12 Library Visualisasi Data Python untuk Eksplorasi Analisis Bisnis
Python memiliki banyak library untuk kebutuhan visualisasi data, berikut adalah 12 library Python visualisasi data antar-disiplin, dari yang terkenal hingga yang kurang dikenal.
Yuk simak ulasan dari Pacmin!
1. Matplotlib
Matplotlib adalah library visualisasi data Python pertama yang masih banyak digunakan hingga saat ini. Banyak library lain dibangun di atasnya atau didesain untuk bekerja bersama dengan Matplotlib selama analisis.
2. Seaborn
Seaborn memanfaatkan kekuatan matplotlib untuk membuat bagan yang indah dalam beberapa baris kode. Perbedaan utamanya adalah gaya dan palet warna bawaan Seaborn, yang dirancang agar lebih estetis dan modern.
3. Plotnine (ggplot2)
Plotnine adalah implementasi Python dari ggplot2, sistem plotting R, dan konsep dari Grammar of Graphics. Ini adalah paket visualisasi yang kuat yang memungkinkan kamu menambahkan komponen untuk membuat plot lengkap.
4. Bokeh
Bokeh, seperti ggplot, berbasis pada Grammar of Graphics, tetapi berbeda dengan ggplot, Bokeh berasal dari Python, bukan dari R. Keunggulannya terletak pada kemampuan untuk membuat plot interaktif yang siap untuk web dan mendukung data streaming.
5. pygal
pygal menyediakan plot interaktif yang dapat disematkan di browser web dan bisa di-output sebagai SVG. Bedanya dengan Bokeh dan Plotly, pygal cocok digunakan pada dataset yang lebih kecil.
6. Plotly
Plotly tidak hanya bisa diakses melalui platform online, tapi juga bisa diakses dari Python notebook. Plotly cocok untuk membuat plot interaktif dan memiliki beberapa jenis plot yang tidak ada di banyak library lain, seperti contour plot, dendrogram, dan plot 3D.
7. geoplotlib
geoplotlib adalah toolbox untuk membuat peta dan plot data geografis. Dengan geoplotlib, kamu bisa membuat berbagai jenis peta, seperti choropleths, heatmaps, dan dot density maps. Namun, untuk menggunakan geoplotlib, kamu harus menginstal Pyglet.
8. Gleam
Gleam terinspirasi dari paket Shiny di R. Ini memungkinkan kamu mengubah analisis menjadi aplikasi web interaktif hanya dengan menggunakan skrip Python, sehingga kamu tidak perlu menguasai bahasa lain seperti HTML, CSS, atau JavaScript.
9. missingno
missingno memudahkan penanganan data yang hilang dengan ringkas. Kamu bisa mengetahui sejauh mana kelengkapan dataset dengan ringkasan visual, daripada melihat-lihat tabel yang memakan waktu. Kamu bisa menyaring dan mengurutkan data berdasarkan kelengkapan.
10. Leather
Leather adalah library charting Python yang cocok untuk kamu yang membutuhkan chart dengan cepat tanpa harus sempurna. Dirancang untuk bekerja dengan semua jenis data dan menghasilkan chart sebagai SVG sehingga dapat diskalakan tanpa kehilangan kualitas gambar.
11. Altair
Altair adalah library visualisasi deklaratif seperti Seaborn, yang memungkinkan kamu membuat grafik & chart yang estetis. Namun, berbeda dengan Seaborn yang didasarkan pada Matplotlib, Altair didasarkan pada Vega dan Vega-Lite.
12. Folium
Folium adalah pustaka open-source yang dibangun berdasarkan kekuatan data Python dan kemampuan pemetaan dari leaflet.js (library Javascript). Ini memungkinkan kamu untuk memvisualisasikan data geospasial.
Nah, apakah kamu sudah pernah membuat beberapa visualisasi data menggunakan library diagram di atas?
Kalau belum dan kamu ingin belajar secara mendalam dalam bahasa pemrogaramn Python untuk kebutuhan visualisasi data yang kamu butuhkan.
Ketika kita ingin menjalankan banyak service dengan menggunakan docker tentu menghabiskan waktu jika kita melakukan konfigurasi dan menjalankannya satu per satu.
Oleh karena itu, kita bahas tentang Docker Compose hari ini!
Nah, kalo kita ingin melakukan konfigurasi dan menjalankan banyak service di docker kita dapat menggunakan "docker compose" untuk meminimalisir penggunaan waktu untuk konfigurasi dan menjalankan service-service tersebut.
Untuk mendefinisikan konfigurasi service dengan menggunakan docker compose kita cukup membuat file konfigurasinya dengan nama "docker-compose.yaml", "docker-compose.yml", atau nama lain dengan extensi file .yaml dan .yml.
Sebutannya sih Exotic Pets, tapi harimau itu hewan peliharaan atau satwa liar sih? 🤬
Apakah memelihara harimau itu Konservasi atau Monetisasi?
Mari kita bahas~
AZ Animals melaporkan bahwa secara keseluruhan rata-rata populasi harimau di tahun 2023 kurang dari 10.000 ekor saja, baik di Alam liar maupun penangkaran.
Harimau tersebut dibagi ke dalam beberapa jenis, mulai dari Harimau Sumaterai hingga Harimau Indo Cina.
Sayangnya, menurut kategorisasi IUCN Redlist, semua jenis harimau tersebut telah tercancam punah (ketika jumlah harimau menurun 50% sampai lebih dari 70% dalam 10 tahun terakhir) bahkan kritis (ketika jumlah harimau menurun 80% hingga lebih dari 90% dalam 10 tahun terakhir).
Menyambung diskusi kemarin, kenapa sih Data Visualization itu jadi fundamental untuk Data Analyst dan Data Scientist?
Seberapa susahnya sih bikin grafik doang?
Baiklah, Pacmin bahas.....
Kenapa Dataviz itu fundamental banget berdasarkan diskusi dengan Lecture kami Mas Cahya.
Data Analyst dan Data Scientist itu adalah problem solver, sedangkan constraint mereka adalah waktu, tenaga dan uang. Jadi kita perlu metode paling sederhana untuk melakukan analisis.
Untuk Data Analyst dan Business Intelligence, salah satu jobdesk mereka adalah membuat Dashboard yang baik dan mudah dimengerti.
Tujuannya agar stakeholders bisa mengambil insights dan paham keadaan perusahaan saat ini, mentranslasikan data menjadi insight kemudian jadi action.