GETTING STARTED WITH MATPLOTLIB & SEABORN

1. Pertama tama silahakan load data train.csv sehingga seperti dibawah ini 

2. Coba tampilkan basic info dari data tersebut seperti di bawah ini 

1. Siapakah para penumpang titanic? (Umur, Jenis kelamin, Kelas dll)

• Mari kita visualisasikan!, silahkan coba untuk membuat visualisasi seperti gambar di bawah ini 

• CHALLENGE!!# Buatlah 1 kolom baru dalam contoh ini bernama 'person' yang menentukan apakah penumpang laki-laki

        # perempuan atau anak anak

        # Semua yang dibawah 16 tahun merupakan termasuk kategori anak-anak 

• Gunakan Factor plot untuk membadingkan  jumlah Pclass dan person seperti di bawah ini 
  
• Buatlah histogram tentang persebaran umur dari penumpang titanic 
  
• Hitung jumlah laki-laki, perempuan, anak-anak 
  
• Untuk mengingat kembali data, tampilkan 5 data teratas lagi 
• 

MongoDB, Python, dan CRUD

 COMINGSOON

MongoDB, Python, dan CRUD

Apa itu MongoDB

Adalah basis data NoSQL (Not Only SQL) yang berorientasi pada sebuah dokumen. Sebagai alternatif dari basis data relasional tradisional, MongoDB menyimpan data dalam format BSON (Binary JSON) yang memungkinkan penyimpanan dan manipulasi data yang lebih fleksibel.

Fitur MongoDB

• Dokumen: Data disimpan dalam bentuk dokumen JSON (BSON) yang dapat memiliki struktur yang dinamis.
• Skema Fleksibel: Tidak memerlukan skema tetap, memungkinkan penambahan atau penghapusan kolom secara dinamis.
• Indeks: Mendukung pembuatan indeks untuk meningkatkan kinerja pencarian.
• Replikasi: Mampu membuat salinan data (replica) untuk keamanan dan ketersediaan tinggi.
• Sharding: Menangani pertumbuhan data dengan mendistribusikan data ke beberapa server.

Hubungan dengan Python dan CRUD

Supaya lebih mudah, disini saya memilih menggunakan dengan sebuah skema.

Contoh skema:

Buatlah sebuah aplikasi sederhana menggunakan Python sebagai bahasa pemrograman utama dan MongoDB sebagai database. Aplikasi ini akan menyimpan dan mengelola data tentang daftar pengguna (users) beserta informasi dasar seperti nama, email, dan no_hp. Aplikasi ini harus dapat melakukan operasi CRUD (Create, Read, Update, Delete) terhadap data pengguna.

Langkah-langkah yang Diperlukan:

Pengaturan Lingkungan:

• Instalasi Python dan MongoDB.
• Instalasi modul atau library Python yang diperlukan seperti pymongo untuk menghubungkan aplikasi ke database MongoDB.

Pengaturan Koneksi Database:

• Buat koneksi antara aplikasi Python dan database MongoDB.
• Buat database dan koleksi (collection) yang diperlukan untuk menyimpan data pengguna.

Fungsionalitas Aplikasi:

• Buat fungsi untuk menambahkan pengguna baru ke dalam database.
• Buat fungsi untuk menampilkan daftar pengguna yang tersimpan.
• Buat fungsi untuk mengubah informasi pengguna berdasarkan ID atau kriteria tertentu.
• Buat fungsi untuk menghapus pengguna berdasarkan ID atau kriteria tertentu.

Testing Aplikasi:

• Lakukan pengujian terhadap setiap fungsi yang telah dibuat untuk memastikan fungsionalitasnya berjalan dengan baik.
• Ujilah operasi Create, Read, Update, dan Delete untuk memastikan tidak ada masalah yang muncul.
• 
  
  
  
  

Getting Started with Matplotlib and Seaborn

Selayang Pandang Matplotlib

In [1]:

import matplotlib.pyplot as plt

import numpy as np

import seaborn as sns

%matplotlib inline

​

x1_values = [2012, 2013, 2014, 2015]

y1_values = [4.3, 2.5, 3.5, 4.5]

​

x2_values = [2012, 2013, 2014, 2015]

y2_values = [2.4, 4.4, 1.8, 2.8]

​

x3_values = [2012, 2013, 2014, 2015]

y3_values = [2, 2, 3, 5]

Line Plot

In [7]:

plt.figure()

plt.plot(x1_values, y1_values, label='Python')

plt.plot(x2_values, y2_values, label='JavaScript')

plt.plot(x3_values, y3_values, label='R')

​

plt.xlim(2012, 2015)

plt.ylim(0, 6)

plt.xticks([2012, 2013, 2014, 2015], ['2012', '2013', '2014', '2015'])

plt.yticks([1, 2, 3, 4, 5])

​

plt.xlabel('')

plt.ylabel('Web Searches')

​

plt.legend(loc='upper center', ncol=3)

plt.grid(True)

​

plt.savefig('web-searches.png', dpi=150)

Histogram

In [8]:

column_data = np.random.normal(42, 3, 1000)

​

plt.figure()

​

plt.hist(column_data)

​

Out[8]:

(array([  12.,   25.,  115.,  197.,  237.,  218.,  130.,   50.,   11.,    5.]),
 array([ 33.47322037,  35.3363003 ,  37.19938024,  39.06246018,
         40.92554011,  42.78862005,  44.65169999,  46.51477992,
         48.37785986,  50.2409398 ,  52.10401973]),
 <a list of 10 Patch objects>)

In [12]:

sns.distplot(column_data)

Out[12]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fbdab50cac8>

Boxplot

In [13]:

two_columns_data = [np.random.normal(57, 3, 1000),

                    np.random.normal(42, 7, 1000)]

​

plt.boxplot(two_columns_data)

Out[13]:

{'boxes': [<matplotlib.lines.Line2D at 0x7fbdab4609e8>,
  <matplotlib.lines.Line2D at 0x7fbdab400f60>],
 'caps': [<matplotlib.lines.Line2D at 0x7fbdab46be10>,
  <matplotlib.lines.Line2D at 0x7fbdab477cf8>,
  <matplotlib.lines.Line2D at 0x7fbdab410f98>,
  <matplotlib.lines.Line2D at 0x7fbdab419828>],
 'fliers': [<matplotlib.lines.Line2D at 0x7fbdab400dd8>,
  <matplotlib.lines.Line2D at 0x7fbdab422908>],
 'means': [],
 'medians': [<matplotlib.lines.Line2D at 0x7fbdab477ef0>,
  <matplotlib.lines.Line2D at 0x7fbdab419a20>],
 'whiskers': [<matplotlib.lines.Line2D at 0x7fbdab460be0>,
  <matplotlib.lines.Line2D at 0x7fbdab46bc18>,
  <matplotlib.lines.Line2D at 0x7fbdab40aeb8>,
  <matplotlib.lines.Line2D at 0x7fbdab410748>]}

In [16]:

sns.boxplot(data=two_columns_data)

Out[16]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fbdab294d68>

Vertical Bar Chart

In [19]:

years = np.arange(2012, 2015)

values = [2, 5, 9]

​

plt.figure()

​

plt.bar(years, values)

Out[19]:

<Container object of 3 artists>

In [20]:

sns.barplot(years, values)

Out[20]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fbdab107f60>

Pie Chart

In [3]:

counts = [17, 14]

​

plt.figure()

​

plt.pie(counts)

Out[3]:

([<matplotlib.patches.Wedge at 0x7f8941b91828>,
  <matplotlib.patches.Wedge at 0x7f8941ba14a8>],
 [<matplotlib.text.Text at 0x7f8941b91f98>,
  <matplotlib.text.Text at 0x7f8941ba1c18>])

In [4]:

counts = [17, 14]

​

plt.figure(figsize=(4, 4))

​

plt.pie(counts,

        colors=['blue', 'orange'],

        labels=['Category A', 'Other categories'],

        startangle=90,

        autopct='%1.1f%%')

Out[4]:

([<matplotlib.patches.Wedge at 0x7f8941b44860>,
  <matplotlib.patches.Wedge at 0x7f8941acfa58>],
 [<matplotlib.text.Text at 0x7f8941b44f60>,
  <matplotlib.text.Text at 0x7f8941ad6240>],
 [<matplotlib.text.Text at 0x7f8941acf518>,
  <matplotlib.text.Text at 0x7f8941ad6710>])

Scatter Plot

In [6]:

x = range(20)

y = np.arange(50, 70) + (np.random.random(20) * 10.)

​

plt.figure()

​

plt.scatter(x, y)

Out[6]:

<matplotlib.collections.PathCollection at 0x7f894198c4e0>

In [11]:

x = np.arange(20)

y = np.arange(50, 70) + (np.random.random(20) * 10.)

​

plt.figure()

​

plt.scatter(x,

            y,

            c='red',

            s=40,

            marker='s',

            edgecolor='none')

Out[11]:

<matplotlib.collections.PathCollection at 0x7f8941892a90>