Transformasi data terstruktur: apply, map, assign, pipe, binning, one-hot encoding, hingga normalisasi dan standardisasi. Section ini menyusun materi menjadi chapter berurutan; ikuti urutannya karena tiap chapter memakai konsep dari chapter sebelumnya.

# Method apply()

Menerapkan fungsi kustom ke Series dan DataFrame dengan apply().

Buka → # map() dan replace()

Memetakan nilai ke nilai lain dengan map() dan mengganti nilai tertentu dengan replace().

Buka → # Method assign()

Menambah kolom baru secara berantai (method chaining) tanpa mengubah DataFrame asli.

Buka → # Method pipe()

Merangkai fungsi transformasi besar menjadi pipeline yang mudah dibaca dengan pipe().

Buka → # transform() vs aggregate()

Membedakan transform() yang mempertahankan bentuk data dan aggregate() yang meringkasnya.

Buka → # apply() dengan axis

Mengoper fungsi per baris dengan axis=1 dan per kolom dengan axis=0 pada apply().

Buka → # Fungsi Lambda pada DataFrame

Menulis transformasi ringkas satu baris dengan lambda di apply(), assign(), dan map().

Buka → # Transformasi Kategori

Mengubah nilai teks menjadi kategori terkelola dan memetakan label lama ke label baru.

Buka → # Binning dengan cut()

Membagi data numerik kontinu ke dalam bin berdasarkan rentang nilai dengan pd.cut().

Buka → # Quantile Binning dengan qcut()

Membagi data ke dalam bin berdasarkan kuantil sehingga isi tiap bin seimbang.

Buka → # One-Hot Encoding

Mengubah kolom kategori menjadi kolom biner dengan pd.get_dummies().

Buka → # Encode Label dengan factorize()

Mengubah label teks menjadi kode numerik dengan factorize() sebagai alternatif one-hot encoding.

Buka → # Normalisasi dan Standardisasi

Menyekalakan data numerik dengan min-max normalization dan z-score standardization.

Buka →