Jenis Data

Memahami jenis data sangat penting agar dapat bekerja dengan kumpulan data secara efektif. Dalam pelajaran ini, kita akan mempelajari tiga jenis data utama: numerik, kategorikal, dan deret waktu.

Data Numerik

Data numerik merepresentasikan angka dan dapat berupa:

• Diskret: Bilangan bulat seperti 1, 2, 3.
• Kontinu: Angka dengan desimal seperti 3.14, 7.89.

Contoh: Usia, suhu, dan pendapatan.

Data Kategorikal

Data kategorikal merepresentasikan kelompok atau kategori. Data ini dapat berupa:

• Nominal: Kategori tanpa urutan tertentu (misalnya warna: merah, biru, hijau).
• Ordinal: Kategori dengan urutan yang bermakna (misalnya peringkat: rendah, sedang, tinggi).

Contoh: jenis kelamin, jenis produk, dan tingkat pendidikan.

Data Deret Waktu

Data deret waktu terdiri atas nilai yang dicatat dalam interval waktu tertentu. Data ini digunakan untuk melacak perubahan atau tren.

Contoh:

• Harga saham yang dicatat setiap hari.
• Suhu yang diukur setiap jam.
• Lalu lintas situs web yang dilacak setiap minggu.

Mengidentifikasi Tipe Data di Python

Anda dapat menggunakan atribut dtypes di Pandas untuk mengidentifikasi tipe data kolom dalam suatu kumpulan data.

Contoh:

import pandas as pd data = {'Age': [25, 30], 'Gender': ['Male', 'Female']} df = pd.DataFrame(data) print(df.dtypes)

Pentingnya Tipe Data

Mengetahui tipe data membantu Anda:

• Memilih teknik analisis yang tepat.
• Memilih visualisasi yang sesuai.
• Menerapkan metode prapemrosesan yang tepat.

Konversi Tipe Data

Dalam Python, Anda dapat mengonversi tipe data menggunakan fungsi seperti:

• astype() di Pandas.
• int(), float(), str() untuk nilai individual.

Contoh:

df['Age'] = df['Age'].astype(float)

Ringkasan

Dalam pelajaran ini, Anda telah mempelajari:

• Data numerik: Nilai diskret dan kontinu.
• Data kategorikal: Kategori nominal dan ordinal.
• Data deret waktu: Nilai yang dilacak dalam interval waktu.

Memahami tipe data sangat penting untuk analisis data yang efektif.

Selamat!

Anda telah menyelesaikan pelajaran tentang Jenis Data. Lanjutkan ke pelajaran berikutnya untuk mempelajari cara menangani data yang hilang secara efektif.