Kendala keanggotaan

Membersihkan Data di Python

Adel Nehme

Content Developer @DataCamp

Bab 2 - Masalah data teks dan kategorikal

Kategori dan kendala keanggotaan

Himpunan kategori terbatas (tetap)

Jenis data	Contoh nilai	Representasi numerik
Status Pernikahan	`unmarried`, `married`	`0`,`1`
Kategori Pendapatan RT	`0-20K`, `20-40K`, ...	`0`,`1`, ..
Status Pinjaman	`default`,`payed`,`no_loan`	`0`,`1`,`2`

Status pernikahan hanya bisa unmarried atau married

Mengapa masalah ini bisa muncul?

masalah_kategorikal

Bagaimana menangani masalah ini?

kategori

Contoh

# Baca data studi dan cetak
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipe golongan darah yang benar
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Contoh

# Baca data studi dan cetak
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+  <--
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipe golongan darah yang benar
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Catatan tentang join

Left anti join pada golongan darah

Inner join pada golongan darah

Menemukan kategori tidak konsisten

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
print(inconsistent_categories)

{'Z+'}

# Ambil dan cetak baris dengan kategori tidak konsisten
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

      name   birthday blood_type
5 Jennifer 2019-12-17         Z+

Menghapus kategori tidak konsisten

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)
inconsistent_data = study_data[inconsistent_rows]

# Hapus kategori tidak konsisten dan ambil data yang konsisten saja
consistent_data = study_data[~inconsistent_rows]

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
...    ...      ...          ...

Ayo berlatih!

Membersihkan Data di Python