Struktur Data Pandas: Series dan DataFrame

Dalam kegiatan operasional sehari-hari, data bisnis hampir tidak pernah hadir dalam bentuk matriks angka murni yang homogen. Sebuah berkas transaksi e-commerce, misalnya, memuat kombinasi nama pelanggan (string), tanggal transaksi (datetime), jumlah unit yang dibeli (integer), harga barang (float), dan status pengiriman (boolean). Jika Anda memaksakan diri memuat berkas tersebut ke dalam array NumPy, seluruh kolom angka dan tanggal akan otomatis terkonversi menjadi teks string, sehingga kalkulasi finansial menjadi mustahil dilakukan tanpa konversi berbelit-belit. Untuk menangani kompleksitas data tabular heterogen layaknya lembar kerja Excel atau tabel relasional SQL, kita memerlukan pustaka de facto analisis data Python: Pandas.

Yang akan dipelajari

Dalam artikel pengenalan Pandas ini, Anda akan mempelajari konsep dan keterampilan berikut:

• Memahami alasan Pandas menjadi pustaka standar untuk manipulasi data tabular heterogen.
• Membedakan dua struktur data fundamental Pandas: objek 1 dimensi (Series) dan objek 2 dimensi (DataFrame).
• Membuat DataFrame secara terprogram dari struktur dictionary serta memuat berkas data eksternal menggunakan pd.read_csv().
• Melakukan pemeriksaan kualitas awal dataset secara kilat menggunakan method .head(), .info(), .describe(), dan atribut .shape.
• Mengakses dan mengiris baris serta kolom data secara presisi menggunakan pengindeksan berbasis label (.loc[]) dan pengindeksan berbasis posisi numerik (.iloc[]).

Series vs DataFrame: Dua Pilar Struktur Data Pandas

Pandas dibangun di atas fondasi NumPy berkecepatan tinggi, tetapi menambahkan lapisan metadata yang sangat kaya berupa label indeks baris dan nama kolom.

1. Pandas Series

Series adalah struktur data satu dimensi yang mampu menyimpan data bertipe apa pun (integer, float, string, objek Python) yang dilengkapi dengan label penunjuk yang disebut Index. Anda dapat menganalogikan Series sebagai satu kolom tunggal dalam spreadsheet Excel.

import pandas as pd

# Membuat Series dari daftar harga produk
harga_produk = pd.Series([25000, 15000, 50000, 12000], 
                         index=["Kopi", "Teh", "Cokelat", "Air Mineral"],
                         name="Harga_IDR")

print(harga_produk)
print("\nHarga Kopi :", harga_produk["Kopi"])
print("Rata-rata  :", harga_produk.mean())

# Output:
# Kopi           25000
# Teh            15000
# Cokelat        50000
# Air Mineral    12000
# Name: Harga_IDR, dtype: int64
# 
# Harga Kopi : 25000
# Rata-rata  : 25500.0

2. Pandas DataFrame

DataFrame adalah struktur data tabular dua dimensi yang terdiri atas baris (rows) dan kolom (columns). Setiap kolom dalam DataFrame pada hakikatnya adalah sebuah objek Series yang berbagi indeks baris yang sama.

# Membuat DataFrame dari dictionary data transaksi kafe
data_kafe = {
    "Menu": ["Kopi Latte", "Teh Tarik", "Cokelat Panas", "Roti Bakar", "Croissant"],
    "Kategori": ["Minuman", "Minuman", "Minuman", "Makanan", "Makanan"],
    "Harga": [28000, 18000, 25000, 22000, 30000],
    "Terjual": [45, 60, 30, 25, 40],
    "Tersedia": [True, True, True, False, True]
}

df_kafe = pd.DataFrame(data_kafe)
print(df_kafe)

# Output:
#             Menu Kategori  Harga  Terjual  Tersedia
# 0     Kopi Latte  Minuman  28000       45      True
# 1      Teh Tarik  Minuman  18000       60      True
# 2  Cokelat Panas  Minuman  25000       30      True
# 3     Roti Bakar  Makanan  22000       25     False
# 4      Croissant  Makanan  30000       40      True

Perhatikan bahwa DataFrame di atas secara alami menampung teks, angka bulat, dan boolean secara berdampingan tanpa mengubah tipe data satu sama lain.

Memuat Berkas Data Eksternal (CSV)

Di industri, data umumnya tersimpan dalam berkas berekstensi .csv (Comma Separated Values) atau spreadsheet Excel. Pandas menyediakan fungsi pembaca bawaan yang sangat fleksibel:

import pandas as pd
import io

# Simulasi data CSV dalam bentuk teks (untuk kemudahan praktik langsung)
csv_teks = """id_pelanggan,nama,kota,total_belanja,status_member
CUST001,Ahmad,Jakarta,1500000,Gold
CUST002,Budi,Bandung,450000,Silver
CUST003,Citra,Surabaya,2800000,Platinum
CUST004,Dewi,Jakarta,820000,Gold
CUST005,Eko,Yogyakarta,120000,Regular
"""

# Membaca berkas CSV menggunakan pd.read_csv()
df_pelanggan = pd.read_csv(io.StringIO(csv_teks))
print("Data Pelanggan Berhasil Dimuat:")
print(df_pelanggan)

# Output:
# Data Pelanggan Berhasil Dimuat:
#   id_pelanggan   nama        kota  total_belanja status_member
# 0      CUST001  Ahmad     Jakarta        1500000          Gold
# 1      CUST002   Budi     Bandung         450000        Silver
# 2      CUST003  Citra    Surabaya        2800000      Platinum
# 3      CUST004   Dewi     Jakarta         820000          Gold
# 4      CUST005    Eko  Yogyakarta         120000       Regular

Tips di Google Colab: Jika Anda memiliki berkas data.csv di komputer lokal, Anda dapat mengunggahnya ke sesi Colab melalui ikon folder di bilah kiri, lalu membacanya langsung dengan df = pd.read_csv('data.csv').

Inspeksi Awal Dataset: 4 Langkah Diagnostik

Ketika pertama kali menerima dataset baru berukuran ribuan baris, jangan pernah mencetak seluruh baris data ke layar terminal. Selalu terapkan 4 metode diagnostik standar berikut:

1. .head() dan .tail()

Melihat cuplikan 5 baris pertama atau 5 baris terakhir dataset untuk memverifikasi apakah pemisahan kolom berhasil.

# Menampilkan 3 baris teratas
print(df_pelanggan.head(3))

# Menampilkan 2 baris terbawah
print(df_pelanggan.tail(2))

2. .shape

Atribut yang mengembalikan jumlah baris dan kolom dalam bentuk tuple (jumlah_baris, jumlah_kolom).

print("Dimensi dataset (baris, kolom):", df_pelanggan.shape)
# Output: (5, 5)

3. .info()

Memberikan ringkasan teknis menyeluruh: nama-nama kolom, jumlah nilai non-null (tidak kosong), tipe data per kolom, dan estimasi konsumsi memori RAM.

df_pelanggan.info()

# Output di konsol:
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 5 entries, 0 to 4
# Data columns (total 5 columns):
#  #   Column         Non-Null Count  Dtype 
# ---  ------         --------------  ----- 
#  0   id_pelanggan   5 non-null      object
#  1   nama           5 non-null      object
#  2   kota           5 non-null      object
#  3   total_belanja  5 non-null      int64 
#  4   status_member  5 non-null      object
# dtypes: int64(1), object(4)
# memory usage: 328.0 bytes

Catatan: Tipe data object di Pandas biasanya merepresentasikan teks string.

4. .describe()

Menghasilkan ringkasan statistik deskriptif cepat (rata-rata, standar deviasi, nilai minimum, kuartil 25%, 50%, 75%, dan maksimum) untuk seluruh kolom bertipe numerik.

print(df_pelanggan.describe())

# Output:
#        total_belanja
# count       5.000000
# mean  1138000.000000
# std    1057435.577234
# min     120000.000000
# 25%     450000.000000
# 50%     820000.000000
# 75%    1500000.000000
# max    2800000.000000

Memilih Data: Kolom, .loc[], dan .iloc[]

Mengakses bagian tertentu dari DataFrame adalah operasi paling fundamental dalam data wrangling.

1. Mengambil Kolom Tertentu

• Satu kolom (menghasilkan Series): df["nama_kolom"]
• Banyak kolom (menghasilkan DataFrame baru): df[["kolom_1", "kolom_2"]]

# Mengambil kolom nama (Series)
nama_series = df_pelanggan["nama"]

# Mengambil subset nama dan total belanja (DataFrame)
subset_df = df_pelanggan[["nama", "total_belanja"]]
print(subset_df)

# Output:
#     nama  total_belanja
# 0  Ahmad        1500000
# 1   Budi         450000
# 2  Citra        2800000
# 3   Dewi         820000
# 4    Eko         120000

2. Seleksi Baris & Kolom: .loc[] vs .iloc[]

Inilah pembeda krusial yang sering membingungkan pemula:

• .loc[] (label-based): Memilih baris dan kolom berdasarkan nama label / teks indeksnya. Batas akhir pada slicing .loc bersifat inklusif (diikutsertakan).
• .iloc[] (integer-position-based): Memilih baris dan kolom berdasarkan urutan posisi numerik indeks (0, 1, 2, ...). Batas akhir pada slicing .iloc bersifat eksklusif (seperti slicing Python standar).

Format umum keduanya adalah: df.loc[baris, kolom] atau df.iloc[baris, kolom].

# Set kolom 'id_pelanggan' sebagai index DataFrame agar perbedaannya nyata
df_indexed = df_pelanggan.set_index("id_pelanggan")
print(df_indexed)

# --- Menggunakan .loc (Label Nama) ---
# Mengambil data baris 'CUST002' untuk kolom 'kota' dan 'total_belanja'
hasil_loc = df_indexed.loc["CUST002", ["kota", "total_belanja"]]
print("\nHasil .loc CUST002:")
print(hasil_loc)

# Slicing baris dengan .loc: batas akhir 'CUST003' IKUT terambil!
print("\nSlicing .loc dari CUST001 sampai CUST003:")
print(df_indexed.loc["CUST001":"CUST003", ["nama", "status_member"]])

# --- Menggunakan .iloc (Posisi Angka) ---
# Mengambil baris posisi pertama (indeks 0) dan kolom posisi ke-0 serta ke-2
hasil_iloc = df_indexed.iloc[0, [0, 2]]
print("\nHasil .iloc posisi [0, [0, 2]]:")
print(hasil_iloc)

# Slicing baris dengan .iloc: posisi 0 sampai 2 (hanya baris 0 dan 1, baris 2 TIDAK ikut)
print("\nSlicing .iloc posisi 0:2:")
print(df_indexed.iloc[0:2, 0:2])

# Output:
#              nama        kota  total_belanja status_member
# id_pelanggan                                              
# CUST001     Ahmad     Jakarta        1500000          Gold
# CUST002      Budi     Bandung         450000        Silver
# CUST003     Citra    Surabaya        2800000      Platinum
# CUST004      Dewi     Jakarta         820000          Gold
# CUST005       Eko  Yogyakarta         120000       Regular
# 
# Hasil .loc CUST002:
# kota             Bandung
# total_belanja     450000
# Name: CUST002, dtype: object
# 
# Slicing .loc dari CUST001 sampai CUST003:
#               nama status_member
# id_pelanggan                    
# CUST001     Ahmad          Gold
# CUST002      Budi        Silver
# CUST003     Citra      Platinum
# 
# Hasil .iloc posisi [0, [0, 2]]:
# nama               Ahmad
# total_belanja    1500000
# Name: CUST001, dtype: object
# 
# Slicing .iloc posisi 0:2:
#               nama     kota
# id_pelanggan               
# CUST001     Ahmad  Jakarta
# CUST002      Budi  Bandung

Coba sendiri

Praktikkan eksperimen eksplorasi data berikut di Google Colab:

1. Buat DataFrame inventaris toko buku dengan 5 judul buku, harga, jumlah stok, dan rating pembaca (1.0 - 5.0).
2. Tampilkan informasi struktur tipe data dengan .info() dan ringkasan angka statistik dengan .describe().
3. Tambahkan kolom baru bernama "Nilai_Aset" yang merupakan hasil perkalian kolom "Harga" dengan "Stok".
4. Ambil 3 baris teratas untuk kolom "Judul" dan "Nilai_Aset" menggunakan pengindeksan .iloc[].

# Coba jalankan di sel Google Colab:
import pandas as pd

buku = pd.DataFrame({
    "Judul": ["Belajar Python", "Machine Learning Praktis", "Statistika Terapan", "Algoritma Pemrograman", "Sains Data"],
    "Harga": [95000, 140000, 85000, 110000, 125000],
    "Stok": [15, 8, 20, 12, 10],
    "Rating": [4.8, 4.9, 4.5, 4.6, 4.7]
})

# Menambahkan kolom kalkulasi baru (vektorisasi Pandas)
buku["Nilai_Aset"] = buku["Harga"] * buku["Stok"]

print("DataFrame Buku Lengkap:")
print(buku)

print("\nSeleksi 3 baris teratas (kolom Judul dan Nilai_Aset):")
print(buku.iloc[0:3, [0, 4]])

Kesalahan yang sering terjadi

Berikut adalah jebakan umum saat bekerja dengan DataFrame Pandas beserta cara mengatasinya:

Kesalahan Pemula	Gejala / Pesan Kesalahan	Penyebab Utama	Solusi yang Tepat
Lupa kurung ganda saat memilih banyak kolom	KeyError: ('kolom_a', 'kolom_b')	Menulis df['a', 'b'] alih-alih memberikan list kolom.	Berikan list di dalam kurung siku: df[['kolom_a', 'kolom_b']].
Tertukar antara .loc dan .iloc	TypeError: cannot do label indexing on Index with integer keys...	Menggunakan label teks di .iloc atau mengira batas akhir .loc bersifat eksklusif.	Ingat: .loc untuk Label teks (inklusif), .iloc untuk Integer posisi (eksklusif).
Melakukan filter tanpa menyimpan ke variabel	Perubahan pada DataFrame hilang begitu saja	Mengira method Pandas memodifikasi objek secara inplace secara default.	Simpan hasil ke variabel: df = df.method() atau gunakan parameter inplace=True jika didukung.
Peringatan SettingWithCopyWarning	Peringatan kuning panjang saat mengubah nilai kolom	Mengubah nilai pada hasil slice tanpa membuat salinan eksplisit.	Gunakan .loc secara eksplisit atau tambahkan .copy() saat membuat sub-dataframe: sub_df = df[kondisi].copy().

Kaitannya dengan Praktik Industri / AI: Dalam proyek rekayasa data nyata, lebih dari 70% waktu seorang data scientist dialokasikan pada tahapan kurasi data tabular menggunakan Pandas sebelum data tersebut dapat diumpankan ke model machine learning Scikit-Learn. Scikit-Learn mengharapkan matriks fitur $X$ berupa DataFrame berisi kolom-kolom prediktor dan vektor target $y$ berupa Series satu kolom. Menguasai .loc dan .iloc memastikan proses pemisahan variabel penjelas dan variabel target berjalan tepat tanpa risiko salah potong data.

Latihan

Asah keterampilan eksplorasi data Anda dengan 3 latihan berikut:

1. Soal 1: Buatlah sebuah Series Pandas bernama omset_mingguan yang berisi angka omset selama 7 hari (Senin sampai Minggu): [3500000, 4200000, 3900000, 4100000, 5600000, 7800000, 6900000]. Tentukan nama hari sebagai indeks barisnya, lalu hitung omset tertinggi beserta nama hari terjadinya omset tersebut.
2. Soal 2: Diberikan DataFrame kinerja karyawan berikut:

   df_karyawan = pd.DataFrame({
       "NIK": ["EMP01", "EMP02", "EMP03", "EMP04"],
       "Nama": ["Rian", "Sari", "Deni", "Maya"],
       "Departemen": ["IT", "Pemasaran", "IT", "Keuangan"],
       "Gaji": [12000000, 9500000, 11000000, 10500000]
   })
   

   Gunakan .iloc[] untuk mengambil baris ke-2 dan ke-3 (Sari dan Deni) hanya untuk kolom Nama dan Gaji.
3. Soal 3: Dari df_karyawan pada Soal 2, ubah kolom NIK menjadi indeks utama DataFrame (set_index). Kemudian gunakan .loc[] untuk mengambil informasi karyawan dengan NIK "EMP03" (tampilkan seluruh kolomnya).

Kunci jawaban dan pembahasan

Solusi Soal 1

import pandas as pd

hari = ["Senin", "Selasa", "Rabu", "Kamis", "Jumat", "Sabtu", "Minggu"]
omset = [3500000, 4200000, 3900000, 4100000, 5600000, 7800000, 6900000]

omset_mingguan = pd.Series(omset, index=hari, name="Omset_Harian")

# Mencari nilai tertinggi dan label hari terjadinya
omset_maksimal = omset_mingguan.max()
hari_tertinggi = omset_mingguan.idxmax()

print(omset_mingguan)
print(f"\nOmset tertinggi adalah Rp {omset_maksimal:,} yang tercatat pada hari {hari_tertinggi}.")

# Output:
# Senin      3500000
# Selasa     4200000
# Rabu       3900000
# Kamis      4100000
# Jumat      5600000
# Sabtu      7800000
# Minggu     6900000
# Name: Omset_Harian, dtype: int64
# 
# Omset tertinggi adalah Rp 7,800,000 yang tercatat pada hari Sabtu.

Pembahasan: Method .max() mengembalikan nilai numerik tertinggi dalam Series, sedangkan .idxmax() mengembalikan label indeks (nama hari) tempat nilai tertinggi itu berada.

---

Solusi Soal 2

import pandas as pd

df_karyawan = pd.DataFrame({
    "NIK": ["EMP01", "EMP02", "EMP03", "EMP04"],
    "Nama": ["Rian", "Sari", "Deni", "Maya"],
    "Departemen": ["IT", "Pemasaran", "IT", "Keuangan"],
    "Gaji": [12000000, 9500000, 11000000, 10500000]
})

# Sari berada di baris indeks 1, Deni di baris indeks 2 -> slice 1:3
# Kolom Nama di indeks 1, Gaji di indeks 3 -> list [1, 3]
hasil_seleksi = df_karyawan.iloc[1:3, [1, 3]]
print(hasil_seleksi)

# Output:
#    Nama      Gaji
# 1  Sari   9500000
# 2  Deni  11000000

Pembahasan: .iloc menggunakan posisi numerik murni. Slicing baris 1:3 mencakup baris 1 dan 2 (posisi 3 eksklusif). Pemilihan kolom [1, 3] mengambil tepat kolom Nama (kolom ke-2) dan Gaji (kolom ke-4).

---

Solusi Soal 3

import pandas as pd

df_karyawan = pd.DataFrame({
    "NIK": ["EMP01", "EMP02", "EMP03", "EMP04"],
    "Nama": ["Rian", "Sari", "Deni", "Maya"],
    "Departemen": ["IT", "Pemasaran", "IT", "Keuangan"],
    "Gaji": [12000000, 9500000, 11000000, 10500000]
})

# Mengubah kolom NIK menjadi index DataFrame
df_nik = df_karyawan.set_index("NIK")

# Mengakses data EMP03 dengan .loc
data_deni = df_nik.loc["EMP03"]
print("Data Karyawan EMP03:")
print(data_deni)

# Output:
# Data Karyawan EMP03:
# Nama              Deni
# Departemen          IT
# Gaji          11000000
# Name: EMP03, dtype: object

Pembahasan: Fungsi .set_index("NIK") mempromosikan kolom NIK menjadi pengenal baris unik. Dengan .loc["EMP03"], Pandas mengembalikan satu baris data tersebut dalam bentuk Series yang beranggotakan nama kolom-kolom sisanya.