Pandas

Kekuatan spreadsheet dalam kode: muat, bersihkan, bentuk ulang, dan ringkas tabel sungguhan. 22 modul masing-masing 10 menit, dengan soal yang mengecek jawabanmu di browser.

Mulai jalurnya

Dasar

• 1. Dasar Series dan DataFrameGratis
  Kenalan dengan dua fondasi pandas, yaitu Series (satu kolom berlabel) dan DataFrame (satu tabel utuh).
• 2. Membuat DataFrame dan membaca CSVGratis
  Bangun DataFrame dari data Python, muat file CSV dengan read_csv, dan tangani separator, header serta format angka yang muncul di file export sungguhan.
• 3. Memeriksa data (head, info, describe, dtypes)Gratis
  Cek kesehatan lima menit yang kamu jalankan pada setiap dataset baru: ukurannya, kolom, tipe, nilai yang hilang, rentang dan kategori.
• 4. Memilih kolom dan barisGratis
  Ambil kolom yang kamu butuhkan, potong baris berdasarkan posisi, dan pahami kapan kamu mendapat Series dan kapan DataFrame.
• 5. Filter dengan boolean maskGratis
  Simpan hanya baris yang memenuhi kondisi, gabungkan kondisi dengan & | ~, dan pakai isin, between serta query untuk filter yang mudah dibaca.
• 6. loc vs ilocGratis
  Pilih baris dan kolom secara presisi berdasarkan label dengan .loc atau berdasarkan posisi dengan .iloc, dan ubah nilai dengan aman tanpa SettingWithCopyWarning.

Menengah

• 7. Menambah, mengganti nama, dan membuang kolomGratis
  Bentuk tabel sesuai kebutuhan analisismu: kolom hasil perhitungan, kolom kondisional dengan np.where, assign() untuk chaining, rename, drop dan mengurutkan ulang.
• 8. Menangani data yang hilang (NaN, fillna, dropna)Gratis
  Temukan nilai yang hilang, pahami pengaruhnya pada perhitungan, dan putuskan secara sadar apakah akan mengisi, membuang atau menandainya.
• 9. Mengurutkan dan memberi peringkatPro
  Urutkan baris berdasarkan satu kolom atau lebih, temukan N teratas dan terbawah dengan cepat, dan beri peringkat dengan aturan nilai seri yang dibutuhkan laporanmu.
• 10. Mengubah tipe data dan mem-parsing tanggalPro
  Ubah teks menjadi angka dan tanggal dengan aman memakai astype, to_numeric dan to_datetime, lalu pakai accessor .dt untuk mengambil bulan, hari dan durasi.
• 11. Method string pada kolom (.str)Pro
  Bersihkan, cari, pisah dan ekstrak teks di seluruh kolom sekaligus dengan accessor .str, termasuk regex.
• 12. apply, map, dan operasi tervektorisasiPro
  Ubah kolom dengan map dan apply saat kamu butuh logika khusus, dan pahami kenapa operasi tervektorisasi seharusnya jadi pilihan pertamamu.
• 13. Menyimpan hasil dan membaca sumber lainPro
  Tulis output CSV, Excel dan JSON yang bersih, dan muat data dari sheet Excel, API JSON dan database SQL menjadi DataFrame.

Lanjutan

• 14. groupby dan agregasiPro
  Pecah data menjadi kelompok, hitung ringkasan per kelompok, lalu gabungkan kembali: pola split-apply-combine di balik setiap laporan.
• 15. Pivot table dan crosstabPro
  Bangun pivot table ala Excel dengan kode: baris dari satu field, kolom dari field lain, nilai yang diagregasi, lengkap dengan total dan persentase.
• 16. Menggabungkan DataFrame dengan merge dan joinPro
  Gabungkan tabel berdasarkan kunci bersama dengan merge: inner, left, right dan outer join, sambil memeriksa duplikat dan baris yang tidak cocok seperti seorang profesional.
• 17. Menyambung dan membentuk ulang (melt, pivot)Pro
  Tumpuk tabel dari beberapa file dengan concat, dan beralih antara bentuk lebar dan panjang dengan melt dan pivot.
• 18. Dasar MultiIndexPro
  Bekerja dengan label baris dan kolom bertingkat dari groupby multi-kunci dan pivot: memilih dengan loc dan xs, menukar tingkat, dan meratakannya kembali.
• 19. Time series: resampling dan rolling windowPro
  Ubah data bertimestamp menjadi series harian, mingguan dan bulanan, haluskan noise dengan rata-rata bergerak, dan ukur perubahan dengan shift, diff dan pct_change.

Ahli

• 20. Method chaining dan pola pipePro
  Tulis seluruh analisis sebagai satu rangkaian langkah yang terbaca dari atas ke bawah, dengan assign, query, pipe dan fungsi bernama, alih-alih tumpukan variabel sementara.
• 21. Performa: menghindari loop, categorical, memoriPro
  Buat kode pandas cepat dan hemat pada data berukuran nyata: vektorisasi alih-alih loop, pakai categorical dan dtype yang lebih kecil, dan ukur sebelum mengoptimalkan.
• 22. Menulis pipeline pembersihan data yang bersih dan bisa dipakai ulangPro
  Ubah kode pembersihan sekali-pakai menjadi pipeline teruji dari fungsi-fungsi kecil dengan validasi, sehingga file berantakan bulan depan dibersihkan dengan cara yang sama dalam hitungan detik.

Proyek jalur

• Proyek Pandas: review setengah tahun Toko KitaPro
  Tiga tugas bernilai pada file ekspor asli toko. Buat tabel pendapatan bulanan untuk manajemen, ringkasan satu baris per pelanggan untuk marketing, dan daftar restock dari hasil hitung gudang yang berantakan.

Modul Pro terbuka dengan sekali bayar Rp 149.000, milikmu selamanya.