Data Analyst: Python Introduction
Hello, folks!
Pada postingan sebelumnya, saya sudah membahas dan mengerjakan exercise mengenai SQL. Pada postingan ini, saya akan membahas dan tentunya mengerjakan exercise mengenai Python.
Python merupakan bahasa pemrograman multifungsi yang dapat digunakan untuk berbagai macam hal, seperti membuat website, menganalisa data, membuat visualisasi data, etc. Software yang akan digunakan pada exercise ini adalah Google Colab. Software ini sangat praktis dan tidak memerlukan instalasi, sehingga kita dapat menjalankan kode Python secara online.
Dalam penggunaannya, Python mengharuskan penggunanya untuk mengimport library. Menurut Library Carpentry, library merupakan kumpulan file (disebut modul) yang berisi fungsi-fungsi untuk digunakan oleh program lain. Untuk pengerjaan exercise ini, terdapat beberapa library yang digunakan, diantaranya pandas, NumPy, Matplotlib, dan seaborn.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import re
sns.set()Setelah melakukan import library, langkah selanjutnya adalah melakukan import dataset. Berikut adalah sumber dataset yang digunakan.
df_hotels = pd.read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-11/hotels.csv')
df_hotels.head()Jika sudah melakukan import dataset, output yang dihasilkan adalah sebagai berikut.
Pada dataset ini tidak terdapat kolom unique identifier pada setiap row, sehingga perlu menambahkan kolom id sebagai unique indentifier.
df_hotels = df_hotels.reset_index().rename(columns={'index':'id'})
df_hotels.head()Didapatkan output sebagai berikut.
Dataset sudah siap untuk diolah, langkah selanjutnya adalah mengolah data sesuai dengan permintaan pengolahan data berdasarkan exercise yang sudah diberikan, sebagai berikut:
Q1: Buatlah fungsi dengan: a) 1 argumen berupa dataframe untuk mengecek data type; b) untuk mengecek jumlah null value; c) untuk mengecek percent null value; d) serta jumlah unique value tiap kolom yang ada di sebuah dataframe.
Kode Python yang digunakan adalah sebagai berikut.
import pandas as pd
def check_values(df):
#datatype list
tipe_data = []
#list for null
sum_null = []
persentase_null = []
jumlah_unique = []
#summary check value variable
summary_check_value = pd.DataFrame()
for i in df:
tipe_data.append(df[i].dtype)
sum_null.append(df[i].isna().sum())
persentase_null.append(df[i].isna().sum()/len(df))
jumlah_unique.append(df[i].nunique())
summary_check_value['column'] = df.columns.tolist()
summary_check_value['data_type'] = tipe_data
summary_check_value['sum_null'] = sum_null
summary_check_value['persentase_null'] = persentase_null
summary_check_value['sum_unique'] = jumlah_unique
return(summary_check_value)def check_values(df):
data = []
for col in df.columns:
data.append([col, \
df[col].dtype, \
df[col].isna().sum(), \
round(100*(df[col].isna().sum()/len(df)),2), \
df[col].nunique()
])
return pd.DataFrame(columns=['dataFeatures', 'dataType', 'null', 'nullPct', 'unique'],data=data)check_values(df_hotels)Berikut output dari kode di atas yang terdiri dari columns data type, jumlah null value, percent null value, serta jumlah unique value di setiap kolom.
Q2: Ada berapa jumlah pengunjung yang membatalkan reservasi dan yang tidak? Dan dari jumlah tersebut buatlah kesimpulan mengenai proporsisi masing-masing!
Kode Python yang digunakan adalah sebagai berikut.
df_hotels.is_canceled.value_counts()
print("There are",df_hotels.is_canceled.value_counts()[1],"canceled booking")
print("There are",df_hotels.is_canceled.value_counts()[0],"uncanceled booking") Berikut output dari kode di atas.
Kode Pyhton untuk proporsi pengunjung yang membatalkan pemesanan dan tidak membatalkan pemesanan adalah sebagai berikut.
df_hotels.is_canceled.value_counts(normalize=True)
print("Percentage of canceled booking is",df_hotels.is_canceled.value_counts(normalize=True)[1]*100,'%',"")
print("Percentage of not canceled booking is",df_hotels.is_canceled.value_counts(normalize=True)[0]*100,'%') Output dari kode di atas adalah sebagai berikut.
Kode Python di bawah ini untuk menampilkan hasil di atas dalam bentuk bar chart.
sns.countplot(data=df_hotels, x='is_canceled')
plt.title('Cancelled')
plt.show()Dari chart di atas dapat disimpulkan, bahwa banyak pengunjung yang membatalkan pemesanan, yaitu 44.224 pengunjung. Dilihat dari proporsinya, 37,04% atau hampir setengah pengunjung membatalkan pemesanan.
Q3: a) Untuk “City Hotel”, berapa persen reservasi yang dibatalkan?; b) Untuk “Resort Hotel”, berapa persen reservasi yang dibatalkan?
a) Kode Python yang digunakan adalah sebagai berikut.
df_hotels[df_hotels.hotel=='City Hotel'].is_canceled.value_counts(normalize=True)
print("Percentage of canceled booking at City Hotel is",df_hotels[df_hotels.hotel=='City Hotel'].is_canceled.value_counts(normalize=True)[1]*100,'%')Dari output di atas dapat disimpulkan persentase reservasi yang dibatalkan di City Hotel adalah 41.72%.
b) Kode Python yang digunakan adalah sebagai berikut.
df_hotels[df_hotels.hotel=='Resort Hotel'].is_canceled.value_counts(normalize=True)
print("Percentage of canceled booking at Resort Hotel is",df_hotels[df_hotels.hotel=='Resort Hotel'].is_canceled.value_counts(normalize=True)[1]*100,'%')Dari output di atas dapat disimpulkan persentase reservasi yang dibatalkan di Resort Hotel adalah 21.76%.
Q4: Lakukan filter sehingga hanya menampilkan data pengunjung yang tidak membatalkan reservasi. Dan simpan hasilnya dalam variabel df_checkout.
Untuk melakukan filter data pengunjung yang tidak membatalkan reservasi adalah sebagai berikut.
df_hotels[df_hotels.is_canceled==0]Untuk menyimpan hasil di atas menjadi variabel df_checkout adalah sebagai berikut.
df_checkout = df_hotels[df_hotels.is_canceled==0]
df_checkout.shapeDari hasil tersebut, dapat dilihat bahwa shape dari variabel df_checkout sesuai dengan tabel pada output filter pengunjung yang tidak membatalkan reservasi.
Q5: A) Tampilkan jumlah reservasi tiap bulan kedatangan untuk masing-masing jenis hotel; B) Lalu di bulan apa terdapat reservasi yang paling banyak di masing-masing jenis hotel? Buatlah kesimpulan apakah trennya sama di kedua jenis hotel?; C) Lakukan seperti point B namun dengan nama bulan yang sudah di-mapping menjadi bulan dalam angka.
> (!) Untuk pertanyaan ini dan selanjutnya akan menggunakan dataframe df_checkout
Get Sarah Aulia’s stories in your inbox
Join Medium for free to get updates from this writer.
5.A) Kode Python untuk menampilkan jumlah reservasi setiap bulan dan untuk masing-masing jenis hotel adalah sebagai berikut.
#summary for each month and each hotel
summary_each_hotel = df_checkout.groupby(['hotel','arrival_date_month']).size().reset_index()
#rename the column
summary_each_hotel.columns = ['hotel','arrival_date_month','total_reservation']
summary_each_hotelOutput dari kode di atas adalah sebagai berikut.
5.C) Kode Python yang digunakan untuk mapping nama bulan dalam angka adalah sebagai berikut.
import calendar
#mapping to number
month_dict = {month: index for index, month in enumerate(calendar.month_name) if month}
#add arrival_date_month_num column as numberred month
#in this step, each row of the arrival_date_month column that contains the name of the month will be mapped to the appropriate number
df_checkout['arrival_date_month_num'] = df_checkout['arrival_date_month'].map(month_dict)
#groupby
df_checkout.groupby(['hotel','arrival_date_month_num']).size()Output dari kode di atas adalah sebagai berikut.
5.B) Kode Python yang digunakan adalah sebagai berikut.
#most reservations in each hotel
max_ch = summary_each_hotel[summary_each_hotel['hotel'] == 'City Hotel']['total_reservation'].max()
max_rh = summary_each_hotel[summary_each_hotel['hotel'] == 'Resort Hotel']['total_reservation'].max()
#find out the month
print('summary max reservation City Hotel')
display(summary_each_hotel[summary_each_hotel['total_reservation'] == max_ch])
print('\n','*'*50)
print('summary max reservation Resort Hotel')
display(summary_each_hotel[summary_each_hotel['total_reservation'] == max_rh])Berikut output dari kode di atas.
#make df trend
rf_df = df_checkout[df_checkout['hotel'] == "Resort Hotel"]
cf_df = df_checkout[df_checkout['hotel'] == "City Hotel"]sns.lineplot(data = rf_df, x = 'arrival_date_month_num', y = 'id').set_title('trend Resort Hotel monthly')sns.lineplot(data = cf_df, x = 'arrival_date_month_num', y = 'id').set_title('trend City Hotel monthly')#Mapping month names to months in numbers
sns.countplot(data=df_checkout, x='arrival_date_month_num')sns.countplot(data=df_checkout, x='arrival_date_month_num',hue='hotel')
plt.xlabel('arrival month')
plt.ylabel('total reservation')
plt.show()Dapat dilihat dari chart di atas, kedua hotel memiliki kesamaan tren dengan urutan total reservasi terbanyak di bulan Agustus dan Juli.
Q6.A) Buat sebuah kolom baru bernama arrival_date yang berisi info lengkap tentang tahun, bulan, dan tanggal kedatangan. B) Ubah kolom menjadi tipe datetime. Hint: gabungkan tahun, bulan, dan tanggal menjadi format yyyy-mm-dd.
6.A) Kode Python yang digunakan adalah sebagai berikut.
#step 1: converts the arrival_date_month_num column to a string
df_checkout.arrival_date_month_num.astype('str')#step 2: then add zero padding, so that '1' becomes '01' --> step 2 is chained with step 1
df_checkout.arrival_date_month_num.astype('str').str.pad(2,fillchar='0')df_checkout['arrival_date_year'].astype('str') + '-' +\
df_checkout.arrival_date_month_num.astype('str').str.pad(2,fillchar='0') + '-' +\
df_checkout.arrival_date_day_of_month.astype('str').str.pad(2,fillchar='0')#Answer A
df_checkout['arrival_date'] = \
df_checkout['arrival_date_year'].astype('str') + '-' +\
df_checkout.arrival_date_month_num.astype('str').str.pad(2,fillchar='0') + '-' +\
df_checkout.arrival_date_day_of_month.astype('str').str.pad(2,fillchar='0')df_checkout['arrival_date']df_checkout.arrival_date.dtype#Answer B convert arrival_date from string to datetime
df_checkout['arrival_date'] = pd.to_datetime(df_checkout.arrival_date)
df_checkout['arrival_date']df_checkout.arrival_date.dtypeQ7: Mari kita bermain dengan time-series data menggunakan kolom arrival_date. Buat 2 dataframe yang menunjukkan sbb: 1) total reservasi harian (df_reservasi_perhari); 2) rata-rata reservasi harian di tiap minggu (df_avg_reservasi_harian)
(!) Stop and think!
Apa perbedaan data yang ditunjukkan oleh df_reservasi_perhari dan df_avg_reservasi_harian?
#Answer 1: total daily reservation
df_reservasi_perhari = df_checkout.resample('D',on='arrival_date').size().reset_index().rename(columns={0:'total_reservasi'})
df_reservasi_perhari#Answer 2: average daily reservation
df_avg_reservasi_harian = df_checkout.resample('D',on='arrival_date').size().reset_index().rename(columns={0:'total_reservasi'}).\
resample('W',on='arrival_date')['total_reservasi'].mean().reset_index()
df_avg_reservasi_harianplt.figure(figsize=(10,4))
sns.lineplot(data=df_reservasi_perhari, x='arrival_date', y='total_reservasi')
plt.title('Reservasi Harian', fontsize='x-large')
plt.show()plt.figure(figsize=(10,4))
sns.lineplot(data=df_avg_reservasi_harian, x='arrival_date', y='total_reservasi')
plt.title('Rata-Rata Reservasi Harian', fontsize='x-large')
plt.show()Q8.A) Berapa rata-rata ADR berdasarkan jenis hotel dan jenis customer (customer_type)?; B) Jenis customer mana yang memiliki ADR paling besar di masing-masing jenis hotel?
#Answer A
summary_custype = df_checkout.groupby(['hotel','customer_type'])['adr'].mean().reset_index()
summary_custype.columns= ['hotel','customer_type','mean_adr']
summary_custype#Answer B
max_chs = summary_custype[summary_custype['hotel'] == 'City Hotel']['mean_adr'].max()
max_rhs = summary_custype[summary_custype['hotel'] == 'Resort Hotel']['mean_adr'].max()
#find the customertype
print('summary max reservasi City Hotel')
display(summary_custype[summary_custype['mean_adr'] == max_chs])
print('\n','*'*50)
print('summary max reservasi Resort Hotel')
display(summary_custype[summary_custype['mean_adr'] == max_rhs])plt.figure(figsize=(8,6))
sns.boxplot(data=df_checkout, x='adr', y='hotel',hue='customer_type')
plt.show()Selesai sudah pembahasan exercise mengenai Python untuk Final Project ini. Karena bantuan mentor dan tim MySkill, saya dapat memahami bagaimana mengolah data menggunakan Python. Semoga penjelasan dari saya dapat dipahami dan saya ucapkan terima kasih kepada pembaca yang telah membaca tulisan saya, have a good day!





