Mengapa Pandas untuk Analisis Data?
Tujuan Pembelajaran
- Menjelaskan kapan tabel berlabel membantu analisis data.
- Menjelaskan alasan di balik langkah analisis dan memeriksa hasilnya.
Label dan tipe data memberi konteks pada tabel
Misalnya, kita ingin mengetahui berapa pesanan yang sudah dikirim. Kita dapat menyaring baris dengan status 'shipped', lalu menghitung pesanan yang tersisa. Pandas menjalankan langkah itu untuk seluruh tabel; kita tetap perlu memutuskan apakah status 'shipped' memang termasuk dalam ukuran yang ingin dilaporkan.
DataFrame menyimpan nilai bersama label, kolom, dan tipe. Bayangkan sebuah DataFrame seperti lembar kerja yang kolomnya punya nama dan setiap barisnya dapat dirujuk dengan label. Pandas membantu kita memilih, menyaring, dan merangkum banyak baris secara konsisten. Namun, Pandas tidak mengetahui arti bisnis di balik angka. Kita tetap perlu menentukan apa yang dihitung sebelum menulis rumus.
Sebagai contoh, pertanyaan “berapa penjualan?” belum cukup jelas. Apakah pesanan yang dibatalkan tetap dihitung? Bagaimana dengan pesanan yang sudah dikirim tetapi belum dibayar? Untuk latihan dalam kursus ini, completed dan shipped masuk ke perhitungan, sedangkan canceled dan returned tidak. Aturan itu adalah keputusan analisis; kode hanya menerapkannya. Menuliskan aturan di awal membuat hasil lebih mudah dijelaskan dan diperiksa oleh orang lain.
Cara kerja Pandas dapat dipahami sebagai rangkaian langkah: kita membaca tabel, memeriksa isi yang tersedia, memilih baris atau kolom yang diperlukan, lalu menghitung ringkasan. Setiap langkah sebaiknya menjawab satu pertanyaan kecil. Misalnya, sebelum bertanya “berapa total pendapatan?”, cari tahu dulu jumlah baris, status yang muncul, dan kolom harga yang tersedia. Kebiasaan ini membuat kita lebih cepat menemukan sumber angka yang tidak masuk akal.
Pandas membantu menangani tabel yang lebih besar dan lebih terstruktur daripada daftar sederhana, tetapi hasilnya tetap bergantung pada data dan aturan yang kita berikan. Program bisa menjalankan rumus dengan benar pada data yang salah, atau menghitung metrik yang tidak menjawab pertanyaan. Karena itu, analisis data bukan hanya menulis kode: kita juga perlu menjelaskan apa yang dihitung, dari data mana, pada periode apa, dan apa yang belum tercakup.
Menyatukan status dengan kelayakan pendapatan
import pandas as pd
result = pd.DataFrame({"status": ["completed", "shipped", "canceled", "returned"], "include_in_revenue": [True, True, False, False]})
print(result)
Struktur tabel membantu memeriksa arti nilai sebelum menghitung
completed True; shipped True; canceled False; returned False
Setiap baris pada contoh mewakili satu status pesanan, bukan satu item atau satu rupiah pendapatan. Kolom include_in_revenue menerjemahkan keputusan bisnis menjadi tanda yang bisa dipakai untuk menyaring baris. Dengan begitu, kita dapat memeriksa apakah status yang dimaksud benar-benar masuk sebelum menjumlahkan nilai transaksi.
Jika bisnis mengubah definisi (misalnya pesanan returned hanya dikurangi sebagian) angka revenue juga harus dihitung ulang dengan aturan baru. Karena itu, hasil analisis selalu perlu dibaca bersama definisi, cakupan data, dan periode yang digunakan.
Tentukan aturan untuk baris yang dihitung sebelum membuat rumus. Periksa kategori status yang benar-benar muncul.
Buat tabel empat status dan kolom include_in_revenue sesuai aturan, simpan sebagai result, lalu panggil print(result) agar isi DataFrame tampil. Baris completed dan shipped bernilai True; canceled dan returned bernilai False. Penugasan ke variabel hanya menyimpan hasil; print() menuliskannya ke keluaran program.
Menganggap semua pesanan sebagai penjualan ikut memasukkan canceled dan returned.
Latihan Interaktif
Latihan 01
Buat tabel empat status dan kolom include_in_revenue sesuai aturan; simpan sebagai result, lalu tampilkan dengan print(result).
Menganggap semua pesanan sebagai penjualan ikut memasukkan canceled dan returned.
import pandas as pd
result = pd.DataFrame({"status": ["completed", "shipped", "canceled", "returned"], "include_in_revenue": [True, True, False, False]})
print(result)
Keluaran program
Python belum dimuat. Pilih Jalankan Kode untuk memulai.
Keluaran
Pesan diagnostik
Kesalahan program
Pratinjau Pandas
Grafik
Lihat penjelasan hasil
Label membantu pemilihan dan alignment; label tidak membuktikan asumsi analisis.
Lihat Petunjuk
Menganggap semua pesanan sebagai penjualan ikut memasukkan canceled dan returned.
Lihat Pembahasan
Label membantu pemilihan dan alignment; label tidak membuktikan asumsi analisis.
Latihan 02
Mengapa label pada struktur Pandas berguna?
Lihat Pembahasan
Label membantu pemilihan dan alignment; label tidak membuktikan asumsi analisis.
Ringkasan
- Pandas mempermudah operasi tabular; definisi bisnis tetap menentukan arti hasil.
- Catat asumsi yang memengaruhi hasil sebelum menyampaikan kesimpulan.
Bacaan lebih lanjut
Langkah berikutnya