Pandas Chapter II

"""
Melakukan Pengencekan Nilai Null
"""

import pandas as pd
csv_data = pd.read_csv("realisasi.csv")
print(csv_data.isnull().values.any())


import pandas as pd
csv_data = pd.read_csv("realisasi_missing.csv")
print(csv_data.isnull().values.any())


"""
Mengisi Dengan Mean
"""

import pandas as pd
csv_data = pd.read_csv("realisasi_missing.csv")
print(csv_data.mean())

print("Dataset yang masih terdapat nilai kosong ! :")
print(csv_data.head(10))

csv_data=csv_data.fillna(csv_data.mean())
print("Dataset yang sudah diproses Handling Missing Values dengan Mean :")
print(csv_data.head(10))


"""
Mengisi Dengan Median
"""

import pandas as pd
csv_data = pd.read_csv("realisasi_missing.csv")
print(csv_data.median())

"""
Sama dengan sesi sebelumnya dengan mean(). Untuk mengisi nilai yang kosong menggunakna fungsi fillna().
"""

import pandas as pd
csv_data = pd.read_csv("realisasi_missing.csv")
print("Dataset yang masih terdapat nilai kosong ! :")
print(csv_data.head(10))

csv_data=csv_data.fillna(csv_data.median())
print("Dataset yang sudah diproses Handling Missing Values dengan Median :")
print(csv_data.head(10))

"""
Praktek Normalisasi menggunakan Scikit Learn pada Python
"""

import pandas as pd
import numpy as np
from sklearn import preprocessing


csv_data = pd.read_csv("realisasi.csv")
array = csv_data.values
X = array[:,2:5] #memisahkan fitur dari dataset
Y = array[:,0:1]  #memisahkan class dari dataset

dataset=pd.DataFrame({'Customer ID':array[:,0],'Gender':array[:,1],'Age':array[:,2],'Income':array[:,3],'Spending Score':array[:,4]})
print("dataset sebelum dinormalisasi :")
print(dataset.head(10))

min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0,1)) #inisialisasi normalisasi MinMax
data = min_max_scaler.fit_transform(X) #transformasi MinMax untuk fitur
dataset = pd.DataFrame({'Age':data[:,0],'Income':data[:,1],'Spending Score':data[:,2],'Customer ID':array[:,0],'Gender':array[:,1]})
print("dataset setelah dinormalisasi :")
print(dataset.head(10))