Menangani data hilang

Analisis Data Eksploratif di Python

George Boorman

Curriculum Manager, DataCamp

Mengapa data hilang bermasalah?

Mempengaruhi distribusi
- Tinggi badan siswa paling tinggi hilang
Kurang merepresentasikan populasi
- Kelompok tertentu terepresentasi tidak proporsional, mis. data siswa tertua kurang
Dapat menyebabkan kesimpulan keliru

Distribusi tinggi: sampel vs populasi; sampel punya maksimum dan mean lebih rendah

Data pekerjaan profesional data

Kolom	Deskripsi	Tipe data
`Working_Year`	Tahun data diperoleh	Float
`Designation`	Jabatan	String
`Experience`	Level pengalaman, mis. `"Mid"`, `"Senior"`	String
`Employment_Status`	Jenis kontrak kerja, mis. `"FT"`, `"PT"`	String
`Employee_Location`	Negara tempat bekerja	String
`Company_Size`	Ukuran perusahaan, mis. `"S"`, `"M"`, `"L"`	String
`Remote_Working_Ratio`	Persentase waktu kerja jarak jauh	Integer
`Salary_USD`	Gaji dalam dolar AS	Float

Gaji menurut level pengalaman

Plot kotak gaji per level pengalaman pada dataset bersih, batas atas ~600000 dolar

Plot kotak gaji per level pengalaman pada dataset dengan nilai hilang, batas atas ~450000 dolar

Memeriksa nilai hilang

print(salaries.isna().sum())

Working_Year            12
Designation             27
Experience              33
Employment_Status       31
Employee_Location       28
Company_Size            40
Remote_Working_Ratio    24
Salary_USD              60
dtype: int64

Strategi menangani data hilang

Hapus nilai hilang
- ≤5% dari total nilai
Imputasi mean, median, modus
- Tergantung distribusi dan konteks
Imputasi per subkelompok
- Level pengalaman berbeda punya median gaji berbeda

Menghapus nilai hilang

threshold = len(salaries) * 0.05
print(threshold)

Menghapus nilai hilang

cols_to_drop = salaries.columns[salaries.isna().sum() <= threshold]

print(cols_to_drop)

Index(['Working_Year', 'Designation', 'Employee_Location',
       'Remote_Working_Ratio'],
      dtype='object')

salaries.dropna(subset=cols_to_drop, inplace=True)

Imputasi statistik ringkas

cols_with_missing_values = salaries.columns[salaries.isna().sum() > 0]
print(cols_with_missing_values)

Index(['Experience', 'Employment_Status', 'Company_Size', 'Salary_USD'], 
    dtype='object')

for col in cols_with_missing_values[:-1]:
    salaries[col].fillna(salaries[col].mode()[0])

Memeriksa sisa nilai hilang

print(salaries.isna().sum())

Working_Year             0
Designation              0
Experience               0
Employment_Status        0
Employee_Location        0
Company_Size             0
Remote_Working_Ratio     0
Salary_USD              41

Imputasi per subkelompok

salaries_dict = salaries.groupby("Experience")["Salary_USD"].median().to_dict()

print(salaries_dict)

{'Entry': 55380.0, 'Executive': 135439.0, 'Mid': 74173.5, 'Senior': 128903.0}

Imputasi per subkelompok

salaries["Salary_USD"] = salaries["Salary_USD"].fillna(salaries["Experience"].map(salaries_dict))

Tidak ada lagi nilai hilang!

print(salaries.isna().sum())

Working_Year            0
Designation             0
Experience              0
Employment_Status       0
Employee_Location       0
Company_Size            0
Remote_Working_Ratio    0
Salary_USD              0
dtype: int64

Ayo berlatih!

Analisis Data Eksploratif di Python