MAKALAH

LIMBRARY PANDAS PADA PYTHON

D
I
S
U
S
U
N
OLEH
FIKRI

KAK PRODI : DR. IWAN PURNAMA, S.KOM,M.KOM

FAKULTAS SAINS DAN TEKNOLOGI

Puji syukur saya panjatkan atas kehadirat Tuhan Yang Maha Esa karena segala

nikmat dan karunianya, sehingga saya dapat menyusun makalah ini dengan baik. Tak lupa

saya ucapkan terima kasih kepada pihak-pihak yang telah memberikan dukungan, baik ide

maupun materi.

Saya berharap semoga makalah ini dapat menambah pengetahuan dan bisa

menjadi referensi bagi para pembaca. Selain itu, besar harapan saya agar makalah ini

dapat dipraktikkan dalam kehidupan sehari-hari.

Karena keterbatasan pengetahuan dan pengalaman saya , tentu masih banyak

kekurangan dalam penyusunan makalah ini. Oleh karena itu, saya mengharapkan kritik dan

saran yang benar-benar membangun dari para pembaca untuk menyempurnakan makalah

ini.

Rantauprapat, 16 Januari 2023

Fikri

i
DAFTAR ISI

ii
 BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

Seorang data scientist sangat perlu menguasai berbagai skill untuk menyelesaikan

proses analisis data secara efektif dan efisien. Untuk itu, dibutuhkan beragam tools dengan

fungsinya masing-masing. Salah satu tools yang mungkin paling sering digunakan oleh data

scientist adalah Pandas. Dalam bahasa pemrograman Python, Pandas adalah alat yang

sangat berguna sebagai library yang mengatur tata letak data sehingga mudah dicari secara

intuitif.

1.2 RUMUSAN MALASAH

1 Pengertian pandas

2 Sejarah pandas

3 Mengenal pandas dalam python

4 Keunggulan library pandas

5 Pandas bisa di gunakan untuk apa saja

1
 BAB II

PEMBAHASAN

2.1 PANDAS

Pandas adalah paket Python open source yang paling sering dipakai untuk menganalisis

data serta membangun sebuah machine learning. Pandas dibuat berdasarkan satu package

lain bernama Numpy, yang mendukung arrays multi dimensi. Sebagai salah satu paket kode

Python, Pandas juga dapat digunakan secara optimal denga modul data science yang lain

dalam ekosistem Python.

2.2 SEJARAH PANDAS

Awalnya, Pandas dikembangkan oleh Wes McKinney pada 2008 saat ia bekerja di AQR

Capital Management. McKinney kemudian meyakinkan AQR untuk memperbolehkan

Pandas menjadi open source. Library Pandas pun berkembang dengan pesat hingga saat

ini. Penggunaan Pandas dalam Python sendiri sering kali muncul pada domain akademis

hingga komersial, termasuk keuangan, neurosciences, ekonomi, statistik, periklanan,

analisis web, dan lain sebagainya.

Pandas umumnya menyediakan dua struktur data yang berguna untuk memanipulasi

data. Struktur tersebut adalah Series dan DataFrame. Pandas Series merupakan array satu

dimensi yang dapat memegang data dari berbagai tipe, mulai dari integer, string, hingga

Python object. Pandas Series pada dasarnya sangat mirip dengan kolom pada Sheet dalam

Excel. Untuk membuat Pandas Series, biasanya pengguna akan memuat datasets dari

storage yang sudah dibuat sebelumnya, baik berupa database SQL, CSV, atau bahkan

Excel.

2
2.3 KEUNGGULAN LIBRARY PANDAS

Pandas dapat digunakan bersamaan dengan library lain dalam data science. Karena

dibuat menggunakan NumPy, artinya ada banyak struktur library yang digunakan atau

direplika di dalam Pandas. Selain itu, data yang diproduksi oleh Pandas sering kali

digunakan sebagai input plotting functions untuk Matplotlib, analisis statistik di SciPy, serta

algoritma machine learning dalam Scikit-learn.

Program library Pandas sendiri dapat dijalankan menggunakan berbagai text editor,

namun sangat disarankan untuk menggunakan Jupyter Notebook. Hal ini disebabkan karena

kemampuan Jupyter untuk meng-execute kode dari satu cell tertentu tanpa perlu

menjalankan file secara keseluruhan. Selain itu, Jupyter juga menyediakan cara yang

mudah untuk memvisualisasikan data frames dan plot yang dibuat oleh Pandas.

2.4 FUNGSI LIBRARY PANDAS

Ada banyak kegunaan Pandas, terutama dalam bidang data analysis yang

membutuhkan task repetitif dan memakan banyak waktu. Fungsi library Pandas antara lain:

 Data cleansing

 Data fill

 Normalisasi data

 Penggabungan dan penyatuan data

 Visualisasi data

 Analisis statistik

 Inspeksi data

 Memuat dan menyimpan data

Selain fungsi-fungsi yang disebutkan di atas, Pandas juga memungkinkan penggunanya

untuk membuat DataFrame sekaligus melakukan analisis serta manipulasi dan

3
 penyimpanan database. Pandas juga dapat dimanfaatkan untuk membersihkan datasets

pada machine learning.

2.5 KELEBIHAN PANDAS

a. Cepat dan efisien dalam proses manipulasi dan analisis data.

b. Dapat memuat data yang berasal dari objek file yang berbeda.

c. Penanganan data yang hilang dengan mudah (diwakili sebagai NaN) dalam data

floating point maupun non-floating point.

d. Perubahan ukuran data dengan mudah, dimana kolom dapat dimasukkan dan

dihapus dari DataFrame dan objek dimensi yang lebih tinggi.

e. Dapat digunakan untuk melakukan join dan merge dataset.

f. Mampu untuk melakukan reshaping dan pivoting dataset

g. Menyediakan fungsionalitas time series.

h. Grup yang kuat berdasarkan fungsionalitas untuk melakukan operasi split-apply-

combine pada kumpulan data.

2.6 PROGRAM I

DATAFRAME DF

Disini, contoh yang akan digunakan adalah bagaimana membuat kolom baru dari data

pada kolom yang sudah ada. Misalnya dalam contoh kali ini, kita akan membuat dataframe

df yang berisi data nilai mahasiswa seperti di bawah ini.

import pandas as pd

data = {'Nama': ['Amanda', 'Andi', 'Anton', 'Arini', 'Aziz'],

        'Tugas': [77, 80, 91, 83, 78],

        'UTS': [90, 76, 88, 69, 75],

        'UAS': [80, 87, 77, 90, 88]}

4
df = pd.DataFrame(data)

df

Ootput :

Seperti yang dapat kita lihat, ada 4 kolom yaitu Nama, Tugas, UTS, dan UAS. Misalnya

kita ingin menambahkan kolom baru yaitu Nilai Akhir yang berisi perhitungan akhir dari nilai

Tugas, UTS, dan UAS.

Cara pertama yang akan kita bahas untuk menambahkan kolom baru pada dataframe

Pandas adalah dengan langsung mendefiniskan kolom baru tanpa menggunakan method

apapun. Perhatikan kode berikut.

import pandas as pd

data = {'Nama': ['Amanda', 'Andi', 'Anton', 'Arini', 'Aziz'],

        'Tugas': [77, 80, 91, 83, 78],

        'UTS': [90, 76, 88, 69, 75],

        'UAS': [80, 87, 77, 90, 88]}

df = pd.DataFrame(data)

# Menambahkan kolom baru

df['Nilai Akhir'] = df['Tugas']*0.3 + df['UTS']*0.3 + df['UAS']*0.4

df

5
 Dari kode di atas, kita hanya perlu mendefinisikan df['Nilai Akhir'] yang diberikan nilai

perhitungan yang diinginkan. Setelah itu, saat kita menampilkan dataframe df, kolom Nilai

Akhir sudah otomatis terbentuk dengan posisi paling akhir pada dataframe.

Menggunakan insert()

Nah, jika kita ingin menyisipkan kolom baru di antara kolom-kolom yang sudah ada,

maka kita dapat menggunakan method insert(). Setidaknya kita harus memberikan tiga

argumen pada method insert() untuk membuat kolom baru, yaitu posisi kolom akan

ditempatkan (pada indeks ke berapa), nama kolom, dan nilai yang akan diisi pada kolom

tersebut.

Langsung saja kita lihat contoh kodenya.

import pandas as pd

data = {'Nama': ['Amanda', 'Andi', 'Anton', 'Arini', 'Aziz'],

        'Tugas': [77, 80, 91, 83, 78],

        'UTS': [90, 76, 88, 69, 75],

        'UAS': [80, 87, 77, 90, 88]}

df = pd.DataFrame(data)

# Menambahkan kolom baru dengan insert

df.insert(1, 'Nilai Akhir', df['Tugas']*0.3 + df['UTS']*0.3 + df['UAS']*0.4)

df

6
2.7 PROGRAM II

Membuat Bar Plot dengan Matplotlib

Misalnya kita memiliki data kategori yaitu prodi yang berisi nama-nama program studi

dan data numerik jumlah_mhs yang berisi jumlah mahasiswa. Kita ingin membuat bar plot

yang menampilkan jumlah mahasiswa untuk tiap program studi. Perhatikan kode berikut.

import matplotlib.pyplot as plt

%matplotlib inline

prodi = ['Matematika', 'Statistika', 'Biologi', 'Kimia', 'Teknik Informatika', 'Fisika']

jumlah_mhs = [108, 134, 167, 155, 120, 97]

plt.figure(figsize=(12,7))

plt.barh(prodi, jumlah_mhs, color='yellowgreen')

plt.title('Jumlah Mahasiswa Per Program Studi', size=16)

plt.xlabel('Jumlah Mahasiswa', size=14)

plt.xticks(size=12)

plt.yticks(size=12)

plt.show()

7
8
 DAFTAR PUSTAKA

https://colab.research.google.com/drive/

1McbgIbYl80PJTYzfwLcZp12LAxqA3bXg#scrollTo=lB5OzzbSWwLP

https://algorit.ma/blog/library-pandas-python-2022/