Langsung ke konten utama

Visualisasi Data dengan Peta sebagai Pendukung Analisis Spasial (Spatial Analysis)

Visualisasi data dengan peta spasial Analisis spasial atau berbasis kewilayahan akhir-akhir ini semakin banyak diminati. Selain mempunyai daya tarik karena enak dipandang mata, visualisasi spasial dengan peta ini juga dinilai meningkatkan kecepatan pemahaman pengguna informasi yang disajikan. Bila data yang kita miliki memiliki variabel lokasi atau kontur, visualisasi spasial bisa jadi menjadi pilihan tepat. Dengan berbekal peta berekstensi *shp dan sebuah data lokasi atau kontur, visualisasi spasial dapat diterapkan secara mudah. Namun kenyataannya, tidak mudah bagi kita untuk melakukan visualisasi data secara spasial. Beberapa data yang diperlukan adalah garis lintang dan bujur, juga data yang akan divisualkan. Misalkan data Angka Kematian Bayi (AKB). Sebelum praktikum, ada baiknya kita pahami dulu apa itu AKB. Menurut Badan Pusat Statistik (BPS), Angka Kematian Bayi adalah banyaknya bayi yang meninggal sebelum mencapai umur 1 tahun pada waktu tertentu per 1.000 kelahiran hidup pada
Posting Komentar

Eksplorasi Data: Cara Membuat Pivot Table dengan Python

Pivot table dengan Python

Halo teman-teman, kita akan lanjutkan ya pembahasan bahasa pemrograman Python. Kalau sebelumnya kita telah memahas bersama bagaimana melakukan import data ke dalam Python Jupyter Notebook serta mengulik data menggunakan Pandas, kali ini kita masih tetap menggunakan package Pandas.

Kita akan coba membuat sebuah data sendiri (generate) kemudian kita coba membuat pivot table data data frame yang telah kita buat. Teman-teman dapat juga membangkitkan data sendiri sesuai keinginan, dalam unggahan ini saya coba membangkitkan data mengenai jumlah buku yang dibaca menurut bulan dan judul bukunya. Adapun nama-nama buku dalam data berikut merupakan buku yang berhasil saya tulis dan saya terbitkan. Bagi teman-teman yang berminat, bisa memesannya melalui tautan berikut.

Sebelum melakukan data manipulation dengan menciptakan pivot table, teman-teman perlu mengaktifkan package Pandas terlebih dahulu. Package ini sebagaimana yang pernah saya katakan, mirip dengan package dplyr di R secara fungsi. Setelah diaktifkan, kita dapat membuat pivot table dengan mengikuti beberapa code berikut:

#Aktivasi package Pandas
import pandas as pd

#Generate Data sendiri
hargabuku = {'Judul':['Pengantar Statistika Dasar','Visualisasi Data dengan Tableau','Kalkulus Dasar',
                     'Kalkulus Dasar','Pengantar Statistika Dasar','Visualisasi Data dengan Tableau',
                     'Visualisasi Data dengan Tableau','Kalkulus Dasar','Kalkulus Dasar','Pengantar Statistika Dasar'],
             'Bulan':[1,1,2,3,1,4,3,2,1,6],'Dibaca_kali':[12,24,30,17,20,22,50,21,45,44]}
#Membuat data frame
dfbuku = pd.DataFrame(hargabuku, columns = ['Judul', 'Bulan', 'Dibaca_kali'])
print(dfbuku)

Data awal sebagai bahan pivot table dengan Python

#Pivot Table:menampilkan jumlah dibaca menurut judul buku
pivot = dfbuku.pivot_table(index = ['Judul'], values = ['Dibaca_kali'], aggfunc = 'sum')
print(pivot)

Pivot table: jumlah dibaca menurut judul buku

#Pivot Table:menampilkan jumlah dibaca menurut jumlah bulan
pivot = dfbuku.pivot_table(index = ['Judul'], values = ['Bulan'], aggfunc = 'count')
print(pivot)

Jumlah bulan dibaca menurut judul buku

#Pivot Table:menampilkan rata-rata dibaca menurut judul buku
pivot = dfbuku.pivot_table(index = ['Judul'], values = ['Dibaca_kali'], aggfunc = 'mean')
print(pivot)

Rata-rata dibaca menurut judul buku

#Pivot Table:menampilkan jumlah dibaca menurut judul buku dan bulan
pivot = dfbuku.pivot_table(index = ['Judul','Bulan'], values = ['Dibaca_kali'], aggfunc = 'sum')
print(pivot)

Jumlah dibaca menurut judul buku dan bulan

#Pivot Table:menampilkan rata-rata dibaca menurut judul buku dan bulan
pivot = dfbuku.pivot_table(index = ['Judul','Bulan'], values = ['Dibaca_kali'], aggfunc = 'mean')
print(pivot)

Rata-rata dibaca menurut judul buku dan bulan

#Pivot Table:menampilkan rata-rata dibaca menurut judul buku dan bulan serta diurutkan dari rata-rata tertinggi ke terendah
pivot = dfbuku.pivot_table(index = ['Judul','Bulan'], values = ['Dibaca_kali'], aggfunc = 'mean')
pivot = pivot.sort_values(by = "Dibaca_kali", ascending = False)
print(pivot)

Rata-rata dibaca urut dari tertinggi ke terendah menurut judul buku dan bulan

#Mengganti nama kolom Dibaca_kali menjadi Rata_rata_dibaca
pivot.rename(columns = {'Dibaca_kali':'Rata-rata_dibaca'}, inplace =True)
print(pivot)

Mengganti nama kolom dibaca_kali menjadi rata-rata_dibaca

Demikian sedikit sharing kita mengenai bagaimana membuat pivot table menggunakan package Pandas pada Python Jupyter Notebook. Nantikan unggahan berikutnya, selamat memahami dan mempraktikkan!
Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun
Posting Komentar
Baca selengkapnya

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan
Posting Komentar
Baca selengkapnya

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s
Posting Komentar
Baca selengkapnya