tugasweek5

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

data <- read.csv("tugasweek5.csv")

head(data)

##   X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Penghasilan Total_Belanja
## 1 1      ID00031     Laki-laki           Desa     2227350       2563031
## 2 2      ID00079     Perempuan           Kota     9047608       8369550
## 3 3      ID00051     Perempuan           Kota     9735540       8053033
## 4 4      ID00014     Laki-laki           Kota    13510126       9799876
## 5 5      ID00067     Perempuan           Desa     7773498       6982081
## 6 6      ID00042     Laki-laki           Desa     6666740       4782002

str(data)

## 'data.frame':    300 obs. of  6 variables:
##  $ X             : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ ID_Pelanggan  : chr  "ID00031" "ID00079" "ID00051" "ID00014" ...
##  $ Jenis_Kelamin : chr  "Laki-laki" "Perempuan" "Perempuan" "Laki-laki" ...
##  $ Tempat_Tinggal: chr  "Desa" "Kota" "Kota" "Kota" ...
##  $ Penghasilan   : int  2227350 9047608 9735540 13510126 7773498 6666740 5658721 7637656 6776730 10412102 ...
##  $ Total_Belanja : int  2563031 8369550 8053033 9799876 6982081 4782002 4286283 4779797 6315967 5106141 ...

colSums(is.na(data))

##              X   ID_Pelanggan  Jenis_Kelamin Tempat_Tinggal    Penghasilan 
##              0              0              0              0              0 
##  Total_Belanja 
##              0

colnames(data)

## [1] "X"              "ID_Pelanggan"   "Jenis_Kelamin"  "Tempat_Tinggal"
## [5] "Penghasilan"    "Total_Belanja"

data %>%
  filter(Total_Belanja > 5000000) %>%
  arrange(desc(Total_Belanja)) %>%
  select(ID_Pelanggan, Total_Belanja) %>%
  head(1)

##   ID_Pelanggan Total_Belanja
## 1      ID00034      11626302

data %>%
  filter(
    Jenis_Kelamin == "Perempuan",
    Tempat_Tinggal == "Kota",
    Total_Belanja > 5000000
  ) %>%
  nrow()

## [1] 119

data %>%
  filter(Penghasilan > 5000000) %>%
  arrange(desc(Total_Belanja)) %>%
  select(ID_Pelanggan, Penghasilan, Total_Belanja) %>%
  head(1)

##   ID_Pelanggan Penghasilan Total_Belanja
## 1      ID00034    13710077      11626302

data %>%
  filter(
    Tempat_Tinggal == "Desa",
    Total_Belanja > 5000000
  ) %>%
  count(Jenis_Kelamin)

##   Jenis_Kelamin  n
## 1     Laki-laki 10
## 2     Perempuan 37

data %>%
  filter(
    Tempat_Tinggal == "Desa",
    Total_Belanja > 5000000
  ) %>%
  select(ID_Pelanggan, Penghasilan, Total_Belanja)

##    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