Part 12 — Import & Export Data

Membaca dan menyimpan data di Python: CSV, Excel, Stata, Parquet, dan format lainnya dengan pandas dan polars.
Fundamental
ImportExport
Diterbitkan

26 Februari 2026

Fundamental Series — Part 12 of 20

Sebelum analisis, data harus di-load. Python punya banyak cara membaca berbagai format file menggunakan pandas, polars, dan library lainnya.

CSV — Pandas

import pandas as pd

# Import
df = pd.read_csv("data/input.csv")

# Import dengan opsi
df = pd.read_csv("data/input.csv",
    sep=";",               # delimiter
    encoding="utf-8",
    skiprows=1,            # skip baris pertama
    na_values=["", ".", "NA"],
    dtype={"id": int}
)

# Export
df.to_csv("data/output.csv", index=False)

CSV — Polars

import polars as pl

# Import
df = pl.read_csv("data/input.csv")

# Import dengan opsi
df = pl.read_csv("data/input.csv",
    separator=";",
    null_values=["", ".", "NA"],
    dtypes={"id": pl.Int64}
)

# Export
df.write_csv("data/output.csv")
TipPolars Lebih Cepat

Untuk file besar, polars bisa 10x lebih cepat dari pandas karena menggunakan Rust di belakang layar.

Excel

# Pandas
df = pd.read_excel("data/input.xlsx")
df = pd.read_excel("data/input.xlsx", sheet_name="Sheet2")

# Export
df.to_excel("data/output.xlsx", index=False)

# Polars
df = pl.read_excel("data/input.xlsx")

Stata, SPSS, SAS

# Stata
df = pd.read_stata("data/input.dta")
df.to_stata("data/output.dta")

# SPSS (perlu pyreadstat)
df = pd.read_spss("data/input.sav")

# Polars: convert via pandas
df_pd = pd.read_stata("data/input.dta")
df_pl = pl.from_pandas(df_pd)

Parquet — Format Modern

# Pandas
df = pd.read_parquet("data/input.parquet")
df.to_parquet("data/output.parquet")

# Polars
df = pl.read_parquet("data/input.parquet")
df.write_parquet("data/output.parquet")
CatatanKenapa Parquet?

Parquet adalah format columnar yang sangat efisien — file kecil, baca cepat, dan menyimpan tipe data. Ideal untuk data intermediate.

JSON

import json

# Standard library
with open("data/input.json") as f:
    data = json.load(f)

# Pandas
df = pd.read_json("data/input.json")
df.to_json("data/output.json", orient="records")

# Polars
df = pl.read_json("data/input.json")

Pickle (Python native)

import pickle

# Simpan objek Python apapun
with open("data/model.pkl", "wb") as f:
    pickle.dump(obj, f)

# Baca kembali
with open("data/model.pkl", "rb") as f:
    obj = pickle.load(f)

# Pandas shortcut
df.to_pickle("data/df.pkl")
df = pd.read_pickle("data/df.pkl")

Clipboard & URL

# Dari clipboard
df = pd.read_clipboard()

# Dari URL
df = pd.read_csv("https://example.com/data.csv")
df = pl.read_csv("https://example.com/data.csv")

Latihan

BahayaLatihan 12.1 
import pandas as pd

# 1. Buat DataFrame:
df = pd.DataFrame({
    "nama": ["Andi", "Budi", "Citra"],
    "nilai": [85, 90, 78],
    "lulus": [True, True, False]
})

# 2. Simpan sebagai CSV, baca kembali. Cek dtypes
# 3. Simpan sebagai Parquet, baca kembali. Cek dtypes
# 4. Bandingkan — apakah tipe kolom "lulus" sama?

Ringkasan

Format Pandas Polars
CSV read_csv() / to_csv() read_csv() / write_csv()
Excel read_excel() / to_excel() read_excel()
Stata read_stata() / to_stata() via pandas
Parquet read_parquet() / to_parquet() read_parquet() / write_parquet()
JSON read_json() / to_json() read_json()

Sebelumnya: Part 11 — Package & Library Selanjutnya: Part 13 — Manipulasi Data I: Filter & Select