Blog

Data Science

Panduan Analisis Data dengan Python Pandas, Mudah Dipelajari

Farijihan Putri

•

18 March 2025

•

6624

Warga Bimbingan siap menguasai analisis data dengan cara yang simpel dan efisien? Panduan analisis data dengan Python Pandas dari MinDi ini bakal membantu kamu memahami dasar-dasar hingga teknik penting yang sering dipakai dalam dunia data science.

Misalnya kamu punya data berantakan seperti banyak angka, teks, bahkan data kosong. Nah, Pandas hadir sebagai alat yang bisa merapikan, menganalisis, dan menyajikan data dengan lebih rapi dan informatif. Dari membaca file CSV sampai mengolah data untuk insight yang lebih dalam, semuanya bisa dilakukan dengan mudah.

Di artikel ini, kamu akan belajar langkah-langkah praktis, mulai dari membaca data, membersihkannya, hingga melakukan analisis sederhana. Tenang, semua MinDi jelaskan dengan cara yang mudah dipahami. Yuk, langsung simak!

Mengenal Python Pandas untuk Analisis Data

Python Pandas adalah library powerful yang digunakan untuk mengolah dan menganalisis data dengan cara yang lebih mudah dan efisien.

Dengan Pandas, kamu bisa membaca data dari berbagai format seperti CSV, Excel, atau SQL, lalu mengelolanya dalam bentuk DataFrame yaitu struktur data yang menyerupai tabel di Excel.

Selain itu, Pandas menyediakan berbagai fungsi untuk membersihkan data, mengatasi nilai yang hilang, melakukan perhitungan statistik, hingga mengubah format data agar lebih siap untuk analisis.

Singkatnya, Pandas adalah alat wajib bagi siapa saja yang ingin bekerja dengan data secara praktis dan efektif. Makanya, nggak heran kalau banyak yang mempelajarinya.

Struktur Data dalam Pandas

Dalam Pandas, ada dua struktur data utama yang digunakan untuk mengelola dan menganalisis data. Simak penjelasan MinDi ya!

1. Series

Series adalah struktur data satu dimensi yang mirip dengan daftar atau array di Python. Setiap elemen dalam Series memiliki indeks yang dapat digunakan untuk mengakses nilainya. Series cocok untuk menyimpan data seperti satu kolom dalam tabel, daftar angka, atau kumpulan label.

Contoh penggunaan:

import pandas as pd

data = pd.Series([10, 20, 30, 40])

print(data)

Hasilnya akan menampilkan daftar angka dengan indeks di sebelahnya.

2. DataFrame

DataFrame adalah struktur data dua dimensi yang menyerupai tabel, seperti spreadsheet di Excel atau database SQL. DataFrame terdiri dari baris dan kolom, di mana setiap kolom bisa berisi tipe data yang berbeda.

Contoh pembuatan DataFrame sederhana:

data = {

"Nama": ["Andi", "Budi", "Citra"],

"Usia": [25, 30, 28],

"Kota": ["Jakarta", "Bandung", "Surabaya"]

}

df = pd.DataFrame(data)

print(df)

DataFrame ini berisi tiga kolom: Nama, Usia, dan Kota, dengan masing-masing baris merepresentasikan satu entri data.

Panduan Analisis Data dengan Python Pandas

Sumber: Freepik

Sebelum mulai menganalisis data, ada beberapa langkah penting yang perlu kamu pahami dalam panduan analisis data dengan Python Pandas. Berikut ini tahapan-tahapan yang bisa kamu ikuti.

1. Persiapan: Instalasi dan Import Library

Langkah pertama, tentu saja, memastikan bahwa Pandas sudah terinstal di Python kamu. Pandas bisa diinstal dengan perintah:

pip install pandas

Setelah itu, import Pandas ke dalam proyek dengan:

import pandas as pd

Biasanya, Pandas digunakan bersama library lain seperti NumPy dan Matplotlib untuk analisis dan visualisasi data yang lebih komprehensif. Jika kamu ingin bekerja dengan data Excel, pastikan juga menginstal openpyxl dengan perintah:

pip install openpyxl

Sekarang, kamu sudah siap untuk mulai membaca dan mengolah data menggunakan Pandas!

2. Membaca Data dari Berbagai Sumber

Dalam panduan analisis data dengan Python Pandas, langkah pertama setelah instalasi adalah membaca data dari berbagai sumber seperti CSV, Excel, atau database SQL. Dengan Pandas, proses ini bisa dilakukan dengan mudah menggunakan beberapa fungsi bawaan, seperti:

df_csv = pd.read_csv("data.csv") # Membaca file CSV

df_excel = pd.read_excel("data.xlsx") # Membaca file Excel

df_sql = pd.read_sql("SELECT * FROM tabel", koneksi_database) # Membaca dari database

Data yang sudah dibaca akan otomatis diubah menjadi DataFrame, struktur data dua dimensi yang menyerupai tabel. Ini memudahkan kamu untuk melakukan manipulasi dan analisis lebih lanjut.

3. Eksplorasi Data: Memahami Struktur dan Isi

Setelah data berhasil dimuat, langkah selanjutnya adalah mengeksplorasi isi dan strukturnya. Kamu bisa melihat beberapa baris pertama dengan .head(), mendapatkan ringkasan informasi dengan .info(), atau melihat statistik dasar menggunakan .describe().

print(df.head()) # Menampilkan 5 baris pertama

print(df.info()) # Menampilkan ringkasan data

print(df.describe()) # Statistik dasar seperti mean, min, max

Tahap ini penting agar kamu memahami bagaimana data disusun dan apakah ada anomali yang perlu diperbaiki.

4. Membersihkan Data: Menangani Data Hilang dan Duplikat

Data di dunia nyata sering tidak sempurna karena banyak yang hilang, duplikat, atau formatnya tidak sesuai. Pandas menyediakan berbagai metode untuk membersihkan data, seperti:

df_cleaned = df.dropna() # Menghapus baris dengan data kosong

df_filled = df.fillna("Tidak diketahui") # Mengisi nilai yang hilang

df.drop_duplicates(inplace=True) # Menghapus data duplikat

Dengan langkah ini, data jadi lebih rapi dan siap untuk dianalisis lebih dalam.

5. Transformasi Data: Mengubah dan Menyesuaikan Data

Dalam proses panduan analisis data dengan Python Pandas, terkadang kamu perlu mengubah struktur data agar lebih sesuai dengan kebutuhan analisis.

Misalnya, menggabungkan dua kolom, mengganti format tanggal, atau mengelompokkan data berdasarkan kategori tertentu.

Misalnya, jika ingin membuat kolom baru berdasarkan dua kolom lain:

df["Nama Lengkap"] = df["Nama Depan"] + " " + df["Nama Belakang"]

Atau mengubah format tanggal agar lebih mudah dianalisis:

df["Tanggal"] = pd.to_datetime(df["Tanggal"])

Dengan transformasi ini, data jadi lebih terstruktur dan lebih mudah digunakan.

6. Analisis Statistik Dasar dengan Pandas

Setelah data siap, saatnya melakukan analisis sederhana! Pandas menyediakan berbagai fungsi statistik dasar seperti mean (rata-rata), median, dan standar deviasi.

print(df["Pendapatan"].mean()) # Menghitung rata-rata

print(df["Pendapatan"].median()) # Menghitung median

print(df["Pendapatan"].std()) # Menghitung standar deviasi

Analisis ini membantu kamu mendapatkan insight awal sebelum masuk ke tahap yang lebih kompleks.

7. Visualisasi Data untuk Insight Lebih Baik

Dalam panduan analisis data dengan Python Pandas, memahami data tidak hanya lewat angka, tetapi juga dengan visualisasi. Pandas bisa bekerja sama dengan Matplotlib dan Seaborn untuk membuat grafik dengan mudah.

Contohnya, membuat histogram untuk melihat distribusi data:

import matplotlib.pyplot as plt

df["Pendapatan"].hist(bins=10)

plt.show()

Atau membuat grafik garis sederhana:

df.plot(x="Tanggal", y="Pendapatan", kind="line")

plt.show()

Visualisasi ini membantu kamu memahami pola dan tren dalam data dengan lebih jelas.

8. Menyimpan dan Mengekspor Data

Setelah selesai melakukan analisis, data yang telah diolah bisa disimpan kembali dalam berbagai format. Pandas menyediakan metode yang praktis untuk menyimpan DataFrame ke dalam file lain, seperti CSV atau Excel.

df.to_csv("data_bersih.csv", index=False) # Menyimpan ke CSV

df.to_excel("data_bersih.xlsx", index=False) # Menyimpan ke Excel

Dengan langkah ini, data hasil analisis bisa dibagikan atau digunakan untuk keperluan lebih lanjut.

Mulai Analisis Data dengan Pandas Sekarang!

Dengan memahami panduan analisis data dengan Python Pandas, Warga Bimbingan sudah selangkah lebih dekat untuk menjadi analis data yang andal! Tapi, perjalanan belajar nggak berhenti di sini.

Kalau kamu ingin mendalami ilmu Data Science & Data Analyst secara terstruktur, yuk gabung di Bootcamp Data Science & Data Analyst dibimbing.id!

Bareng mentor berpengalaman, kamu akan belajar dengan silabus terlengkap, praktek nyata buat portfolio, dan bahkan gratis mengulang kelas. Nggak perlu khawatir soal karier, karena 96% alumni sudah berhasil bekerja dan ada 840+ hiring partner yang siap menyalurkan kamu ke dunia kerja.

Masih ragu? Mungkin kamu bertanya, "Apakah bootcamp ini cocok untuk pemula?" atau "Nantinya bakal ada project real-world yang bisa dimasukkan ke portofolio nggak?" jangan ragu konsultasi gratis di sini! dibimbing.id siap #BimbingSampeJadi