ganda & .query()

Filter Ganda

import pandas as pd

df = pd.DataFrame({
    "nama":  ["Ali","Budi","Citra","Dina","Eko"],
    "nilai": [85, 90, 78, 92, 68],
    "kota":  ["Jakarta","Bandung","Jakarta","Surabaya","Jakarta"],
})

# Kondisi ganda dengan & (dan) / | (atau)
jakarta_lulus = df[(df["nilai"] >= 80) & (df["kota"] == "Jakarta")]
print("Jakarta & nilai >= 80:")
print(jakarta_lulus)

# Cara lebih mudah pakai .query()
hasil = df.query("nilai >= 80 and kota == 'Jakarta'")
print("\nSama dengan .query():")
print(hasil)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Groupby — Ringkas Data per Kategori

Groupby memisahkan data berdasarkan kategori, lalu menghitung agregasi (sum, mean, count, dll) untuk masing-masing grup. Seperti pivot table di Excel.

Pola dasar: split → apply → combine df.groupby("kota")["nilai"].mean() — rata-rata nilai per kota

Fungsi agregasi populer .mean() rata-rata · .sum() jumlah · .count() cacah · .max() · .min()

Groupby multi-kolom df.groupby(["kota","jurusan"])["nilai"].mean()

Simulasi Groupby

Lihat bagaimana baris-baris data dikelompokkan, lalu dihitung rata-ratanya per grup.

🗂️ Groupby Kota

Klik ▶ Jalankan Groupby dan lihat baris berwarna berkelompok, lalu hasil agregasi muncul!

Data Asli:

#	nama	kota	nilai

Hasil groupby("kota")["nilai"].mean():

kota	rata-rata nilai

Tekan ▶ Jalankan Groupby untuk melihat animasinya!

Kode Praktik Groupby

Groupby Dasar

import pandas as pd

df = pd.DataFrame({
    "nama":  ["Ali","Budi","Citra","Dina","Eko","Fira"],
    "kota":  ["Jakarta","Bandung","Jakarta","Surabaya","Bandung","Jakarta"],
    "nilai": [85, 90, 78, 92, 88, 76],
})

# Rata-rata nilai per kota
print("Rata-rata nilai per kota:")
print(df.groupby("kota")["nilai"].mean().round(2))

# Jumlah siswa per kota
print("\nJumlah siswa per kota:")
print(df.groupby("kota")["nama"].count())

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Groupby dengan agg()

agg() — Multi-Agregasi

import pandas as pd

df = pd.DataFrame({
    "kota":     ["Jakarta","Bandung","Jakarta","Surabaya","Bandung","Jakarta"],
    "nilai":    [85, 90, 78, 92, 88, 76],
    "absensi":  [2, 0, 5, 1, 3, 4],
})

# Banyak agregasi sekaligus
hasil = df.groupby("kota").agg(
    rata_nilai=("nilai", "mean"),
    nilai_max=("nilai", "max"),
    total_absensi=("absensi", "sum"),
    jumlah_siswa=("nilai", "count"),
).round(2)

print(hasil)

Hasil

Tekan tombol 'Jalankan Kode' untuk melihat hasil

Satukan Semua — Mini Proyek Analisis Data

Saatnya praktek! Kamu akan menganalisis data penjualan sederhana menggunakan semua yang sudah dipelajari.

Buat DataFrame dari data penjualan
Eksplorasi dengan head() dan describe()
Filter produk dengan pendapatan di atas rata-rata
Groupby kategori dan hitung total penjualan

🎯 Playground Pandas

import pandas as pd

# Data penjualan
df = pd.DataFrame({
    "produk":    ["Laptop", "HP", "Tablet", "Earphone", "Mouse", "Keyboard", "Monitor", "Webcam"],
    "kategori":  ["Komputer","HP","HP","Aksesoris","Komputer","Komputer","Komputer","Aksesoris"],
    "harga":     [12000000, 5000000, 4000000, 500000, 200000, 350000, 3500000, 400000],
    "terjual":   [15, 40, 25, 100, 80, 60, 20, 45],
})

# 1. Tambah kolom pendapatan
df["pendapatan"] = df["harga"] * df["terjual"]

print("=== Data Penjualan ===")
print(df.to_string())

# 2. Filter produk di atas rata-rata pendapatan
rata2 = df["pendapatan"].mean()
print(f"\n=== Produk di atas rata-rata (Rp {rata2:,.0f}) ===")
print(df[df["pendapatan"] > rata2][["produk","pendapatan"]])

# 3. Groupby kategori
print("\n=== Pendapatan per Kategori ===")
print(df.groupby("kategori")["pendapatan"].sum().sort_values(ascending=False))

Hasil

Tulis kode dan tekan Jalankan Kode