Di tutorial sebelumnya kita telah belajar tentang pengolahan data EXCEL dan CSV menggunakan library pandas.
Di tutorial ini kita kana belajar bagaimana caranya membuat data frame menggunakan library pandas dengan jupyter notebopk.
Data Frame adalah struktur data yang disediakan oleh perpustakaan pandas, selain Seri & Panel.
Data Fame adalah struktur data 2 dimensi dan dapat dibandingkan dengan tabel baris dan kolom.
Setiap baris dapat diidentifikasi dengan indeks bilangan bulat (0..N) atau label yang ditetapkan secara eksplisit saat membuat sebuah objek DataFrame. Setiap kolom dapat memiliki tipe yang berbeda dan diidentifikasi dengan label.
Pastikan terlebih dahulu bahwa Anda telah menginstal library pandas, dan Juga sudah menginstall Visual Studio Code.
pip install pandas
Kemudian buka Visual Studio Code lalu tekan cmd+shift+p (mac)
A) Membuat DataFrame Dari Dictionary
Buat DataFrame dari sebuah dictionary, yang berisi dua kolom: angka dan warna. Setiap key mewakili nama kolom dan nilainya adalah rangkaian data, isi kolom:
df = pd.DataFrame({'numbers': [1, 2, 3], 'colors': ['red', 'white', 'blue']})
print(df)Selanjutnya column pertama yang akan kita print adalah colors
df = pd.DataFrame({'numbers': [1, 2, 3], 'colors': ['red', 'white', 'blue']},
columns=['colors','number'])
print(df)
B) Membuat DataFrame Menggunaka Numpy
Install terlebih dahulu library numpy
pip install numpy
1) Buat DataFrame Dengan Random Number
np.random.seed(0)
df = pd.DataFrame(np.random.randn(5, 3), columns=list('ABC'))
print(df)
2) Buat DataFrame Dengan Integer
df = pd.DataFrame(np.arange(15).reshape(5,3),columns=list('ABC'))
print(df)3) Buat DataFrame dan sertakan nans (NaT, NaN, 'nan', None) di seluruh kolom dan baris
df.iloc[::2,0] = np.nan
df.iloc[::4,1] = pd.NaT
df.iloc[:3,2] = 'nan'
df.iloc[:,5] = None
df.iloc[5,:] = None
df.iloc[7,:] = np.nan
print(df)
C) Membuat Data Frame Dari List Data Tuple
Anda dapat membuat DataFrame dari daftar tupel, dan bahkan dapat memilih elemen tertentu dari tupel yang ingin Anda gunakan.
import pandas as pddata = [
('p1', 't1', 1, 2),
('p1', 't2', 3, 4),
('p2', 't1', 5, 6),
('p2', 't2', 7, 8),
('p2', 't3', 2, 8) ]df = pd.DataFrame(data)
print(df)
D) Membuat Data Fame Dari Data Dictionary
Buat DataFrame dari beberapa data dengan mengirimkan dict yang memilik bentuk list yang sama. Key Dictionary digunakan sebagai label kolom.
List juga bisa berupa ndarray. Semua list/ndarray harus memiliki panjang yang sama.
import pandas as pddf = pd.DataFrame({'A' : [1, 2, 3, 4],'B' : [4, 3, 2, 1]})
print(df)
Jika array tidak memiliki panjang yang sama, maka akan error.
df = pd.DataFrame({'A' : [1, 2, 3, 4], 'B' : [5, 5, 5]})E) Membuat Data Frame Dengan Datetime
import pandas as pd
import numpy as np
np.random.seed(0)
#create an array of 5 dates starting at '2024-02-24', one per minute
rng = pd.date_range('2024-02-24', periods=5, freq='T')
df = pd.DataFrame({ 'Date': rng, 'Val': np.random.randn(len(rng)) })
print (df)#create an array of 5 dates starting at '2024-02-24', one per day
rng = pd.date_range('2024-02-24', periods=5, freq='D')
df = pd.DataFrame({ 'Date': rng, 'Val' : np.random.randn(len(rng))})
print(df)DataFrame Dengan DateTimeIndex
import pandas as pd
import numpy as np
np.random.seed(0)rng = pd.date_range('2024-02-24', periods=5, freq='T')
df = pd.DataFrame({ 'Val' : np.random.randn(len(rng)) }, index=rng)
print (df)
Berikut ini Offset-aliases untuk parameter freq di date_range:
- B: business day frequency
- C :custom business day frequency (experimental)
- D: calendar day frequency
- W: weekly frequency
- M: month end frequency
- BM: business month end frequency
- CBM: custom business month end frequency
- MS: month start frequency
- BMS: business month start frequency
- CBMS: custom business month start frequency
- Q: quarter end frequency
- BQ: business quarter endfrequency
- QS: quarter start frequency
- BQS: business quarter start frequency
- A: year end frequency
- BA: business year end frequency
- AS: year start frequency
- BAS: business year start frequency
- BH: business hour frequency
- H: hourly frequency
- T, min: minutely frequency
- S: secondly frequency
- L, ms: milliseconds
- U, us: microseconds
- N: nanoseconds
F) Membuat Data Frame Dengan MultiIndex
import pandas as pd
import numpy as np
1) Menggunakan from_tuples
np.random.seed(0)
tuples = list(zip(*[['bar', 'bar', 'baz', 'baz',
'foo', 'foo', 'qux', 'qux'],
['one', 'two', 'one', 'two',
'one', 'two', 'one', 'two']]))idx = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
print(idx)
2) Menggunakan from_product
idx = pd.MultiIndex.from_product([['bar', 'baz', 'foo', 'qux'],['one','two']])
print(idx)
3) Kemudian Gabungkan kedalam Index
df = pd.DataFrame(np.random.randn(8, 2), index=idx, columns=['A', 'B'])
print(df)
G) Membuat DataFrame dari List Dictionary
DataFrame dapat dibuat dari list dictionary. Key digunakan sebagai nama kolom.
import pandas as pd
L = [{'Name': 'John', 'Last Name': 'Smith'},
{'Name': 'Mary', 'Last Name': 'Wood'}]pd.DataFrame(L)
Nilai yang hilang di isi dengan NaNs
L = [{'Name': 'John', 'Last Name': 'Smith', 'Age': 37},
{'Name': 'Mary', 'Last Name': 'Wood'}]
pd.DataFrame(L)
H) Video Tutorial
Baca artikel lainya:
- Tutorial bassic Mysql bagian 1 - Create Read Update Delete
- Tutorial bassic Mysql bagian 2 - Inner, Left, Right, Cross Join
- Tutorial bassic Mysql bagian 3 - Filtering Data
- Tutorial bassic Mysql bagian 4 - Grouping Data
- Tutorial bassic Mysql bagian 5 - Operator dan Clausa
- Tutorial bassic Mysql bagian 6 - Replace Statement
- Tutorial bassic Mysql bagian 7 - Constraint Data
- Tutorial bassic Mysql bagian 8 - Mengubah Struktur tabel
- Tutorial bassic Mysql bagian 9 - Subquery
- Tutorial bassic Mysql bagian 10 - Virtual Tabel
- Tutorial bassic Mysql bagian 11 - Control Flow Function
- Membuat service OTP bagian 1 - OTP dan PIN
- Membuat service OTP bagian 2 - Sequence Diagram
- Membuat service OTP bagian 3 - Model dan Serializer
- Membuat service OTP bagian 4 - Validate OTP
- Membuat service OTP bagian 5 - Api Client Service
- Membuat service user login bagian 1 - Konfigurasi Database
- Membuat service user login bagian 2 - Serializer dan JWT
- Membuat CRUD service product bagian 1 - Models Product
- Membuat CRUD service product bagian 2 - Function Serializer
- Membuat CRUD service product bagian 3 - Api Client Service
- Membaut CRUD service product bagian 4 - Auth User
- Membuat CRUD service product bagian 5 - TDR File Log
- Membuat CRUD service product bagian 6 - Unit Test
- Membuat service user register bagian 1 - Django
- Membuat Service user register bagian 2 - Django
- Membuat service filter dan download file CSV di django
- Django upload file menggunakan FileSystemStorage