Mengenal Library Seaborn Python dan Penggunaannya

Seaborn Python mungkin masih jarang terdengar bagi orang yang baru mulai menggunakan bahasa pemrograman Python.

Library satu ini mungkin tidak umum penggunaanya karena beberapa kalangan menilai penggunaan Seaborn cenderung untuk proyek yang lebih spesifik kebutuhannya. Namun hal ini bukan berarti kamu tidak perlu memahami apa itu Seaborn sejak awal karena ini akan sangat membantu mu.

Melalui artikel ini, Gubuk Pintar ingin mengajak mu untuk menemukan gambaran umum tentang Seaborn. Kamu dapat menemukan fungsi Seaborn, sejarah singkatnya, cara install Seaborn hingga contoh penggunaannya dalam artikel ini.

Untuk itu, mari kita masuk kebagian inti artikelnya.

Daftar Isi

Apa Itu Seaborn Python? Cara Install Seaborn Python Contoh Visualisasi Data Dengan Python Menggunakan Library Seaborn Penutup

Apa Itu Seaborn Python?

Seaborn adalah salah satu library open-source dari Python yang berguna untuk menciptakan visualisasi data statistik dengan tampilkan berkualitas tinggi. Seaborn dibangun dengan basis library Python lainnya, Matplotlib serta terintegrasi dengan struktur data Pandas. Secara sederhana, dapat dikatakan bahwa Seaborn adalah 'ekstensi' dari Matplotlib.

Baca Juga: Mengenal Library Matplotlib Python dan Penggunaannya

Alasan mengapa Seaborn belum sepopuler library Python lainnya mungkin dipengaruhi oleh waktu rilisnya yang cenderung masih 'cukup kemarin sore'. Seaborn pertama kali dirilis pada tahun 2014 oleh seorang mahasiswa doktoral dalam bidang Neurosains bernama Michael Waskom.

Michael Waskom (sumber: simonfoundation)

 Michael mulanya menciptakan Seaborn untuk membantunya menciptakan visualisasi data terhadap hasil analisis jaringan saraf yang dikerjakannya. Tak lama setelahnya, Seaborn pun disebarluaskan ke publik sebagai library Python bersifat open-source dengan lisensi yang sama seperti Numpy, Berkeley Software Distribution (BSD).

 

Berikut ini merupakan beberapa fitur yang dapat kamu manfaatkan dari Seaborn,

• Menyesuaikan dan memvisualisasikan model regresi linear
• Memvisualisasikan data univariat dan bivariat
• Memvisualisasikan data berupa time series
  
• Terintegrasi dengan struktur data berbasis library Numpy dan Pandas
• Mengkostumasi grafik Matplotlib menjadi lebih baik
  

 

Baca Juga: Mengolah Data Twitter Dengan Library Tweepy Python

Cara Install Seaborn Python

Sebelum memasang Seaborn, pastikan kamu sudah memasang Python dan Python IDE agar dapat memggunakan library satu ini dengan leluasa. Cara install Python dan jenis Python IDE yang dapat kamu gunakan pernah Gubuk Pintar tuliskan sebelumnya dalam artikel Mengenal Python dan Penggunaannya.

Apabila kamu telah memiliki Python dan IDE nya, maka kini kita masuk ke langkah teknis untuk memasang Seaborn Python.

Terlepas kamu dapat menginstall Seaborn dengan Python IDE mu, Gubuk Pintar akan memandu mu untuk melakukan dengan cara yang lebih umum yaitu dengan menggunakan PIP (Python Package Index). Untuk itu, pastikan PIP mu telah menggunakan versi terbaru. Berikut ini cara upgrade nya,

1. Buka CMD (Command Prompt)
2. Ketikkan pip install --upgrade pip dan tekan Enter
3. Tunggu hingga proses selesai

Setelah memastikan PIP telah menggunakan versi terbaru, mari kita masuk ke cara Install Seaborn. Ikuti langkah berikut ini ya,

1. Buka CMD (Command Prompt)
2. Ketikkan install python -m pip install -U seaborn
3. Tunggu hingga proses selesai

Apabila seluruh proses berlangsung lancar, maka kini kamu sudah dapat mengaktifkan library Seaborn. Kamu dapat mencobanya dengan menggunakan contoh yang Gubuk Pintar bagikan pada bagian artikel selanjutnya.

 

Contoh Visualisasi Data Dengan Python Menggunakan Library Seaborn

Sebelum memulai, sekali lagi pastikan kamu sudah memiliki Python IDE agar mempermudah pengerjaannya ya.

 

Pada kesempatan ini, Gubuk Pintar akan berbagai cara memenfaatkan library Seaborn untuk membuat visualisasi data dalam bentuk heatmap. Kumpulan data yang digunakan berasal dari  akun Research Bazaar Github yang berisikan data ekspektasi usia pada berbagai lokasi di dunia dalam jangka waktu tahun 1952 hingga 2007.

 

Heatmap yang akan dibuat akan memetakan ekspektasi usia dari masing-masing kontinen berdasarkan jangka waktu yang ada sehingga dapat menghasilkan infomrasi yang dapat menjadi modal analisis lebih lanjut nantinya.

Source Code

#Aktifkan library yang dibutuhkan
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

#Membaca dan mendefinisikan dataset
data_url = 'https://bit.ly/3o8iCx9'
df = pd.read_csv(data_url)

#Mengatur dataset sesuai kebutuhan analisis
ekspektasiusia = df[['continent','year','lifeExp']]

#Membuat Tabel Pivot Untuk DataFrame 'ekspektasiusia'
tp_ekspektasiusia = pd.pivot_table(ekspektasiusia, values='lifeExp', index=['continent'], columns='year')

#Memvisualisasikan 'heatmap_ekspektasiusia' Dengan Seaborn Dalam Bentuk Heatmap
heatmap = sns.heatmap(tp_ekspektasiusia, cmap='magma')
plt.show(heatmap) 

Fungsi import digunakan untuk mengaktifkan library yang digunakan, dimana dalam hal ini kita menggunakan Pandas, Seaborn dan Matplotlib yang masing-masing di definisikan sebagai 'pd', 'sns' dan 'plt'.

 

Baca Juga: Mengenal Library Pandas Python dan Penggunaannya

Seperti yang telah dijelaskan sebelumnya, bahwa kita mengambil kumpulan data dari sumber eksternal. Oleh karena itu, kita membaca data tersebut dengan menggunakan sintaks data_url dan memasukkan url nya. Setelah itu, kita definisikan data tersebut menjadi DataFrame 'df'.

 

Karena kita hanya membutuhkan data series 'continent', 'year' dan 'lifeExp', maka kita membuat DataFrame baru bernama 'ekspektasiusia' yang berisi hanya ketiga data series yang kita butuhkan.

 

Untuk dapat heatmap dapat menampilkan visualisasi yang sesuai, kita harus mendefinisikan DataFrame 'ekspektasiusia' menjadi bentuk tabel pivot yang menunjukkan kolom, baris dan nilai seperti yang ditunjukkan gambar berikut ini.

Tampilan Output Tabel Pivot Ekspektasi Usia

Tabel pivot yang telah kita buatlah yang menjadi sumber untuk divisualisasikan dalam bentuk heatmap dengan nama variabel 'tp_ekspektasiusia'. Variabel 'heatmap' kemudian dibuat untuk mem-plot tabel pivot ke heatmap. Sebagai tambahan informasi, sintaks cmap digunakan untuk merubah warna dari parameter nilai heatmap. Output kemudian ditampilkan dengan sintaks plt.show().

Output

Hasil Visualisasi Data Dengan Seaborn Dalam Bentuk Heatmap

Heatmap menunjukkan bahwa ekspektasi usia tertinggi berada di kontinen Oceania pada periode 2007. Ini dapat kita lihat dari warna yang ditampilkan dan mencocokkannya dengan parameter warna yang berada disebelah kanan heatmap.

Penutup

Seperti itulah sekilas mengenai Seaborn Python, semoga kini kamu sudah mendapatkan gambaran umumnya tentangnya ya.

Visualisasi data dengan Python adalah hal penting karena ini akan mempermudah mu dan orang lain untuk memahami bagaimana kondisi yang tak terlihat sebelumnya dari data tersebut. Oleh karena itu, memperdalam pengetahuan mu tentang Seaborn merupakan nilai tambah yang sangat berarti.

***

Apabila memiliki pertanyaan seputar artikel Mengenal Library Seaborn Python dan Penggunaannya, silahkan tulis dikolom komentar ya.

Bila artikel ini bermanfaat, bantu Gubuk Pintar menyebarkan manfaatnya dengan membagikan artikel ini ke sosial media mu melalui tombol share di bawah ini. Terimakasih orang baik!

Baca juga: