Membuat Visualisasi Data Interaktif dengan Plotly dan Python

April 9, 2024

Visualisasi data telah menjadi bagian integral dari analisis data dalam era informasi saat ini. Dengan peningkatan volume data yang terus-menerus, kebutuhan untuk memahami dan menginterpretasikan data dengan cepat dan efisien menjadi sangat penting. Di sinilah visualisasi data interaktif memainkan peran kunci. Visualisasi data interaktif tidak hanya memungkinkan perwakilan grafis dari data, tetapi juga memungkinkan pengguna untuk berinteraksi dengan visualisasi tersebut, seperti mengklik, menghover, atau melakukan zoom untuk melihat detail lebih lanjut.

Plotly adalah perpustakaan visualisasi data yang populer yang digunakan untuk membuat grafik interaktif dan informatif. Dengan Plotly, pengguna dapat membuat berbagai jenis visualisasi, mulai dari grafik dasar seperti line charts dan bar charts, hingga visualisasi data yang lebih kompleks seperti heatmaps, contour plots, dan 3D charts. Salah satu keunggulan utama dari Plotly adalah kemampuannya untuk membuat visualisasi interaktif yang dapat diakses melalui web browser, memudahkan sharing dan kolaborasi antar tim.

Python, sebagai salah satu bahasa pemrograman yang paling banyak digunakan dalam komunitas ilmu data, memiliki integrasi yang kuat dengan Plotly, memudahkan pembuatan dan penyesuaian visualisasi data. Keuntungan menggunakan Python bersama dengan Plotly termasuk:

Kemudahan Penggunaan: Python memiliki sintaks yang bersih dan mudah dibaca, sedangkan Plotly menyediakan antarmuka yang intuitif untuk pembuatan visualisasi.
Kaya akan Fitur: Kombinasi dari Plotly dan Python menyediakan berbagai fitur untuk membuat visualisasi data yang canggih dan menarik.
Komunitas Yang Kuat: Baik Python maupun Plotly memiliki komunitas pengembang yang aktif dan sumber daya belajar yang melimpah, memudahkan pengguna untuk mendapatkan bantuan dan belajar lebih lanjut.

Dasar-Dasar Plotly

Plotly adalah perpustakaan visualisasi data yang kuat dan fleksibel, yang memungkinkan pengguna untuk membuat berbagai jenis visualisasi data dengan mudah. Dalam bagian ini, kita akan menjelajahi struktur dasar dari Plotly dan komponen-komponen utama yang terlibat dalam pembuatan visualisasi.

Struktur Dasar Plotly

Struktur dasar dari sebuah visualisasi di Plotly terdiri dari dua komponen utama: data dan layout. Komponen data mendefinisikan apa yang akan divisualisasikan, sedangkan komponen layout mendefinisikan bagaimana visualisasi tersebut akan ditampilkan. Kedua komponen ini kemudian dikemas dalam sebuah objek Figure, yang selanjutnya dapat ditampilkan, disimpan, atau dibagikan.

Memahami Komponen-komponen Plotly

Traces: Traces adalah objek yang mendefinisikan tipe visualisasi yang akan dibuat, seperti grafik garis, grafik batang, atau plot titik. Setiap trace memiliki properti yang dapat disesuaikan seperti warna, ukuran, dan bentuk, yang memungkinkan pengguna untuk menyesuaikan tampilan visualisasi sesuai kebutuhan.
Layout: Layout adalah objek yang mendefinisikan bagaimana visualisasi akan ditampilkan. Ini mencakup pengaturan seperti judul grafik, label sumbu, legenda, dan banyak lagi. Layout memungkinkan pengguna untuk menyesuaikan tampilan akhir dari visualisasi dan membuatnya lebih informatif dan menarik.
Figure: Objek Figure adalah wadah utama yang menggabungkan traces dan layout menjadi satu kesatuan visualisasi. Setelah objek Figure dibuat, visualisasi dapat ditampilkan di notebook Jupyter, disimpan sebagai file HTML, atau dibagikan secara online.

Untuk membimbing Anda melalui struktur dasar dan komponen-komponen Plotly, buku “The Book of Dash: Build Dashboards with Python and Plotly” dapat dijadikan referensi yang berharga. Buku ini menyediakan panduan langkah-demi-langkah untuk membangun dashboard interaktif menggunakan Plotly dan Python, dan menjelaskan konsep-konsep dasar yang terlibat dalam pembuatan visualisasi data interaktif¹.

Persiapan Data

Sebelum melangkah ke proses visualisasi, langkah penting yang perlu dilakukan adalah mempersiapkan data yang akan divisualisasikan. Persiapan data ini meliputi beberapa sub-proses seperti import data, eksplorasi awal, dan pembersihan data untuk memastikan kualitas dan akurasi informasi yang akan disajikan.

Importing Data

Python menyediakan berbagai library untuk memudahkan proses import data dari berbagai sumber seperti file CSV, Excel, atau bahkan basis data. Beberapa library populer yang digunakan untuk mengimpor data termasuk Pandas, NumPy, dan SQLalchemy. Pandas adalah salah satu library yang paling sering digunakan untuk tugas ini karena kemampuannya yang kuat dalam menangani dan manipulasi data.

import pandas as pd 

# Import data dari file CSV 
data = pd.read_csv('data.csv') 

# Menampilkan 5 baris pertama dari data 
print(data.head())

Eksplorasi dan Pembersihan Data

Setelah data berhasil diimpor, langkah selanjutnya adalah melakukan eksplorasi awal untuk memahami struktur dan kualitas data. Eksplorasi ini dapat meliputi melihat statistik deskriptif, memeriksa tipe data, dan mengidentifikasi nilai-nilai yang hilang atau tidak konsisten.

# Statistik Deskriptif 
print(data.describe()) 

# Memeriksa tipe data 
print(data.dtypes)

# Identifikasi nilai yang hilang 
print(data.isnull().sum())

Pembersihan data adalah proses mengatasi masalah-masalah yang teridentifikasi selama eksplorasi, seperti mengisi atau menghapus nilai-nilai yang hilang, mengoreksi kesalahan data, dan mengubah tipe data jika diperlukan. Pembersihan data ini penting untuk memastikan bahwa visualisasi data yang akan dibuat nantinya akan akurat dan informatif.

# Mengisi nilai yang hilang 
data.fillna(data.mean(), inplace=True) 

# Mengubah tipe data 
data['some_column'] = data['some_column'].astype('category')

Proses persiapan data ini adalah fondasi yang kuat untuk visualisasi data yang efektif dan informatif. Seiring berjalannya waktu, Anda akan menemukan bahwa memahami dan mempersiapkan data Anda adalah langkah penting untuk sukses dalam proyek visualisasi data.

Membuat Plot Dasar

Membuat plot dasar merupakan langkah awal dalam menjelajahi kemampuan Plotly dalam visualisasi data. Dalam bagian ini, kita akan membahas cara membuat grafik line, bar, dan pie menggunakan Plotly.

Membuat Grafik Line, Bar, dan Pie menggunakan Plotly

Grafik Line: Grafik line sangat bermanfaat untuk menampilkan tren data seiring berjalannya waktu. Berikut adalah contoh sederhana cara membuat grafik line dengan Plotly:

import plotly.express as px 

# Membuat data contoh 
df = pd.DataFrame({ 
"Tanggal": pd.date_range(start='1/1/2020', periods=10), 
"Nilai": [1, 3, 2, 8, 3, 4, 3, 4, 6, 7] 
}) 

# Membuat grafik line 
fig = px.line(df, x='Tanggal', y='Nilai', title='Grafik Line Sederhana') 
fig.show()

Grafik Bar: Grafik bar berguna untuk membandingkan kuantitas antar kategori. Berikut adalah contoh cara membuat grafik bar dengan Plotly:

# Data contoh 
data = pd.DataFrame({'Kategori': ['A', 'B', 'C'], 'Nilai': [10, 15, 7]}) 

# Membuat grafik bar 
fig = px.bar(data, x='Kategori', y='Nilai', title='Grafik Bar Sederhana') 
fig.show()

Grafik Pie: Grafik pie membantu dalam menampilkan proporsi antar kategori. Berikut adalah contoh cara membuat grafik pie dengan Plotly:

# Data contoh 
data = pd.DataFrame({'Kategori': ['A', 'B', 'C'], 'Nilai': [10, 15, 7]}) 

# Membuat grafik pie 
fig = px.pie(data, names='Kategori', values='Nilai', title='Grafik Pie Sederhana') 
fig.show()

Penyesuaian Tampilan Grafik

Plotly menyediakan banyak opsi untuk menyesuaikan tampilan grafik. Beberapa penyesuaian umum meliputi mengubah warna, ukuran teks, dan judul grafik. Berikut adalah contoh penyesuaian tampilan grafik:

# Penyesuaian tampilan grafik line 
fig = px.line(df, x='Tanggal', y='Nilai', title='Grafik Line Sederhana') 
fig.update_traces(line=dict(color='royalblue', width=2)) 
fig.update_layout(title='Grafik Line dengan Penyesuaian Tampilan', title_font_size=24) 
fig.show()

Melalui penyesuaian ini, Anda dapat membuat visualisasi data yang lebih menarik dan informatif, serta disesuaikan dengan estetika dan kebutuhan proyek Anda.

Visualisasi Data Interaktif

Plotly memungkinkan pembuatan visualisasi data interaktif yang dapat meningkatkan pengalaman pengguna dan memberikan insight yang lebih mendalam. Beberapa fitur interaktif yang dapat ditambahkan meliputi efek hover, dropdown, dan tombol.

Membuat Hover Effects

Efek hover memungkinkan pengguna untuk melihat nilai data yang tepat saat mereka menempatkan kursor di atas titik data pada grafik. Plotly menyediakan opsi hover yang mudah disesuaikan yang memungkinkan Anda untuk menampilkan informasi tambahan saat pengguna menempatkan kursor di atas titik data.

import plotly.express as px 
# Membuat grafik dengan hover effects 
fig = px.line(df, x='Tanggal', y='Nilai', title='Grafik dengan Hover Effects', 
labels={'Nilai': 'Nilai Data'}, 
hover_data={'Nilai': ':.2f'}) # Format nilai hover menjadi 2 desimal 
fig.show()

Dropdowns dan Buttons untuk Interaksi

Dropdown dan tombol memungkinkan pengguna untuk berinteraksi dengan grafik dan melihat visualisasi data dari perspektif yang berbeda tanpa perlu mengubah kode.

import plotly.graph_objects as go 

# Membuat data contoh 
df = pd.DataFrame({ 
"Tanggal": pd.date_range(start='1/1/2020', periods=10), 
"Nilai_A": [1, 3, 2, 8, 3, 4, 3, 4, 6, 7], 
"Nilai_B": [2, 5, 1, 4, 7, 1, 6, 2, 8, 5] 
}) 
# Membuat grafik dengan dropdown 
fig = go.Figure() 
fig.add_trace(go.Scatter(x=df['Tanggal'], y=df['Nilai_A'], name='Nilai A')) 
fig.add_trace(go.Scatter(x=df['Tanggal'], y=df['Nilai_B'], name='Nilai B', visible=False)) 

# Menambahkan dropdown 
buttons = [ 
dict(label='Nilai A', method='update', args=[{'visible': [True, False]}, {'title': 'Grafik Nilai A'}]), 
dict(label='Nilai B', method='update', args=[{'visible': [False, True]}, {'title': 'Grafik Nilai B'}]) 
] 
fig.update_layout( 
updatemenus=[dict(buttons=buttons)] 
) 
fig.show()

Dengan menambahkan efek hover, dropdown, dan tombol, Anda dapat membuat visualisasi data yang lebih interaktif dan informatif. Referensi “Interactive Data Visualization with Python: Present your data as an effective and compelling story” dapat menjadi sumber daya berharga untuk memahami lebih lanjut tentang bagaimana cara membuat visualisasi data interaktif dengan Plotly dan Python¹.

Dashboards dengan Dash

Dash merupakan kerangka kerja (framework) yang dikembangkan oleh Plotly, yang memungkinkan para pengembang untuk membuat aplikasi web interaktif dan dashboard tanpa perlu memiliki pengetahuan mendalam tentang front-end. Dash menyederhanakan proses pembuatan dashboard yang kompleks dan interaktif dengan Python.

Pengenalan terhadap Dash

Dash terdiri dari dua komponen utama: Dash HTML Components dan Dash Core Components. Komponen HTML memungkinkan pengguna untuk membuat struktur dasar aplikasi web, seperti layout dan styling, sementara komponen inti memungkinkan pengguna untuk menambahkan berbagai elemen interaktif seperti grafik, dropdown, dan slider.

Membuat aplikasi web interaktif dengan Dash

Berikut adalah contoh sederhana untuk membuat aplikasi web interaktif dengan Dash:

import dash 
import dash_core_components as dcc 
import dash_html_components as html 

# Inisialisasi aplikasi Dash 
app = dash.Dash(__name__) 

# Mendefinisikan layout aplikasi 
app.layout = html.Div([ 
html.H1('Aplikasi Web Interaktif dengan Dash'), 
dcc.Graph( 
id='contoh-grafik', 
figure={ 
'data': [ 
{'x': [1, 2, 3, 4], 'y': [10, 11, 12, 13], 'type': 'line', 'name': 'SF'}, 
], 
'layout': { 
'title': 'Contoh Grafik dengan Dash' 
} 
} 
) 
]) 

# Menjalankan aplikasi if __name__ == '__main__': 
app.run_server(debug=True)

Dalam contoh di atas, kita pertama-tama mengimpor modul yang diperlukan, lalu menginisialisasi aplikasi Dash. Selanjutnya, kita mendefinisikan layout aplikasi yang terdiri dari elemen HTML dan grafik Plotly. Akhirnya, kita menjalankan server aplikasi untuk melihat aplikasi web yang telah dibuat.

Dash membuka banyak kemungkinan untuk membuat dashboard dan aplikasi web interaktif yang profesional dan menarik. Dengan Dash, Anda dapat menyajikan data Anda dalam bentuk visual yang informatif, dan memungkinkan pengguna untuk berinteraksi dengan data untuk mendapatkan insight yang lebih mendalam. Dash merupakan alat yang kuat untuk komunikasi data dan dapat membawa kemampuan visualisasi data Anda ke level berikutnya.

Visualisasi Data Multidimensi

Data multidimensi, yaitu data yang memiliki banyak fitur atau dimensi, sering kali menimbulkan tantangan tersendiri dalam visualisasi. Namun, dengan bantuan Plotly, kita dapat membuat visualisasi yang informatif dan mudah diinterpretasikan untuk data multidimensi. Beberapa jenis visualisasi yang umum digunakan untuk data multidimensi meliputi Scatter Matrix, Parallel Coordinates, dan lainnya.

Membuat Scatter Matrix, Parallel Coordinates, dan lainnya

Scatter Matrix: Scatter Matrix adalah cara efektif untuk memvisualisasikan hubungan pairwise antar fitur dalam dataset multidimensi. Setiap sel dalam matriks menampilkan scatter plot antara dua fitur, yang membantu dalam mengidentifikasi korelasi dan distribusi data.

import plotly.express as px 

# Membuat Scatter Matrix 
fig = px.scatter_matrix(df, dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"], 
title="Scatter Matrix") fig.show()

Parallel Coordinates: Parallel Coordinates adalah metode lain untuk memvisualisasikan data multidimensi dengan menampilkan setiap titik data sebagai garis yang melintasi sejumlah sumbu paralel.

# Membuat Parallel Coordinates 
fig = px.parallel_coordinates(df, color="species_id", 
dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"], 
title="Parallel Coordinates") 
fig.show()

Dan Lainnya: Selain Scatter Matrix dan Parallel Coordinates, ada juga visualisasi lainnya seperti Radar Chart dan Dimensionality Reduction (seperti PCA) yang juga bisa digunakan untuk memvisualisasikan data multidimensi.

# Contoh Radar Chart 
fig = px.line_polar(df, r="sepal_length", theta="species", color="species", line_close=True, 
title="Radar Chart") 
fig.show()

Visualisasi data multidimensi dapat menjadi sangat informatif ketika dilakukan dengan benar. Plotly menyediakan berbagai alat dan teknik untuk membantu dalam tugas ini. Referensi “Interactive Data Visualization with Python – Second Edition” bisa menjadi sumber daya berharga untuk menjelajahi lebih lanjut tentang visualisasi data multidimensi dengan Python dan Plotly¹.

Penerapan dalam Kasus Nyata

Visualisasi data interaktif memiliki aplikasi yang sangat luas di berbagai industri. Kemampuan untuk memahami dan berinteraksi dengan data secara visual dapat membantu perusahaan dan organisasi dalam membuat keputusan yang lebih baik berdasarkan insight yang diperoleh dari data tersebut.

Contoh aplikasi visualisasi data interaktif dalam industri

Analisis Pasar dan Konsumen: Perusahaan dapat menggunakan visualisasi data untuk memahami perilaku konsumen, segmentasi pasar, dan tren penjualan. Dengan visualisasi data interaktif, stakeholder dapat menjelajahi data penjualan dan konsumen secara mendalam untuk menemukan pola dan insight yang mungkin tidak terlihat segera.
Manajemen Operasional: Di bidang operasional, visualisasi data dapat membantu dalam memantau dan mengoptimalkan operasi. Misalnya, dashboard interaktif dapat digunakan untuk melacak KPIs operasional dan memberikan peringatan real-time jika terjadi penyimpangan dari target.
Pemantauan Kesehatan dan Keselamatan: Dalam industri seperti kesehatan dan manufaktur, visualisasi data interaktif dapat digunakan untuk memantau kondisi keselamatan dan kesehatan. Misalnya, dashboard interaktif dapat menampilkan data terkini tentang insiden keselamatan dan kesehatan, memungkinkan manajemen untuk bereaksi cepat terhadap masalah yang mungkin muncul.
Riset dan Pengembangan: Tim riset dapat menggunakan visualisasi data interaktif untuk menjelajahi hasil eksperimen dan data penelitian, yang dapat membantu dalam identifikasi pola dan temuan penting.
Pengawasan Lingkungan: Organisasi lingkungan dan pemerintah dapat menggunakan visualisasi data interaktif untuk memantau dan melaporkan kondisi lingkungan, seperti polusi udara dan kualitas air.
Edukasi: Di bidang pendidikan, visualisasi data interaktif dapat digunakan untuk membantu proses belajar mengajar, memungkinkan siswa untuk menjelajahi konsep-konsep kompleks dalam format yang lebih mudah dicerna dan interaktif.

Melalui beberapa contoh di atas, jelas bahwa visualisasi data interaktif dengan Plotly dan Python dapat membawa nilai tambah besar dalam berbagai sektor industri. Aplikasi praktis dari visualisasi data interaktif tidak hanya memungkinkan untuk pemahaman yang lebih baik terhadap data, tetapi juga memungkinkan organisasi dan perusahaan untuk bertindak berdasarkan insight yang diperoleh dari analisis data visual tersebut.

Optimasi dan Deployment

Setelah berhasil membuat visualisasi data yang interaktif dan informatif, langkah berikutnya adalah mengoptimalkan performanya dan mendeploykannya ke web agar dapat diakses oleh pengguna atau stakeholder yang bersangkutan. Berikut adalah beberapa langkah dan rekomendasi untuk melakukannya:

Optimasi Performa Visualisasi

Mengurangi Ukuran Data: Menyederhanakan atau mengurangi ukuran data yang akan divisualisasikan dapat membantu dalam meningkatkan kecepatan dan responsivitas visualisasi.
Menggunakan Format Data yang Efisien: Format data seperti Parquet atau ORC lebih efisien dibandingkan dengan CSV atau Excel dalam hal kecepatan dan ukuran file.
Preprocessing Data: Melakukan preprocessing seperti agregasi atau indeksasi dapat membantu dalam mempercepat waktu load dan interaksi dengan visualisasi.
Menggunakan Libraries yang Optimal: Memilih libraries visualisasi yang dirancang untuk performa tinggi seperti Plotly, yang memiliki kemampuan untuk menangani dataset besar dengan efisien.

Deployment Dashboard ke Web

Memilih Platform Hosting yang Tepat: Terdapat berbagai platform hosting seperti AWS, Azure, atau GCP yang menawarkan layanan untuk mendeploy aplikasi web dan dashboard.
Menggunakan Dash atau Framework Lainnya: Dash adalah pilihan yang baik untuk mendeploy dashboard Plotly, namun ada juga framework lain seperti Flask atau Django yang dapat digunakan.
Mengatur Autentikasi dan Otorisasi: Jika dashboard berisi data sensitif, penting untuk mengatur autentikasi pengguna dan kontrol akses.
Optimasi Performa Server: Mengoptimalkan konfigurasi server dan menggunakan teknologi seperti caching dapat membantu dalam meningkatkan kecepatan dan stabilitas dashboard.
Monitoring dan Maintenance: Setelah dashboard di-deploy, penting untuk melakukan monitoring performa dan melakukan maintenance secara reguler untuk memastikan dashboard tetap berjalan dengan baik.

Optimasi dan deployment adalah tahapan kritis dalam siklus hidup pengembangan visualisasi data. Dengan melakukan optimasi performa dan mendeploy dashboard ke web dengan benar, Anda dapat memastikan bahwa pengguna dapat mengakses dan berinteraksi dengan visualisasi data Anda dengan lancar dan efisien.

Visualisasi data interaktif telah menjadi salah satu keterampilan yang paling dicari dalam era big data saat ini. Kemampuan untuk mengkomunikasikan informasi dan insight dari data dalam bentuk visual yang menarik dan interaktif dapat membawa nilai tambah besar bagi individu dan organisasi. Plotly dan Python, dengan dukungan dari berbagai library dan komunitas yang kuat, menawarkan platform yang kuat dan fleksibel untuk belajar dan mengembangkan visualisasi data interaktif.

Rangkuman Pengalaman Belajar Visualisasi Data Interaktif dengan Plotly dan Python

Melalui proses pembelajaran dan implementasi visualisasi data dengan Plotly dan Python, Anda dapat memahami bagaimana mengubah data mentah menjadi visualisasi data interaktif yang informatif dan menarik. Dari dasar-dasar Plotly, persiapan data, hingga implementasi dan optimasi visualisasi, setiap tahap membawa pelajaran dan pengalaman berharga. Selanjutnya, kemampuan untuk mendeploy visualisasi ke web memungkinkan untuk berbagi insight dan temuan dengan audiens yang lebih luas, menjadikan pembelajaran ini sangat berharga.

Sumber Daya Tambahan untuk Belajar Lebih Lanjut

Belajar tidak pernah berakhir, dan ada banyak sumber daya tambahan yang dapat membantu Anda dalam menjelajahi lebih lanjut tentang visualisasi data interaktif. Beberapa buku dan materi online seperti “Interactive Data Visualization with Python – Second Edition” dan “The Book of Dash: Build Dashboards with Python and Plotly” dapat menjadi referensi yang baik untuk memperdalam pengetahuan dan keterampilan Anda dalam visualisasi data interaktif. Selain itu, komunitas online dan forum diskusi juga dapat menjadi sumber dukungan dan inspirasi dalam perjalanan belajar visualisasi data Anda.

Dengan terus belajar dan berpraktik, Anda akan menjadi lebih mahir dalam menciptakan visualisasi data yang kuat dan interaktif yang dapat membantu dalam mengkomunikasikan insight data dan mendukung pengambilan keputusan berbasis data.

Referensi

The Book of Dash: Build Dashboards with Python and Plotly oleh Chris Parmer. Buku ini memberikan panduan komprehensif tentang bagaimana membangun dashboard interaktif dengan menggunakan Python dan Plotly melalui Dash.
Interactive Data Visualization with Python: Present your data as an effective and compelling story oleh Sergi Nadal. Buku ini menawarkan berbagai teknik dan tips untuk membuat visualisasi data yang menarik dan informatif dengan menggunakan Python.
Interactive Data Visualization with Python – Second Edition oleh Ankit Priyarup. Edisi kedua buku ini memberikan panduan lebih lanjut tentang bagaimana memvisualisasikan data dengan cara yang interaktif dan menarik dengan menggunakan Python dan Plotly.
K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data (ScienceDirect). Artikel jurnal ini memberikan tinjauan mendalam tentang algoritma K-means dan variasinya, serta kemajuan terbaru dalam era big data.
K-Means Clustering (SpringerLink). Referensi ini memberikan penjelasan tentang dasar-dasar dan konsep-konsep utama dari algoritma K-means clustering.
Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython oleh Wes McKinney. Buku ini memberikan panduan tentang bagaimana menggunakan Python untuk menganalisis dan memvisualisasikan data.
Python Data Science Handbook: Essential Tools for Working with Data oleh Jake VanderPlas. Buku ini menawarkan panduan komprehensif tentang berbagai alat dan teknik yang diperlukan untuk bekerja dengan data dalam Python.