> ## Documentation Index
> Fetch the complete documentation index at: https://v1-learn.neoartd.my.id/llms.txt
> Use this file to discover all available pages before exploring further.

# Library Pengolahan Data

Library pengolahan data bertujuan untuk membantu dalam manipulasi, analisis, dan pemrosesan data. Library ini menyediakan berbagai fungsi dan metode yang memudahkan pengguna untuk melakukan operasi pengolahan data dengan lebih efisien dan cepat.

Tujuan dari library ini untuk menyederhanakan tugas-tugas kompleks yang berkaitan dengan pengolahan data sehingga Anda tidak perlu mengimplementasikan semuanya dari awal. Berikut adalah beberapa library populer yang digunakan untuk pengolahan data.

1. **Pandas**[](https://pandas.pydata.org/)\
   [Pandas](https://pandas.pydata.org/) adalah library populer yang digunakan untuk pengelolaan dan analisis data. Library ini menyediakan struktur data dan alat untuk membantu pengguna dalam melakukan manipulasi, pembersihan, transformasi, dan analisis data dengan mudah dan efisien.

   Meskipun pandas sudah terinstal secara otomatis pada beberapa IDE dan versi Python, perlu diingat bahwa pandas bukan merupakan library bawaan Python. Oleh karena itu, Anda harus menginstal library ini terlebih dahulu sebelum dapat menggunakannya. Silakan buka command prompt dan jalankan kode berikut.

   ```bash theme={null}
   pip install pandas
   ```

   Atau jika Anda ingin menggunakan conda, silakan jalankan kode berikut untuk menginstalnya.

   ```bash theme={null}
   conda install pandas
   ```

   Berikut adalah contoh implementasi pandas.

   [![dos:8b867c4f84dd4fed7a24f72ccfbb0bee20230823203848.png](https://dicoding-web-img.sgp1.cdn.digitaloceanspaces.com/original/academy/dos:8b867c4f84dd4fed7a24f72ccfbb0bee20230823203848.png)](# "dos:8b867c4f84dd4fed7a24f72ccfbb0bee20230823203848.png")

   Pada contoh di atas, kita membuat DataFrame dari dictionary dan menampilkannya ke layar. DataFrame merupakan struktur data utama dalam pandas yang mirip seperti tabel atau spreadsheet. DataFrame merupakan struktur dua dimensi yang menyimpan data dalam bentuk baris dan kolom.

2. NumPy\
   Library [NumPy](https://numpy.org/) adalah package fundamental yang sering digunakan untuk scientific computing pada Python. Library ini menyediakan objek array multidimensi, berbagai jenis objek lainnya, seperti masked array dan matrix, dan sebagainya.

   NumPy termasuk library eksternal, meskipun NumPy juga sudah terinstal secara otomatis pada beberapa IDE dan versi Python, perlu diingat bahwa NumPy bukan termasuk library bawaan Python. Oleh karena itu, Anda harus menginstal library ini terlebih dahulu sebelum dapat menggunakannya.

   Silakan buka command prompt dan jalankan kode berikut.

   ```bash theme={null}
   pip install numpy
   ```

   Anda juga bisa menggunakan conda untuk menginstal NumPy, berikut sintaksnya.

   ```bash theme={null}
   conda install numpy
   ```

   Berikut adalah contoh penggunaan NumPy.

   ```python:line-numbers theme={null}
   import numpy

   matriks = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8 ,9]])
   print(matriks)

   """
   Output:
   [[1 2 3]
   [4 5 6]
   [7 8 9]]
   """
   ```

   Pada kode di atas, kita mengimpor library "numpy" terlebih dahulu untuk mengambil fungsi-fungsi atau kode yang berada pada library tersebut. Selanjutnya, mengubah nested list menjadi array dengan menggunakan fungsi “.array()”.

3. **Matplotlib**\
   Selanjutnya adalah [matplotlib](https://matplotlib.org/)yang merupakan library untuk melakukan visualisasi data. Matplotlib termasuk jenis library eksternal sehingga Anda perlu melakukan instalasi matplotlib terlebih dahulu. Silakan jalankan kode berikut.

   ```bash theme={null}
   python -m pip install -U matplotlib
   ```

   Anda bisa juga jalankan kode berikut jika ingin menggunakan conda.

   ```bash theme={null}
   conda install matplotlib
   ```

   Berikut adalah contoh penerapan matplotlib.

   ```python:line-numbers theme={null}
   import matplotlib.pyplot as plt

   # Data
   x = [1, 2, 3, 4, 5]
   y = [2, 4, 6, 8, 10]

   # Membuat plot garis
   plt.plot(x, y)

   # Menambahkan judul dan label sumbu
   plt.title("Contoh Plot Garis")
   plt.xlabel("Sumbu X")
   plt.ylabel("Sumbu Y")

   # Menampilkan plot
   plt.show()
   ```

   Pada kode di atas, kita akan membuat visualisasi berdasarkan data dari variabel x dan y. Hal pertama yang dilakukan adalah mengimpor library dengan menggunakan sintaks “import matplotlib.pyplot as plt".

   Selanjutnya, ini adalah contoh sehingga kita perlu membuat variabel sebagai data yang akan digunakan. Di sini kita membuat variabel x dan y sebagai data yang akan divisualisasi.

   Untuk membuat visualisasinya, kita menggunakan sintaks “plt.plot(x, y)” dengan argumennya adalah variabel x dan y. Lalu, kita menambahkan informasi tambahan seperti title, xlabel, dan ylabel. Terakhir, kita menampilkan visualisasi tersebut dengan sintaks “plt.show()”.

   Berikut adalah output ketika kode di atas dijalankan.

   [![dos:85420d1dcc72d22b4ed77af55bc9c49b20230823204533.png](https://dicoding-web-img.sgp1.cdn.digitaloceanspaces.com/original/academy/dos:85420d1dcc72d22b4ed77af55bc9c49b20230823204533.png)](# "dos:85420d1dcc72d22b4ed77af55bc9c49b20230823204533.png")

4. **Seaborn**\
   Terakhir adalah library [seaborn](https://seaborn.pydata.org/) yang termasuk jenis library dengan tujuan untuk visualisasi data sama seperti matplotlib. Bahkan library seaborn dibangun berdasarkan pada library matplotlib.

   Seaborn termasuk library eksternal sehingga Anda perlu menginstalnya terlebih dahulu. Silakan jalankan kode berikut untuk menginstalnya menggunakan pip.

   ```bash theme={null}
   pip install seaborn
   ```

   Anda juga bisa menggunakan conda, silakan gunakan kode berikut.

   ```bash theme={null}
   pip install seaborn
   ```

   Berikut adalah contoh penerapan seaborn.

   ```python:line-numbers theme={null}
   import seaborn as sns
   import matplotlib.pyplot as plt

   # Contoh data
   tips = sns.load_dataset('tips')  # Memuat dataset tips dari Seaborn

   # Contoh plot histogram
   sns.histplot(tips['total_bill'], kde=True)
   plt.title('Histogram Total Bill')
   plt.xlabel('Total Bill')
   plt.ylabel('Frequency')
   plt.show()
   ```

   Pada contoh di atas, kita menggunakan seaborn untuk melakukan visualisasi berdasarkan dataset tips. Dataset ini adalah bawaan dari library seaborn yang dapat Anda gunakan.

   Hal pertama yang dilakukan adalah mengimpor modul seaborn. Selanjutnya, kita load dataset dan menyimpannya pada variabel tips.

   Untuk membuat plot yang baik, di sini kita menggabungkan seaborn dan juga matplotlib. Library matplotlib digunakan untuk membuat title, xlabel, ylabel, dan menampilkannya ke layar.

   Untuk membuat plot histogram pada seaborn, Anda dapat menggunakan sintaks “sns.histplot()” dengan sns adalah library seaborn dan histplot merupakan fungsinya. Jangan lupa untuk mengisikan value dalam fungsi tersebut. Pada contoh di atas kita menggunakan kolom total\_bill yang ada dalam dataset tips.

   Berikut adalah tampilannya ketika kode tersebut dijalankan.

   [![dos:28874b51eb7201cc337788183a0ce73a20230823204853.png](https://dicoding-web-img.sgp1.cdn.digitaloceanspaces.com/original/academy/dos:28874b51eb7201cc337788183a0ce73a20230823204853.png)](# "dos:28874b51eb7201cc337788183a0ce73a20230823204853.png")