Penggunaan DataFrame dengan Python Pandas

Assalamu‘alaikum wr. wb.

Halo semuanya! Jika sebelumnya, kita sudah memberikan Tutorial Instalasi Pandas, sekarang waktunya membahas tentang Penggunaan DataFrame dengan Python Pandas.

Sumber Materi : Geeksforgeeks.org, Pynative.com, Ngodingdata.com, dan juga menggunakan ChatGPT

Pandas DataFrame adalah struktur data tabular dua dimensi yang berpotensi berubah ukuran dan berpotensi heterogen dengan sumbu berlabel (baris dan kolom). Bingkai Data adalah struktur data dua dimensi, yaitu data disejajarkan secara tabel dalam baris dan kolom. Pandas DataFrame terdiri dari tiga komponen utama, yaitu data, baris, dan kolom.

A. Pembuatan DataFrame

Data tersedia dalam berbagai bentuk dan jenis seperti CSV, tabel SQL, JSON, atau struktur Python seperti daftar, kamus, dll. Kami perlu mengonversi semua format data yang berbeda ini menjadi DataFrame agar kami dapat menggunakan perpustakaan pandas untuk menganalisis data tersebut dengan efisien.

Untuk membuat DataFrame, kami dapat menggunakan konstruktor DataFrame atau fungsi bawaan pandas. Berikut beberapa contoh.

1. DataFrame Constructor

pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)

Parameter :

• data : Menerima input berupa dict, list, set, ndarray, Iterable, atau DataFrame. Jika input tidak disediakan, maka akan membuat DataFrame kosong. Urutan kolom hasil mengikuti urutan penyisipan.
• index : (Opsional) Menerima daftar indeks baris untuk DataFrame. Nilai defaultnya adalah rentetan bilangan bulat 0, 1, ..., n.
• columns : (Opsional) Menerima daftar kolom untuk DataFrame. Nilai defaultnya adalah rentetan bilangan bulat 0, 1, ..., n.
• dtype : (Opsional) Secara default, itu mengidentifikasi jenis data dari data, tetapi opsi ini dapat mengaplikasikan jenis data tertentu ke seluruh DataFrame.
• copy : (Opsional) Menyalin data dari input. Boolean, Default False. Hanya memengaruhi input DataFrame atau array 2D.

2. DataFrame dari dict

Ketika kita memiliki data dalam bentuk dict atau struktur data default lainnya dalam Python, kita dapat mengonversinya menjadi DataFrame menggunakan konstruktor DataFrame.

Untuk membuat DataFrame dari objek dict, kita dapat meneruskannya ke konstruktor DataFrame dengan pd.DataFrame(dict). Ini akan membuat DataFrame di mana kunci-kunci dict akan menjadi label kolom, dan nilai-nilai dict akan menjadi data kolom-kolom tersebut. Kita juga dapat menggunakan fungsi DataFrame.from_dict() untuk membuat DataFrame dari dict.

Contoh :

student_dict = {'Name':['Joe','Nat'], 'Age':[20,21], 'Marks':[85.10, 77.80]}

'Nama', 'Umur' dan 'Tanda' adalah kunci dalam dict ketika Anda mengonversinya akan menjadi label kolom DataFrame.

import pandas as pd

# Python dict object
student_dict = {'Name': ['Joe', 'Nat'], 'Age': [20, 21], 'Marks': [85.10, 77.80]}
print(student_dict)

# Create DataFrame from dict
student_df = pd.DataFrame(student_dict)
print(student_df)

Output :

{'Name': ['Joe', 'Nat'], 'Age': [20, 21], 'Marks': [85.1, 77.8]}

  Name  Age  Marks
0  Joe   20   85.1
1  Nat   21   77.8

3. DataFrame dari CSV

Dalam bidang Data Science, file CSV digunakan untuk menyimpan dataset besar. Untuk menganalisis dataset tersebut secara efisien, kita perlu mengonversinya menjadi DataFrame pandas.

Untuk membuat DataFrame dari CSV, kita menggunakan fungsi read_csv('nama_file') yang mengambil nama file sebagai input dan mengembalikan DataFrame sebagai output.

Mari kita lihat bagaimana cara membaca file Automobile_data.csv ke dalam DataFrame.

cars = pd.read_csv("Automobile_data.csv")
print(cars)

Output :

        company   body-style  length engine-type  avg-mileage
0   alfa-romero  convertible   168.8        dohc           21
1   alfa-romero    hatchback   171.2        ohcv           19
2          audi        sedan   176.6         ohc           24
..          ...          ...     ...         ...          ...
58        volvo        sedan   188.8         ohc           23
59        volvo        wagon   188.8         ohc           23

B. Opsi DataFrame

Ketika DataFrame sangat besar dan kita tidak dapat menampilkan seluruh datanya saat mencetak. Dalam kasus tersebut, kita perlu mengubah cara DataFrame ditampilkan di konsol menggunakan fungsi print. Untuk itu, pandas telah menyediakan banyak opsi dan fungsi untuk menyesuaikan tampilan DataFrame.

1. Untuk menyesuaikan tampilan DataFrame saat mencetak

Ketika kita menampilkan DataFrame menggunakan fungsi print() secara default, DataFrame akan menampilkan 10 baris (5 baris atas dan 5 baris bawah). Terkadang kita mungkin perlu menampilkan lebih atau kurang baris daripada tampilan default dari DataFrame.

Kita dapat mengubah pengaturannya dengan menggunakan fungsi pd.options atau pd.set_option(). Kedua fungsi tersebut dapat digunakan secara bergantian.

Contoh di bawah ini akan menampilkan maksimum 20 baris dan minimum 5 baris saat mencetak DataFrame.

import pandas as pd

# Setting maximum rows to be shown 
pd.options.display.max_rows = 20

# Setting minimum rows to be shown
pd.set_option("display.min_rows", 5)

# Print DataFrame
print(cars)

Output :

        company   body-style  length engine-type  avg-mileage
0   alfa-romero  convertible   168.8        dohc           21
1   alfa-romero    hatchback   171.2        ohcv           19
..          ...          ...     ...         ...          ...
58        volvo        sedan   188.8         ohc           23
59        volvo        wagon   188.8         ohc           23

[60 rows x 5 columns]

C. DataFrame Metadata

Kadang-kadang kita perlu mendapatkan metadata dari DataFrame dan bukan kontennya. Informasi metadata semacam ini berguna untuk memahami DataFrame karena memberikan lebih banyak detail tentang DataFrame yang perlu kita proses.

Pada bagian ini, kita akan membahas fungsi-fungsi yang memberikan informasi tersebut tentang DataFrame.

Mari kita ambil contoh DataFrame siswa yang berisi 'Nama', 'Usia', dan 'Nilai' siswa seperti yang ditunjukkan di bawah ini.

    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

1. Info metadata dari DataFrame

DataFrame.info() adalah fungsi dari DataFrame yang memberikan informasi metadata tentang DataFrame. Ini termasuk :

• Jumlah baris dan rentang indeksnya
• Total jumlah kolom
• Daftar kolom
• Jumlah total nilai non-null dalam kolom
• Tipe data kolom
• Jumlah kolom dalam setiap tipe data
• Penggunaan memori oleh DataFrame

Contoh :

Dalam Contoh di bawah ini, kami mendapatkan informasi metadata DataFrame siswa.

# get dataframe info
student_df.info()

Output :

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Name    3 non-null      object 
 1   Age     3 non-null      int64  
 2   Marks   3 non-null      float64
dtypes: float64(1), int64(1), object(1)
memory usage: 200.0+ bytes

2. Mendapatkan Statistik DataFrame

DataFrame.describe() adalah fungsi yang memberikan statistik matematis dari data dalam DataFrame. Namun, ini hanya berlaku untuk kolom yang berisi nilai numerik.

Dalam contoh DataFrame siswa kami, ini memberikan statistik deskriptif hanya dari kolom "Umur" dan "Nilai", yang mencakup :

• count: Total jumlah nilai non-null dalam kolom
• mean: rata-rata angka
• std: nilai deviasi standar
• min: nilai minimum
• 25%: persentil ke-25
• 50%: persentil ke-50
• 75%: persentil ke-75
• max: nilai maksimum

Catatan : Output dari fungsi DataFrame.describe() bervariasi tergantung pada DataFrame masukan.

Contoh :

# get dataframe description
student_df.describe()

Output :

        Age      Marks
count   3.0   3.000000
mean   20.0  84.813333
std     1.0   6.874484
min    19.0  77.800000
25%    19.5  81.450000
50%    20.0  85.100000
75%    20.5  88.320000
max    21.0  91.540000

D. Atribut DataFrame

DataFrame telah menyediakan banyak atribut bawaan. Atribut tidak mengubah data yang mendasarinya, tidak seperti fungsi, tetapi digunakan untuk mendapatkan detail lebih lanjut tentang DataFrame.

Berikut ini adalah atribut DataFrame yang paling banyak digunakan.

Contoh : 

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)

print("DataFrame : ", student_df)

print("DataFrame Index : ", student_df.index)
print("DataFrame Columns : ", student_df.columns)

print("DataFrame Column types : ", student_df.dtypes)

print("DataFrame is empty? : ", student_df.empty)

print("DataFrame Shape : ", student_df.shape)
print("DataFrame Size : ", student_df.size)

print("DataFrame Values : ", student_df.values)

Output :

DataFrame :
      Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

DataFrame Index :  RangeIndex(start=0, stop=3, step=1)

DataFrame Columns :  Index(['Name', 'Age', 'Marks'], dtype='object')

DataFrame Column types :
Name      object
Age        int64
Marks    float64
dtype: object

DataFrame is empty? :  False

DataFrame Shape :  (3, 3)

DataFrame Size :  9

DataFrame Values : 
[['Joe' 20 85.1]
 ['Nat' 21 77.8]
 ['Harry' 19 91.54]]

E. DataFrame Selection

Saat berurusan dengan data yang luas dalam DataFrame, seorang analis data selalu perlu memilih baris atau kolom tertentu untuk analisis. Dalam kasus seperti ini, fungsi yang dapat memilih sekelompok baris atau kolom seperti baris teratas, baris terbawah, atau data dalam rentang indeks memiliki peran yang signifikan.

Berikut adalah fungsi-fungsi yang membantu dalam memilih subset dari DataFrame.

Contoh : 

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)

print("DataFrame : ", student_df)

print("DataFrame Index : ", student_df.index)
print("DataFrame Columns : ", student_df.columns)

print("DataFrame Column types : ", student_df.dtypes)

print("DataFrame is empty? : ", student_df.empty)

print("DataFrame Shape : ", student_df.shape)
print("DataFrame Size : ", student_df.size)

print("DataFrame Values : ", student_df.values)

Output :

DataFrame :
     Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

Top 2 rows using head() :
   Name  Age  Marks
0  Joe   20   85.1
1  Nat   21   77.8

Bottom 2 rows using tail() :
     Name  Age  Marks
1    Nat   21  77.80
2  Harry   19  91.54

Value at row index 0 and column 'Name' using at :  Joe

Value at first row and first column using iat :  Joe

Value of 'Name' column using get :
0      Joe
1      Nat
2    Harry
Name: Name, dtype: object

Value from row index 0 to 2 and 'Name' column using loc :
     Name
0    Joe
1    Nat
2  Harry

Value from row index 0 to 2(Exclusive) and column position 0 to 2(Exclusive) using iloc :
   Name  Age
0  Joe   20
1  Nat   21

F. Modifikasi DataFrame

DataFrame mirip dengan lembar Excel atau tabel database di mana kita perlu memasukkan data baru atau menghapus kolom dan baris jika tidak diperlukan. Operasi manipulasi data seperti ini sangat umum pada DataFrame.

Pada bagian ini, kita akan membahas fungsi-fungsi manipulasi data dari DataFrame.

1. Menyisipkan Kolom

Terkadang diperlukan untuk menambahkan kolom baru ke dalam DataFrame. Fungsi DataFrame.insert() digunakan untuk menyisipkan kolom baru dalam DataFrame pada posisi yang ditentukan.

Pada contoh di bawah ini, kita menyisipkan kolom baru "Kelas" sebagai kolom ketiga dalam DataFrame dengan nilai default 'A' menggunakan Sintaks :

df.insert(loc = col_position, column = new_col_name, value = default_value)

Contoh : 

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}
student_df = pd.DataFrame(student_dict)
print(student_df)

# insert new column in dataframe and display
student_df.insert(loc=2, column="Class", value='A')
print(student_df)

Output :

Before adding new column:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After adding new column:
    Name  Age Class  Marks
0    Joe   20     A  85.10
1    Nat   21     A  77.80
2  Harry   19     A  91.54

2. Drop Columns

DataFrame mungkin berisi data yang berlebihan, dalam kasus seperti itu, kami mungkin perlu menghapus data yang tidak diperlukan. Fungsi DataFrame.drop() digunakan untuk menghapus kolom dari DataFrame.

Contoh :

Pada contoh di bawah ini, kita menghapus kolom “Umur” dari DataFrame siswa menggunakan df.drop(columns=[col1,col2...]).

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)
print(student_df)

# delete column from dataframe
student_df = student_df.drop(columns='Age')
print(student_df)

Output :

Before dropping the column:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After dropping the column:
    Name  Marks
0    Joe  85.10
1    Nat  77.80
2  Harry  91.54

3. Terapkan Kondisi

Kita mungkin perlu memperbarui nilai di DataFrame berdasarkan beberapa kondisi. Fungsi DataFrame.where() digunakan untuk menggantikan nilai DataFrame yang kondisinya False.

where(filter, other=new_value)

Ini menerapkan kondisi filter pada semua baris di DataFrame, sebagai berikut :

• Jika kondisi filter mengembalikan False, maka ia memperbarui baris dengan nilai yang ditentukan dalam parameter lain.
• Jika kondisi filter mengembalikan True, maka baris tidak diperbarui.

Contoh :

Pada contoh di bawah ini, kita ingin mengganti nilai siswa dengan '0' yang nilainya kurang dari 80. Kita meneruskan kondisi filter df['Marks'] > 80 ke fungsi tersebut.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)
print(student_df)

# Define filter condition
filter = student_df['Marks'] > 80

student_df['Marks'].where(filter, other=0, inplace=True)
print(student_df)

Output :

Before update:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After update:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21   0.00
2  Harry   19  91.54

G. Kolom Filter DataFrame

Dataset berisi data besar yang perlu dianalisis. Namun, kadang-kadang, kita mungkin ingin menganalisis data yang relevan dan menyaring semua data lainnya. Dalam hal ini, kita dapat menggunakan fungsi DataFrame.filter() untuk mengambil hanya data yang diperlukan dari DataFrame.

Ini mengembalikan subset dari DataFrame dengan menerapkan kondisi pada setiap indeks baris atau label kolom seperti yang ditentukan menggunakan sintaks di bawah ini.

df.filter(like = filter_cond, axis = 'columns' or 'index')

Ini menerapkan kondisi pada setiap indeks baris atau label kolom.

• Jika kondisi tersebut terpenuhi, maka baris atau kolom tersebut akan disertakan dalam DataFrame yang dihasilkan.
• Jika kondisi gagal, maka tidak ada baris atau kolom tersebut di DataFrame yang dihasilkan.

Catatan : Ini menerapkan filter pada indeks baris atau label kolom, bukan pada data sebenarnya.

Contoh :

Pada contoh di bawah ini, kami hanya menyertakan kolom dengan label kolom yang dimulai dengan 'N'.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)
print(student_df)

# apply filter on dataframe
student_df = student_df.filter(like='N', axis='columns')
print(student_df)

Output :

Before applying filter:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After applying filter:
    Name
0    Joe
1    Nat
2  Harry

H. Ganti Kolom DataFrame

Saat bekerja dengan DataFrame, kita mungkin perlu mengganti nama indeks kolom atau baris. Kita dapat menggunakan fungsi DataFrame.rename() untuk mengubah label baris atau kolom.

Kita perlu meneruskan kamus pasangan nilai kunci sebagai masukan ke fungsi tersebut. Dimana key dari dict adalah label kolom yang sudah ada, dan nilai dict adalah label kolom yang baru.

df.rename(columns = {'old':'new'})

Ini dapat digunakan untuk mengganti nama satu atau beberapa kolom dan label baris.

Contoh :

Pada contoh di bawah ini, kami mengganti nama kolom 'Marks' menjadi 'Percentage' di DataFrame siswa.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}

student_df = pd.DataFrame(student_dict)
print(student_df)

# rename column
student_df = student_df.rename(columns={'Marks': 'Percentage'})
print(student_df)

Output :

Before rename:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After rename:
    Name  Age  Percentage
0    Joe   20       85.10
1    Nat   21       77.80
2  Harry   19       91.54

I. DataFrame Join

Pada sebagian besar kasus penggunaan Analisis Data, data dikumpulkan dari beberapa sumber, dan kita perlu menggabungkan data tersebut untuk analisis lebih lanjut. Dalam situasi seperti itu, operasi join dan merge diperlukan.

Fungsi DataFrame.join() digunakan untuk menggabungkan satu DataFrame dengan DataFrame lain seperti df1.join(df2).

Contoh :

Pada contoh di bawah, kita menggabungkan dua DataFrame yang berbeda untuk membuat DataFrame hasil yang baru.

import pandas as pd

# create dataframe from dict 
student_dict = {'Name': ['Joe', 'Nat'], 'Age': [20, 21]}
student_df = pd.DataFrame(student_dict)
print(student_df)

# create dataframe from dict 
marks_dict = {'Marks': [85.10, 77.80]}
marks_df = pd.DataFrame(marks_dict)
print(marks_df)

# join dfs
joined_df = student_df.join(marks_df)
print(joined_df)

Output :

 DataFrame1:
   Name  Age
 0  Joe   20
 1  Nat   21

DataFrame2:
    Marks
 0   85.1
 1   77.8

Joined DataFrames:
   Name  Age  Marks
 0  Joe   20   85.1
 1  Nat   21   77.8

J. DataFrame GroupBy

Operasi GroupBy berarti membagi data dan kemudian menggabungkannya berdasarkan beberapa kondisi. Data besar dapat dibagi menjadi kelompok-kelompok logis untuk menganalisanya.

Fungsi DataFrame.groupby() mengelompokkan DataFrame secara baris atau kolom berdasarkan kondisi tertentu.

Contoh :

Jika kita ingin menganalisis nilai rata-rata setiap kelas, kita perlu menggabungkan data siswa berdasarkan kolom 'Class' dan menghitung nilai rata-ratanya menggunakan df.groupby(col_label).mean() seperti yang ditunjukkan pada contoh di bawah.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Class': ['A', 'B', 'A'], 'Marks': [85.10, 77.80, 91.54]}
student_df = pd.DataFrame(student_dict)
print(student_df)

# apply group by 
student_df = student_df.groupby('Class').mean()
print(student_df)

Output :

Before grouping:
    Name Class  Marks
0    Joe     A  85.10
1    Nat     B  77.80
2  Harry     A  91.54

After grouping:
       Marks
Class       
A      88.32
B      77.8

K. Iterasi DataFrame

Iterasi DataFrame berarti mengunjungi setiap elemen dalam DataFrame satu per satu. Saat menganalisis DataFrame, kita mungkin perlu mengulang setiap baris DataFrame.

Ada beberapa cara untuk mengulang DataFrame. Kita akan melihat fungsi DataFrame.iterrows(), yang dapat melakukan iterasi DataFrame secara baris. Ini mengembalikan indeks dan baris DataFrame dalam setiap iterasi dari loop for.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat'], 'Age': [20, 21], 'Marks': [85, 77]}
student_df = pd.DataFrame(student_dict)

# Iterate all the rows of DataFrame
for index, row in student_df.iterrows():
    print(index, row)

Output :

0 
Name      Joe
Age       20
Marks     85
Name: 0, dtype: object

1 
Name      Nat
Age       21
Marks     77
Name: 1, dtype: object

L. DataFrame Sorting

Seorang Analis Data selalu perlu melakukan berbagai operasi pada data yang mendasarinya seperti menggabungkan, menyortir, menggabungkan, dll. Operasi yang paling sering digunakan adalah pengurutan data. Data yang terurut menjadi mudah untuk dianalisis dan disimpulkan.

Fungsi DataFrame.sort_values() digunakan untuk mengurutkan DataFrame menggunakan satu atau lebih kolom secara menaik (default) atau menurun.

Contoh :

Pada contoh di bawah, kita mengurutkan data siswa berdasarkan 'Marks'.

import pandas as pd

# Create DataFrame from dict
student_dict = {'Name': ['Joe', 'Nat', 'Harry'], 'Age': [20, 21, 19], 'Marks': [85.10, 77.80, 91.54]}
student_df = pd.DataFrame(student_dict)
print(student_df)

# rename column
student_df = student_df.sort_values(by=['Marks'])
print(student_df)

Output :

Before sorting:
    Name  Age  Marks
0    Joe   20  85.10
1    Nat   21  77.80
2  Harry   19  91.54

After sorting:
    Name  Age  Marks
1    Nat   21  77.80
0    Joe   20  85.10
2  Harry   19  91.54

M. Konversi dalam DataFrame

Setelah semua pemrosesan pada DataFrame, kita akan mendapatkan data yang diharapkan di dalam DataFrame. Namun, mungkin kita perlu mengonversi DataFrame kembali ke format aslinya seperti file CSV atau kamus (dict), atau mungkin perlu mengonversinya ke format lain untuk tindakan lebih lanjut seperti menyimpannya ke Database dalam format tabel SQL.

Pandas telah menyediakan banyak fungsi untuk mengonversi DataFrames ke banyak format yang berbeda.

Sebagai contoh, fungsi DataFrame.to_dict() digunakan untuk mengonversi DataFrame menjadi objek kamus Python.

Berikut adalah contoh DataFrame yang perlu kita konversi menjadi Python dict.

    Name Class  Marks
0    Joe     A  85.10
1    Nat     B  77.80
2  Harry     A  91.54

Mari kita lihat bagaimana kita dapat menggunakan fungsi DataFrame.to_dict() untuk mengubah DataFrame menjadi kamus Python. Secara default, ini membuat kamus dengan kunci sebagai label kolom dan nilai sebagai pemetaan indeks baris dan data.

Contoh :

# convert dataframe to dict
dict = student_df.to_dict()
print(dict)

Output :

{'Name': {0: 'Joe', 1: 'Nat', 2: 'Harry'}, 'Class': {0: 'A', 1: 'B', 2: 'A'}, 'Marks': {0: 85.1, 1: 77.8, 2: 91.54}}

Itulah Penjelasan mengenai DataFrame dengan Python Pandas. Untuk melihat Artikel tentang Modul Pemrograman Python, silakan lihat di sini.

Terima Kasih 😄😘👌👍 :)

Wassalamu‘alaikum wr. wb.