Kendala keunikan

Membersihkan Data di Python

Adel Nehme

VP of AI Curriculum, DataCamp

Apa itu nilai duplikat?

Semua kolom bernilai sama

first_name last_name address height weight
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruxelles 193 cm 87 kg
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruxelles 193 cm 87 kg
Membersihkan Data di Python

Apa itu nilai duplikat?

Sebagian besar kolom bernilai sama

first_name last_name address height weight
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruxelles 193 cm 87 kg
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruxelles 194 cm 87 kg
Membersihkan Data di Python

Mengapa terjadi?

duplikat_1

Membersihkan Data di Python

Mengapa terjadi?

duplikat_2

Membersihkan Data di Python

Mengapa terjadi?

duplikat_3

Membersihkan Data di Python

Cara menemukan nilai duplikat

# Print the header
height_weight.head()

  first_name last_name                       address  height  weight
0       Lane     Reese              534-1559 Nam St.     181      64
1       Ivor    Pierce             102-3364 Non Road     168      66
2      Roary    Gibson   P.O. Box 344, 7785 Nisi Ave     191      99
3    Shannon    Little  691-2550 Consectetuer Street     185      65
4      Abdul       Fry                4565 Risus St.     169      65
Membersihkan Data di Python

Cara menemukan nilai duplikat

# Get duplicates across all columns
duplicates = height_weight.duplicated()
print(duplicates)

1       False
...     ....
22      True
23      False
...     ...
Membersihkan Data di Python

Cara menemukan nilai duplikat

# Get duplicate rows
duplicates = height_weight.duplicated()
height_weight[duplicates]

    first_name last_name                               address  height  weight
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
Membersihkan Data di Python

Cara menemukan baris duplikat

Metode .duplicated()

subset: Daftar nama kolom untuk dicek duplikasinya.

keep: Tentukan untuk menyimpan duplikat pertama ('first'), terakhir ('last'), atau semua (False).

# Nama kolom yang dicek duplikasinya
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
Membersihkan Data di Python

Cara menemukan baris duplikat

# Output duplicate values
height_weight[duplicates]

    first_name last_name                               address  height  weight
1         Ivor    Pierce                     102-3364 Non Road     168      66
22        Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
Membersihkan Data di Python

Cara menemukan baris duplikat

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
22        Cole    Palmer                       8366 At, Street     178      91
102       Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75
Membersihkan Data di Python

Cara menemukan baris duplikat

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_full_duplicates.png

Membersihkan Data di Python

Cara menemukan baris duplikat

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_partial_duplicates.png

Membersihkan Data di Python

Cara menangani nilai duplikat

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_full_duplicates.png

Membersihkan Data di Python

Cara menangani nilai duplikat

Metode .drop_duplicates()

subset: Daftar nama kolom untuk dicek duplikasinya.

keep: Tentukan untuk menyimpan duplikat pertama ('first'), terakhir ('last'), atau semua (False).

inplace: Hapus baris duplikat langsung pada DataFrame tanpa membuat objek baru (True).

# Hapus duplikat
height_weight.drop_duplicates(inplace = True)
Membersihkan Data di Python

Cara menangani nilai duplikat

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88
Membersihkan Data di Python

Cara menangani nilai duplikat

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

1_3_duplicate_aggregation.png

Membersihkan Data di Python

Cara menangani nilai duplikat

Metode .groupby() dan .agg()

# Kelompokkan berdasarkan kolom dan buat ringkasan statistik
column_names = ['first_name','last_name','address']
summaries = {'height': 'max', 'weight': 'mean'}
height_weight = height_weight.groupby(by = column_names).agg(summaries).reset_index()

# Pastikan agregasi selesai
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

first_name    last_name    address    height    weight
Membersihkan Data di Python

Ayo berlatih!

Membersihkan Data di Python

Preparing Video For Download...