Rumus Excel yang sudah kamu hafal, begini versi Pandas-nya.
30 pekerjaan yang biasa dikerjakan di Excel, dari Filter dan IF sampai VLOOKUP dan PivotTable, ditulis ulang dengan Pandas. Rumus Excel-nya di kiri, kode Pandas-nya di kanan, dan kodenya bisa kamu ubah lalu jalankan di sini.
Daftar singkat
Klik barisnya untuk melihat contoh lengkap dan menjalankan kodenya.
Belum ada padanan untuk kata itu. Coba nama rumusnya dalam bahasa Inggris, misalnya vlookup atau countif.
Tiga hal yang terasa beda di awal
Kamu bekerja per kolom, bukan per sel. Tidak ada E2 atau $E$2:$E$9. Kolom dipanggil dengan namanya, misalnya karyawan['gaji'], dan satu baris kode berlaku untuk semua barisnya.
Data asli tidak berubah sendiri. Menyaring atau mengurutkan menghasilkan tabel baru. Tabel lamanya tetap utuh sampai kamu menimpanya dengan tanda =.
Hitungan baris mulai dari 0. Baris pertama bernomor 0, bukan 1, dan tidak ada baris judul yang ikut dihitung.
Data contohSemua contoh memakai 3 tabel ini: departemen, karyawan, penjualan
Bayangkan tiap tabel sebagai satu sheet. Kolom A adalah kolom paling kiri, dan baris 1 berisi judul kolom, jadi datanya mulai dari baris 2.
DataFrame departemen
id
nama_dept
lokasi
1
Keuangan
Jakarta
2
Marketing
Jakarta
3
IT
Bandung
4
Legal
Surabaya
DataFrame karyawan
id
nama
dept_id
kota
gaji
tgl_masuk
atasan_id
1
Andi Pratama
3
Bandung
12500000
2019-03-11
NaN
2
Bunga Lestari
1
Jakarta
9800000
2020-07-01
NaN
3
Candra Wijaya
3
Bandung
8200000
2021-02-15
1
4
Dewi Anggraini
2
Jakarta
7500000
2022-05-09
6
5
Eko Saputra
1
Jakarta
6900000
2023-01-16
2
6
Fajar Nugroho
2
Surabaya
11000000
2018-09-03
NaN
7
Gita Permata
3
Jakarta
8200000
2023-08-21
1
8
Hendra Gunawan
NaN
Medan
5500000
2024-04-02
NaN
DataFrame penjualan
id
tanggal
karyawan_id
produk
kategori
qty
harga
1
2026-01-05
4
Laptop
Elektronik
2
8500000
2
2026-01-12
6
Printer
Elektronik
1
2300000
3
2026-01-20
4
Kursi Kantor
Furnitur
5
1200000
4
2026-02-03
6
Laptop
Elektronik
1
8500000
5
2026-02-14
4
Meja Kerja
Furnitur
3
1750000
6
2026-02-25
5
Kertas A4
ATK
20
55000
7
2026-03-02
6
Kursi Kantor
Furnitur
4
1200000
8
2026-03-10
4
Printer
Elektronik
2
2300000
9
2026-03-18
5
Kertas A4
ATK
30
55000
10
2026-03-27
6
Monitor
Elektronik
3
1900000
01
Menyaring dan mengurutkan
Pengganti tombol Filter, Sort, dan Remove Duplicates.
Tampilkan baris yang memenuhi satu syarat
Di Excel Filter / FILTER
Data → Filter, centang "Jakarta"
atau
=FILTER(A2:G9, D2:D9="Jakarta")
Di Pandas df[kondisi]
filter.py
karyawan[karyawan['kota'] == 'Jakarta']
Hasil 4 baris × 7 kolom
id
nama
dept_id
kota
gaji
tgl_masuk
atasan_id
1
2
Bunga Lestari
1
Jakarta
9800000
2020-07-01
NaN
3
4
Dewi Anggraini
2
Jakarta
7500000
2022-05-09
6
4
5
Eko Saputra
1
Jakarta
6900000
2023-01-16
2
6
7
Gita Permata
3
Jakarta
8200000
2023-08-21
1
Kolom abu-abu adalah index, yaitu nomor baris asli di tabel. Nomornya tidak urut karena ada baris yang disaring atau diurutkan. Apa itu index?
Bagian dalam, karyawan['kota'] == 'Jakarta', memeriksa tiap baris dan menghasilkan True atau False. Kurung siku di luarnya hanya mengambil baris yang True.
Yang perlu diingat. Membandingkan pakai dua tanda sama dengan (==). Satu tanda sama dengan di Python artinya "simpan ke", bukan "bandingkan".
Syarat diperiksa dari atas, dan yang pertama cocok yang dipakai, sama seperti IFS. default adalah nilai untuk baris yang tidak cocok dengan syarat mana pun.
Tanggal dari file CSV hampir selalu terbaca sebagai teks. pd.to_datetime() mengubahnya jadi tanggal sungguhan, setelah itu bagian-bagiannya diambil lewat .dt: .dt.year, .dt.month, .dt.day.
Yang perlu diingat. Kalau lupa to_datetime, .dt akan error karena kolomnya masih teks.
Angka di dalam kurung adalah jumlah desimal, sama dengan ROUND. Angka negatif membulatkan ke puluhan atau ribuan: .round(-3) membulatkan ke ribuan terdekat.
Yang perlu diingat. Angka yang persis di tengah dibulatkan ke genap terdekat (2,5 jadi 2), sedangkan Excel selalu ke atas (2,5 jadi 3). Untuk uang, selisih ini jarang muncul tapi perlu kamu tahu.
print('Karyawan di Jakarta:', (karyawan['kota'] == 'Jakarta').sum())
# Semua kota sekaligus, tanpa menulis rumus per kota
karyawan['kota'].value_counts()
Karyawan di Jakarta: 4
Hasil 4 baris × 1 kolom
kota
count
Jakarta
4
Bandung
2
Surabaya
1
Medan
1
True dihitung sebagai 1, jadi menjumlah hasil perbandingan sama dengan menghitung baris yang cocok. Kalau butuh hitungan untuk semua nilai, value_counts() mengerjakannya dalam satu baris.
left_on adalah kolom kunci di tabel kiri, right_on kolom kunci di tabel kanan. how='left' menjaga semua karyawan tetap ada walau departemennya tidak ketemu, persis perilaku VLOOKUP.
Yang perlu diingat. Satu merge membawa semua kolom tabel kanan sekaligus. Di Excel kamu perlu satu rumus lookup untuk tiap kolom yang mau diambil.
fillna(0) mengisi yang kosong dengan 0. astype(int) di belakangnya mengembalikan kolom jadi bilangan bulat, karena kolom yang pernah punya sel kosong disimpan sebagai desimal (1.0, 2.0).
Yang perlu diingat. Untuk membuang barisnya sekalian, pakai dropna(subset=['dept_id']).
expand=True membuat hasil pecahannya jadi kolom-kolom terpisah. n=1 berarti pecah di spasi pertama saja, supaya nama tiga kata tidak menghasilkan kolom ketiga.
harga = pd.DataFrame({'harga_teks': ['Rp8.500.000', 'Rp2.300.000', 'Rp55.000']})
harga['harga'] = harga['harga_teks'].str.replace('Rp', '').str.replace('.', '').astype(int)
print('Total:', harga['harga'].sum())
harga
Total: 10855000
Hasil 3 baris × 2 kolom
harga_teks
harga
Rp8.500.000
8500000
Rp2.300.000
2300000
Rp55.000
55000
Buang dulu semua yang bukan angka, baru ubah tipenya dengan astype(int). Setelah itu kolomnya bisa dijumlah seperti biasa.
Yang perlu diingat. Kalau ada isi yang tetap tidak bisa jadi angka, astype berhenti dengan error. pd.to_numeric(kolom, errors='coerce') mengubah yang gagal jadi NaN supaya bisa kamu periksa.
Tidak perlu mengunci sel dengan tanda dolar. Pastikan datanya sudah urut tanggal sebelum memakai cumsum(), karena penjumlahannya mengikuti urutan baris.
Tahu fungsinya itu awal. Mengolah data kantor sampai jadi insight, itu skill.
Private Class Python & SQL untuk Data: dari Pandas dasar sampai membersihkan, merekap, dan memvisualisasikan data studi kasus kerja, dengan jadwal yang menyesuaikan kamu.