Menggali lebih dalam ke dunia Python, kita akan menemukan berbagai fungsi yang memudahkan pengolahan data, salah satunya yaitu astype dari library Pandas.

Fungsi ini membantu analyst mengkonversi tipe data dalam DataFrame. Mengapa perlu mengubah tipe data?

Terkadang, dalam pengolahan data, tipe data awal tidak sesuai dengan kebutuhan analisis atau operasi selanjutnya yang akan dilakukan. Misalnya, saat melakukan penggabungan data atau ketika melakukan perhitungan statistik tertentu, memastikan tipe data yang tepat sangatlah penting untuk menghindari error atau hasil analisis yang tidak akurat.

Dengan menggunakan astype, kamu lebih mudah mengubah tipe data, sehingga dataset menjadi lebih rapi dan sesuai kebutuhan analisis datamu.

Di artikel ini, kita akan menjelajahi berbagai aspek dari fungsi astype, mulai dari sintaks dasar, berbagai parameter yang bisa digunakan, sampai contoh penerapannya. Mari kita mulai!

Syntax Astype Function di Pandas

Untuk menggunakan fungsi astype, kamu perlu mengetahui syntax dan parameter yang dapat digunakan:

Output:

#2 Mengubah tipe data menjadi integer

Misalnya, kolom "Umur" sudah berupa integer, kita bisa mencoba mengubah "Pendapatan" kembali ke integer (jika sebelumnya sudah diubah ke string).

Contoh:

Output:

#3 Mengubah tipe data menjadi float

Kita akan mengubah kolom "Pendapatan" menjadi float.

Contoh:

Output:

#4 Mengubah tipe data menjadi category

Misalnya, kita ingin mengategorikan kolom "Umur" menjadi beberapa kategori usia.

Contoh:

Output:

FAQ (Frequently Asked Questions)

Bagaimana cara menggunakan astype untuk mengubah beberapa kolom sekaligus?

Agar bisa menggunakan fungsi astype di Pandas untuk mengubah tipe data beberapa kolom sekaligus, kamu bisa menggunakan dictionary yang memetakan nama kolom ke tipe data yang diinginkan.

Ini memungkinkan kamu menentukan tipe data yang berbeda untuk kolom yang berbeda dalam satu baris kode.

Bagaimana astype menghandle data null atau NaN saat konversi tipe data?

Saat menggunakan fungsi astype untuk mengubah tipe data dalam Pandas, data null atau NaN (Not a Number) dihandle dengan cara yang berbeda tergantung pada target tipe data:

• Tipe data yang mendukung NaN: jika tipe data target mendukung nilai NaN, seperti float, object, dan beberapa variasi tipe datetime, konversi akan terjadi tanpa masalah. Nilai NaN akan tetap terjaga sebagai NaN setelah konversi.
• Tipe Data yang tidak mendukung NaN: beberapa tipe data, seperti int, secara tradisional tidak mendukung nilai NaN dalam Pandas. Namun, Pandas versi terbaru telah memperkenalkan tipe data integer baru (disebut "Integer Extension types" atau "nullable integers") yang menggunakan huruf besar di awal, seperti Int32, Int64, dll., yang mendukung nilai NaN.

Jika kamu mencoba mengubah kolom yang mengandung NaN ke tipe data integer tradisional (int32, int64, dll.), Pandas akan menghasilkan error. Untuk mengatasi ini, kamu dapat menggunakan tipe data integer nullable atau mengganti nilai NaN dengan nilai lain sebelum konversi.