Analisis data Python berdiri di atas dua pilar: NumPy untuk komputasi numerik dan pandas untuk data tabular. Section ini membangun keterampilan praktis dari array sampai visualisasi yang siap dipresentasikan.

# Pengenalan Ekosistem Data Python

Kenali peta stack data Python: NumPy, pandas, matplotlib, seaborn, kapan stdlib cukup, dan alur kerja analisis data.

Buka → # Dasar NumPy

Kuasai array ndarray NumPy: dtype, shape, broadcasting, boolean mask, agregasi axis, dan kecepatan vectorization.

Buka → # Dasar Pandas

Mulai analisis tabular dengan pandas: Series, DataFrame, read_csv, info, describe, dan alur kerja analisis.

Buka → # DataFrames dan Series

Bedah anatomi DataFrame: index, membangun tabel, loc vs iloc vs [], filter baris, dan jebakan chained indexing.

Buka → # Data Cleaning dengan Pandas

Bersihkan data nyata dengan pandas: deteksi isna, dropna vs fillna, duplikat, str accessor, to_numeric, dan to_datetime.

Buka → # Analisis Data Eksploratif

Jalankan EDA dengan pandas: interpretasi describe, groupby, crosstab, korelasi, top-N, dan visual cepat.

Buka → # Visualisasi dengan Matplotlib

Kuasai matplotlib: anatomi figure dan axes, API berorientasi objek, plot scatter bar hist, subplots, style, dan savefig.

Buka → # Visualisasi dengan Seaborn

Gunakan seaborn: scatter dengan hue, relplot facet, histplot kde, boxplot, violinplot, dan heatmap korelasi.

Buka → # Mengekspor Hasil Analisis

Kemas hasil analisis: to_csv, to_excel openpyxl, to_json, laporan metrik, ekspor grafik, dan reproducibility.

Buka →