Spaces:
Build error
Build error
File size: 6,996 Bytes
1a6b219 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 |
import streamlit as st
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
st.write('### Nama : Kumala Cantika Ainun Maya')
st.write('### Batch : SBY-004')
st.write('### Objective : ')
st.write('##### Pada bagian ini berisikan EDA data informasi nasabah dengan kelayakan diberikan pinjaman')
st.markdown('---')
def run():
# Load dataset
st.write('### Data Loan Status Nasabah')
df = pd.read_csv('train.csv')
st.dataframe(df)
st.markdown('---')
st.title('Exploratory Data Analysis(EDA) Data Layak Pinjam Nasabah')
# Plot Target
st.write('### Pie Chart Loan Status Nasabah')
fig,ax1 = plt.subplots(figsize=(5,5))
df['Loan_Status'].value_counts().plot(kind='pie',labels=['yes', 'no'],
autopct='%.2f%%',ax=ax1, colors=['lime','red'])
st.pyplot(fig)
'''
Pie chart tersebut merupakan perbandingan antara target yang layak dan tidak layak mendapatkan pinjaman,
yang mana hanya sekitar **68.73%** nasabah yang layak untuk mendapatkan pinjaman.
'''
st.markdown('---')
# Plot ApplicantIncome
st.write('### Histogram dan Box Plot Pendapatan Nasabah')
fig = plt.figure(figsize=(15, 6))
# Histogram
plt.subplot(1, 2, 1)
sns.histplot(data=df['ApplicantIncome'], palette='Set1', color='cyan')
plt.title('Histogram Pendapatan Nasabah')
plt.xlabel('Pendapatan')
plt.ylabel('Total')
# Boxplot
plt.subplot(1, 2, 2)
sns.boxplot(y=df['ApplicantIncome'], color='cyan')
plt.title('Boxplot Pendapatan')
plt.xlabel('Pendapatan')
st.pyplot(fig)
'''
Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
- Persebaran data pendapatan nasabah mayoritas ada pada rentang lebih dari 0 dan kurang dari sama dengan 10000
- Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
- Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness pada fitur ini
'''
st.markdown('---')
# Plot Coapllicantincome
st.write('### Histogram dan Box Plot Pendapatan Sampingan Nasabah')
fig = plt.figure(figsize=(15, 6))
# Scatterplot
plt.subplot(1, 2, 1)
sns.scatterplot(data=df['CoapplicantIncome'], palette='Set1', color='red')
plt.title('Histogram Pendapatan Sampingan Nasabah')
plt.xlabel('Pendapatan Sampingan')
plt.ylabel('Total')
# Boxplot
plt.subplot(1, 2, 2)
sns.boxplot(y=df['CoapplicantIncome'], color='red')
plt.title('Boxplot Pendapatan Sampingan')
plt.xlabel('Pendapatan Sampingan')
st.pyplot(fig)
'''
Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
- Persebaran data pendapatan nasabah mayoritas ada pada rentang 0 hingga kurang dari 10000
- Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
- Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness pada fitur ini
- Jika dibandingkan dengan `ApplicantIncome`, pendapatan sampingan yang dimiliki oleh nasabah jauh lebih sedikit dibandingkan pendapatan utama
'''
st.markdown('---')
# Plot Loan Amount
st.write('### Histogram dan Box Plot Pinjaman Nasabah')
fig = plt.figure(figsize=(15, 6))
# Distogram
plt.subplot(1, 2, 1)
sns.distplot(df['LoanAmount'], color='grey')
plt.title('Histogram Besar Pinjaman')
plt.xlabel('Pinjaman')
plt.ylabel('Total')
# Boxplot
plt.subplot(1, 2, 2)
sns.boxplot(y=df['LoanAmount'], color='grey')
plt.title('Boxplot Besar Pinjaman')
plt.xlabel('Pinjaman')
st.pyplot(fig)
'''
Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
- Persebaran data mayoritas pinjaman yang diajukan oleh nasabah adalah mulai rentang lebih dari sama dengan 100 hingga kurang dari 200
- Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
- Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness juga pada fitur ini
'''
st.markdown('---')
# EDA catgoeical
st.write('### Pie Chart Informasi Status Nasabah')
fig = plt.figure(figsize = (20,10))
# Fitur Gender
plt.subplot(1,4,1)
plt.pie(df['Gender'].value_counts(), labels=['Male', 'Female'], autopct='%1.0f%%',colors=['orange','grey'])
plt.title('Perbandingan Jenis Kelamin Nasabah')
# Fitur Married
plt.subplot(1,4,2)
plt.pie(df['Married'].value_counts(), labels=['Yes', 'No'], autopct='%1.0f%%',colors=['orange','grey'])
plt.title('Perbandingan Status Nasabah')
# Fitur Self Employed
plt.subplot(1,4,3)
plt.pie(df['Self_Employed'].value_counts(), labels=['No', 'Yes'], autopct='%1.0f%%',colors=['orange','grey'])
plt.title('Perbandingan Status Pekerjaan Nasabah')
# Fitur Credit_History
plt.subplot(1,4,4)
plt.pie(df['Credit_History'].value_counts(), labels=['Yes', 'No'], autopct='%1.0f%%',colors=['orange','grey'])
plt.title('Perbandingan Rekam Pinjaman Nasabah')
st.pyplot(fig)
'''
Hasil visualisasi 4 fitur categorical `Gender`, `Married`, `Self_Employed`, dan `Credit_History` diperoleh beberapa hal berikut:
- Sekitar 81% nasabah berjenis kelamin pria
- Sekitar 65% nasabah sudah berkeluarga
- Sekitar 86% nasabah tidak bekerja secara mandiri (bekerja kepada badan atau orang lain, sehingga berkemungkinan memiliki pendapatan yang tetap)
- Sekitar 84% nasabah sudah pernah melakukan pinjaman sebelumnya
'''
st.markdown('---')
# Plot bar perbadingan status Dependents
st.write('### Jumlah Tanggungan Nasabah')
fig,ax1 = plt.subplots(figsize=(5,5))
df['Dependents'].value_counts().sort_index().plot(kind='bar', rot=0, color='navy')
plt.xlabel('Tanggungan (orang)')
plt.ylabel('Jumlah')
st.pyplot(fig)
'''
Berdasarkan visualisasi bar perbandingan jumlah tanggungan yang dimiliki nasabah diketahui bahwa:
- Sebagian besar nasabah tidak memiliki tanggungan pembiayaan
'''
st.markdown('---')
# Plot Loan Amount Term
st.write('### Scatter Persebaran Rentang Waktu Peminjaman')
fig = plt.figure(figsize=(10, 4))
sns.scatterplot(data=df['Loan_Amount_Term'], palette='Set1', color='pink')
plt.xlabel('Waktu(hari)')
plt.ylabel('Jumlah')
st.pyplot(fig)
'''
Berdasarkan visualisasi histagram diatas menunjukkan bahwa:
- Rentang waktu peminjaman paling sering adalah dalam rentang 300 hingga 400 atau lebih tepatnya pada **360 hari**
- Dalam rentang waktu tersebut dapat juga berarti nasabah sebagian besar memiliki rentang waktu peminjaman selama 1 tahun lamanya.
'''
st.markdown('---')
if __name__ == '__main__':
run()
|