library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
#Siapa pelanggan yang paling sering membeli dengan total belanja lebih dari 5000000
df <- read.csv("df_customer.csv", sep = ";")
filtered <- subset(df, Total_Belanja > 5000000)
pelanggan_summary <- filtered %>%
group_by(ID_Pelanggan) %>%
summarise(
Jumlah_Beli = n(),
Total_Belanja_Sum = sum(Total_Belanja)
) %>%
arrange(desc(Jumlah_Beli))
print(pelanggan_summary)
## # A tibble: 90 × 3
## ID_Pelanggan Jumlah_Beli Total_Belanja_Sum
## <chr> <int> <int>
## 1 ID00007 7 53753283
## 2 ID00025 7 51728276
## 3 ID00026 6 48480299
## 4 ID00089 6 39026395
## 5 ID00053 5 41462687
## 6 ID00079 5 39344853
## 7 ID00084 5 38862867
## 8 ID00090 5 41742485
## 9 ID00093 5 40587390
## 10 ID00006 4 27998079
## # ℹ 80 more rows
nrow(pelanggan_summary)
## [1] 90
#Ada berapa banyak perempuan di kota yang berbelanja lebih dari 5x
pelanggan_freq <- df %>%
group_by(ID_Pelanggan, Jenis_Kelamin, Tempat_Tinggal) %>%
summarise(
Jumlah_Beli = n()
) %>%
ungroup()
## `summarise()` has grouped output by 'ID_Pelanggan', 'Jenis_Kelamin'. You can
## override using the `.groups` argument.
perempuan_kota_lebih5 <- pelanggan_freq %>%
filter(Jenis_Kelamin == "Perempuan",
Tempat_Tinggal == "Kota",
Jumlah_Beli > 5)
perempuan_kota_lebih5
## # A tibble: 0 × 4
## # ℹ 4 variables: ID_Pelanggan <chr>, Jenis_Kelamin <chr>, Tempat_Tinggal <chr>,
## # Jumlah_Beli <int>
nrow(perempuan_kota_lebih5)
## [1] 0
#Siapa pelanggan yang paling sering membeli dengan penghasilan lebih dari 5000000
df <- read.csv("df_customer.csv", sep = ";")
library(dplyr)
filtered <- df %>%
filter(Penghasilan > 5000000)
pelanggan_freq <- filtered %>%
group_by(ID_Pelanggan) %>%
summarise(Jumlah_Beli = n()) %>%
arrange(desc(Jumlah_Beli))
pelanggan_freq
## # A tibble: 93 × 2
## ID_Pelanggan Jumlah_Beli
## <chr> <int>
## 1 ID00007 9
## 2 ID00025 7
## 3 ID00093 7
## 4 ID00026 6
## 5 ID00089 6
## 6 ID00009 5
## 7 ID00014 5
## 8 ID00023 5
## 9 ID00024 5
## 10 ID00053 5
## # ℹ 83 more rows
#Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki total belanja yang lebih dari 5000000
df <- read.csv("df_customer.csv", sep = ";")
pelanggan_desa <- df %>%
filter(Tempat_Tinggal == "Desa",
Total_Belanja > 5000000) %>%
count(Jenis_Kelamin)
print(pelanggan_desa)
## Jenis_Kelamin n
## 1 Laki-laki 10
## 2 Perempuan 37
#Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja lebih dari 5000000
df <- read.csv("df_customer.csv", sep = ";")
pelanggan_desa <- df %>%
filter(Tempat_Tinggal == "Desa",
Total_Belanja > 5000000) %>%
select(ID_Pelanggan, Penghasilan, Total_Belanja)
print(pelanggan_desa)
## ID_Pelanggan Penghasilan Total_Belanja
## 1 ID00067 7773498 6982081
## 2 ID00014 6776730 6315967
## 3 ID00027 8108645 6901502
## 4 ID00089 9032981 5776859
## 5 ID00034 5616450 7064321
## 6 ID00013 4481204 5438461
## 7 ID00091 6128487 5990469
## 8 ID00038 5947963 5094570
## 9 ID00041 9231091 8371463
## 10 ID00047 5940612 6172545
## 11 ID00095 8032910 6259431
## 12 ID00031 7822419 5581673
## 13 ID00022 9331982 5602663
## 14 ID00096 7082568 5369782
## 15 ID00074 9657061 7154243
## 16 ID00094 7651846 5983600
## 17 ID00016 5575699 5436492
## 18 ID00055 8635642 6262374
## 19 ID00075 5809025 5002921
## 20 ID00090 6005712 5987338
## 21 ID00098 4849165 5535035
## 22 ID00048 4626369 5333229
## 23 ID00088 5455465 5826813
## 24 ID00067 6467267 6344949
## 25 ID00049 3157783 5695306
## 26 ID00055 6093467 6646206
## 27 ID00008 6193172 6100858
## 28 ID00072 9024791 6500860
## 29 ID00058 9310352 6514985
## 30 ID00026 8141032 6663821
## 31 ID00052 6499451 6548809
## 32 ID00026 10832415 7895296
## 33 ID00090 11664452 9796996
## 34 ID00073 6455085 5490472
## 35 ID00014 6571179 6229499
## 36 ID00006 9498495 6134541
## 37 ID00091 5671820 6935452
## 38 ID00094 3726214 5043885
## 39 ID00031 6533837 6686485
## 40 ID00093 6856664 7140298
## 41 ID00057 7212261 5530567
## 42 ID00089 6928182 5259961
## 43 ID00066 3373098 5157567
## 44 ID00008 6940985 5052071
## 45 ID00063 6915574 6201985
## 46 ID00097 7028460 5214133
## 47 ID00013 9810087 5581775
nrow(pelanggan_desa)
## [1] 47