Cara menggunakan PD.SET_INDEX pada Python

Adapun Penjelasan setiap koding dan penjelasan Lengkap tentang hasil/output dari Analisa Data Produk dan Penjualan dapat teman-teman lihat pada Video Youtube kami ini.

ANALISA DATA PRODUCT MENGGUNAKAN PYTHON

Pertama – tama panggillah Library yang dibutuhkan pada tahapan analisa ini seperti Library untuk menampilkan tabel dan Grafik Analisa

%matplotlib inline

import matplotlib.pyplot as plt
import pandas as pd

Sekarang kita panggil dataset yang kita butuhkan dan simpan dataset tersebut kedalam sebuah variabel

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Sekarang kita lihat Jumlah data dan Jumlah Kolom yang ada pada dataset ini

df.shape

Lalu kita lihat 5 data pertama dari dataset ini

df.head[]

Quantity Distribution

Sekarang kita lihat distribusi data Qiantity Product tersebut

ax = df['Quantity'].plot.box[
    showfliers=False,
    grid=True,
    figsize=[10, 7]
]

ax.set_ylabel['Order Quantity']
ax.set_title['Quantity Distribution']

plt.suptitle[""]
plt.show[]

Selanjutnya kita lihat Informasi dan Deskripsi dari Kolom Quantity ini

pd.DataFrame[df['Quantity'].describe[]]

Kita Gunakan Fungsi Filter untuk lihat Jumlah data dari data Product yang Quantity-nya hanya besar dari 0

df.loc[df['Quantity'] > 0].shape

Update data pada Variabel dataset tersebut berdasarkan hasil Filter data yang besar dari 0

df = df.loc[df['Quantity'] > 0]

Time-series Number of Orders

Sekarang kita akan melakukan filter data berdasarkan Waktu Penjualan Product tersebut. Kemudian data ini kita simpan ke dalam Variabel baru [Di Group berdasarkan Bulan [M]]

monthly_orders_df = df.set_index['InvoiceDate']['InvoiceNo'].resample['M'].nunique[]

Kita lihat Informasi sebaran data Product berdasarkan Jumlah Product dan Waktu Penjualan ke dalam Grafik

ax = pd.DataFrame[monthly_orders_df.values].plot[
    grid=True,
    figsize=[10,7],
    legend=False
]

ax.set_xlabel['date']
ax.set_ylabel['number of orders/invoices']
ax.set_title['Total Number of Orders Over Time']

plt.xticks[
    range[len[monthly_orders_df.index]], 
    [x.strftime['%m.%Y'] for x in monthly_orders_df.index], 
    rotation=45
]

plt.show[]

Selanjutnya kita Filter Data Product berdasarkan tanggal penjualan yang setelah tanggal “2011-12-01” sampai saat ini

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Kita lihat Tanggal paling Min dan Max dari Variabel data Product yang besar dari tanggal “2011-12-01”

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Sekarang kita cek data Product yang berada pada tanggal “2011-12-01” Kebawah

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Kita simpan data ini ke dalam sebuah Variabel baru untuk dilakukan Proses analisa Product kita

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Kita lakukan Grouping terhadap data yang telah kita filter ini dan tampilkan data tersebut dan Group berdasarkan Bulan [M]

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Sekarang kita lihat sebaran terdapat data yang telah kita Filter ini ke dalam Grafik

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Time-series Revenue

Sekarang kita akan menghitung dan Menganalisa Keuntungan Product berdasarkan Waktu. Jadi pertama – tama kita hitung dulu Total Penjualan Product

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Selanjutnya Filter dan Hitung data tersebut berdasarkan Tanggal yang di Group berdasarkan Bulan setiap Penjualan Product

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Lalu liat Sebaran dari Penjualan Product tersebut ke dalam Grafik

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Time-series Repeat Customers

Sekarang kita akan lihat data Customer yang melakukan Pembelian Berulang tiap Waktunya. Pertama – tama kita Group data tersebut berdasarkan Nomor dan Tanggal Invoice lalu hitung Total Pembelian Product tersebut

df = pd.read_excel[io='/content/drive/MyDrive/Dataset/UAS/Online Retail.xlsx', sheet_name='Online Retail']

Kita lihat Informasi Variabel data yang telah kita Group tersebut

df.shape

Sekarang kita Group lagi data tersebut untuk melihat banyaknya Transaksi Unik tiap Bulannya

df.shape

Kita lihat banyaknya Transaksi Keseluruhan data tersebut berdasarkan Bulan dan Customer

df.shape

Sekarang kita lihat persentasi Pencapaian Product yang dibeli berulang oleh Customer berdasarkan Bulan

df.shape

Lalu lita lihat perbandingan antara data keseluruhan Constumer dengan banyaknya Pembelian Oleh Customer yang sama atau berulang

df.shape

Revenue from Repeat Customers

Sekarang menghitung dan menganalisa banyaknya Keuntungan yang didapat dari Pembelian Customer yang berulang. Pertama – tama kita lakukan Grouping terhadap data tersebut

df.shape

Lalu kita hitung persentase setiap Product yang terjual oleh Consumen yang sama

df.shape

Sekarang kita lihat perbandingan antara Keuntungan Seluruh Product dengan Keuntungan yang dihasilkan Oleh Customer berulang

df.shape

Popular Items Over Time

Sekarang kita lihat Product yang Populer dari Waktu ke waktu. Pertama – tama kita lakukan Filter terhadap Product kita dari waktu ke waktu

df.shape

Selanjutnya Ranking setiap product yang Populer tersebut berdasarkan Total Penjualan

df.shape

Lalu kita ambil 5 Product Populer untuk sebagai acuan terhadap Penjualan Product tersebut dari waktu ke waktu

df.head[]

Kita ubah tampilan Perbandingan tersebut menjadi tabel sehingga lebih mudah untuk melakukan analisa terhadap product tersebut

Apa kegunaan info [] yang merupakan built in function milik sebuah Pandas Dataframe?

3 function apa yang digunakan untuk melihat jumlah baris dan kolom dari suatu data frame?

Apa yang dimaksud dengan data frame?

Apa itu Pandas pada python?