Pandas & NumPy Academy · Pelajaran

Membuat Series

Bangun Series Pandas dari daftar Python, kamus, dan array NumPy, lalu periksa atribut index dan values-nya

Membuat Series adalah pelajaran Pandas & NumPy Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Pandas & NumPy Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Pandas & NumPy Academy mencakup 4 pelajaran total.

Apa Itu Pandas Series?

Pandas Series adalah array berlabel satu dimensi yang dapat menyimpan jenis data apa pun—bilangan bulat, bilangan pecahan, string, objek Python, atau bahkan Series lainnya. Anggaplah sebagai array NumPy dengan indeks khusus (label untuk setiap elemen). Indeks inilah yang membuat Series jauh lebih kuat daripada array biasa untuk tugas analisis data yang memerlukan nama deskriptif bagi setiap nilai.

import pandas as pd
import numpy as np

s = pd.Series([10, 20, 30, 40])
print(s)
# 0    10
# 1    20
# 2    30
# 3    40
# dtype: int64

Membuat Series dari List Python

Memberikan list Python ke pd.Series() akan membuat Series dengan RangeIndex bilangan bulat bawaan (0, 1, 2, ...). Anda dapat memberikan label indeks khusus melalui parameter index=. Panjang list indeks harus sama dengan panjang data. Label dapat berupa string, bilangan bulat, tanggal, atau objek Python apa pun yang dapat di-hash.

import pandas as pd

temps = pd.Series([22.5, 19.0, 25.3, 17.8],
                  index=['Mon', 'Tue', 'Wed', 'Thu'])
print(temps)
# Mon    22.5
# Tue    19.0
# Wed    25.3
# Thu    17.8
# dtype: float64

Membuat Series dari Dictionary

Dict Python dapat langsung diberikan ke pd.Series(). Kunci dict menjadi label indeks, sedangkan nilai menjadi data. Ini adalah salah satu cara paling alami untuk membuat Series ketika data Anda sudah memiliki label yang bermakna. Series yang dihasilkan mengikuti urutan penyisipan dict (Python 3.7+).

import pandas as pd

stock = {'AAPL': 182.5, 'GOOG': 141.3, 'MSFT': 378.9}
s = pd.Series(stock)
print(s)
# AAPL    182.5
# GOOG    141.3
# MSFT    378.9
# dtype: float64

Membuat Series dari Array NumPy

ndarray NumPy dapat diberikan sebagai argumen data. dtype Series akan sama dengan dtype ndarray. Data dasarnya disimpan sebagai array NumPy, sehingga semua ufunc NumPy dapat langsung digunakan pada Series. Hal ini memudahkan migrasi kode NumPy yang sudah ada ke Pandas tanpa menulis ulang logika persiapan data.

import pandas as pd
import numpy as np

arr = np.linspace(0, 1, 5)
s = pd.Series(arr, index=['a', 'b', 'c', 'd', 'e'])
print(s)
# a    0.00
# b    0.25
# c    0.50
# d    0.75
# e    1.00

Atribut .index dan .values

s.index mengembalikan objek Index yang berisi label. s.values mengembalikan array NumPy dasar yang berisi nilai data. Keduanya penting untuk interoperabilitas: Anda dapat memberikan s.values ke fungsi NumPy apa pun dan mengonversi hasilnya kembali menjadi Series dengan indeks asli. s.dtype memberikan jenis data nilai-nilai tersebut.

import pandas as pd

s = pd.Series([3, 1, 4], index=['x', 'y', 'z'])
print(s.index)   # Index(['x', 'y', 'z'], dtype='object')
print(s.values)  # [3 1 4]
print(s.dtype)   # int64

Nama Series dan Nama Indeks

Series dapat memiliki atribut .name yang menjelaskan hal yang diwakili oleh nilai-nilainya, dan indeksnya dapat memiliki atribut .name yang menjelaskan hal yang diwakili oleh label-labelnya. Nama-nama ini muncul dalam DataFrames ketika Series ditetapkan ke sebuah kolom, serta dalam label grafik. Tetapkan nama dengan s.name = 'price' atau saat pembuatan dengan name=.

import pandas as pd

s = pd.Series([1.2, 3.4, 5.6],
              index=['a', 'b', 'c'],
              name='measurement')
s.index.name = 'label'
print(s)
# label
# a    1.2
# b    3.4
# c    5.6
# Name: measurement, dtype: float64

Membuat Series Skalar

Memberikan satu nilai skalar ke pd.Series() bersama indeks eksplisit akan membuat Series yang setiap elemennya sama dengan skalar tersebut. Hal ini mirip dengan np.full() milik NumPy dan berguna untuk membuat Series dasar konstan yang akan dikurangkan dari atau dibandingkan dengan Series data nyata.

import pandas as pd

s = pd.Series(5, index=['a', 'b', 'c', 'd'])
print(s)
# a    5
# b    5
# c    5
# d    5
# dtype: int64

Penyelarasan Indeks Otomatis

Salah satu fitur paling kuat dari Pandas Series adalah penyelarasan indeks otomatis. Saat Anda menjumlahkan dua Series, Pandas menyelaraskannya berdasarkan label sebelum menghitung hasilnya. Jika sebuah label ada di salah satu Series tetapi tidak ada di Series lainnya, hasil pada label tersebut adalah NaN. Hal ini mencegah error pergeseran satu posisi yang tidak terlihat dan umum terjadi pada operasi array NumPy.

import pandas as pd

a = pd.Series([1, 2], index=['x', 'y'])
b = pd.Series([10, 20], index=['y', 'z'])
print(a + b)
# x     NaN
# y    12.0
# z     NaN

Memeriksa Panjang dan Bentuk Series

len(s) mengembalikan jumlah elemen. s.shape mengembalikan tuple (n,) yang sesuai dengan konvensi NumPy. s.size sama dengan len(s). Gunakan pemeriksaan ini di awal alur pemrosesan untuk memastikan pemuatan data menghasilkan jumlah baris yang diharapkan sebelum melanjutkan analisis.

import pandas as pd

s = pd.Series(range(10))
print(len(s))     # 10
print(s.shape)    # (10,)
print(s.size)     # 10
print(s.ndim)     # 1

Mengonversi Series ke Jenis Lain

Anda dapat mengonversi Series kembali menjadi list Python dengan s.tolist(), menjadi array NumPy dengan s.to_numpy() atau s.values, dan menjadi dict dengan s.to_dict(). Konversi ini berguna untuk interoperabilitas dengan pustaka yang tidak menerima objek Pandas, serta untuk membuat serialisasi hasil ke JSON atau CSV.

import pandas as pd

s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
print(s.tolist())      # [10, 20, 30]
print(s.to_numpy())    # [10 20 30]
print(s.to_dict())     # {'a': 10, 'b': 20, 'c': 30}

Series vs Kolom DataFrame

Satu kolom dari DataFrame adalah sebuah Series. Saat Anda mengakses df['col'], Pandas mengembalikan Series dengan indeks yang sama seperti DataFrame. Sebaliknya, Series dengan name dapat langsung dimasukkan ke DataFrame sebagai kolom. Memahami hubungan ini membantu Anda berpindah dengan lancar antara operasi Series dan DataFrame.

import pandas as pd

df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})
col = df['a']           # Series
print(type(col))        # <class 'pandas.core.series.Series'>
print(col.values)       # [1 2 3]

Pemeriksaan Cepat

Uji pemahaman Anda tentang pembuatan Pandas Series dari pelajaran ini.

Ringkasan Pelajaran

Dalam pelajaran ini Anda mempelajari bahwa: Series adalah array berlabel 1-D yang dibangun di atas ndarray NumPy, Series dapat dibuat dari list, dict, array NumPy, atau skalar, dan penyelarasan indeks secara otomatis menangani aritmetika berbasis label antara dua Series. Berikutnya, kita akan membahas cara mengakses elemen Series berdasarkan label dengan .loc dan berdasarkan posisi dengan .iloc.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Membuat Series” gratis?

Ya — teks lengkap “Membuat Series” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Pandas & NumPy Academy, upgrade ke CoddyKit PRO. Kursus Pandas & NumPy Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Membuat Series”?

Bangun Series Pandas dari daftar Python, kamus, dan array NumPy, lalu periksa atribut index dan values-nya Kamu berlatih Pandas & NumPy Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Pandas & NumPy Academy?

Tidak diperlukan pengalaman sebelumnya. Pandas & NumPy Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Membuat Series” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Pandas & NumPy Academy ini?

Ya. Setiap pelajaran Pandas & NumPy Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

← Kembali ke Pandas & NumPy Academy