arofiqimaulana

def convertDate(text):
    import re
    
    pattern = r'\b(\d{1,2})\s+(jan|january|januari|feb|februari|february|mar|march|maret|apr|april|may|mei|jun|juni|jul|juli|july|aug|august|agustus|sep|september|sept|okt|oct|oktober|october|nov|november|dec|des|desember|december)\s+(\d{4})\b'
    matches = re.findall(pattern, text, flags=re.IGNORECASE)

    if len(matches) > 0:
        day = matches[0][0]
        month = matches[0][1].lower()  # normalize ke lowercase

arofiqimaulana

{
  "size": 10,
  "query": {
    "bool": {
      "should": [
        {
          "multi_match": {
            "query": "kopi manis",
            "fields": [
              "deskripsi^3",        // Boost 3 untuk deskripsi

arofiqimaulana

{
  "bool": {
    "must": [
      { "match": { "judul": "kopi" } }
    ],
    "should": [
      { "match": { "deskripsi": "manis" } },
      { "match": { "warna": "coklat" } }
    ],
    "must_not": [

arofiqimaulana

Perbandingan antara Bag of Words (BoW) dan Word Embedding

Aspek	Bag of Words (BoW)	Word Embedding
Definisi	Model yang mewakili teks sebagai kumpulan kata tanpa urutan, berdasarkan frekuensi kata.	Representasi kata dalam bentuk vektor berdimensi rendah yang mencerminkan makna semantik kata tersebut.
Representasi	Setiap kata diwakili dengan frekuensi atau apakah kata tersebut ada dalam dokumen (misalnya, dengan 0 atau 1).	Setiap kata diwakili dengan vektor angka dalam ruang berdimensi rendah yang menangkap konteks semantik kata tersebut.
Konteks dan Urutan	Mengabaikan urutan kata, hanya mempertimbangkan kemunculan kata dalam dokumen.	Mempertimbangkan konteks kata dalam kali

arofiqimaulana

grouped_df2 = grouped_df.groupby('bulan')['total'].agg(
    Mean='mean',                     # Menghitung rata-rata
    Q1=lambda x: x.quantile(0.25),   # Menghitung kuartil pertama (Q1)
    Q3=lambda x: x.quantile(0.75),   # Menghitung kuartil ketiga (Q3)
    Min='min',                       # Menghitung nilai minimum
    Max='max'                        # Menghitung nilai maksimum
).reset_index()

grouped_df2[['Mean', 'Q1', 'Q3', 'Min', 'Max']] = np.floor(grouped_df2[['Mean', 'Q1', 'Q3', 'Min', 'Max']])

arofiqimaulana

def updateData(df):
    data = df.loc[:,['profesi_master','updated_at','userid']].values.tolist()

    sql_update ="""
        UPDATE tblcustomfieldsvalues
        SET value = %s, updated_at = %s
        WHERE relid = %s
        """
    mycursor1 = connWarehouse.cursor()
    mycursor1.executemany(sql_update,data)

arofiqimaulana

.replace(/"/g,'\\"').replace(/'/g,"\\'")

arofiqimaulana

import pymongo
import json
from datetime import datetime, timedelta, date, timezone
from pymongo import MongoClient
import datetime as dd

# 1. Create Connection
client = MongoClient(
    host = '123.456.789',
    port = int(27017), # 

arofiqimaulana

#import clean function
from cleantext import clean

#provide string with emojis
text = "This sample text contains laughing emojis 😀 😃 😄 😁 😆 😅 😂 🤣"

#print text after removing the emojis from it
print(clean(text, no_emoji=True))

arofiqimaulana

# Concat WS
df.groupby(['name','month'])['text'].apply(','.join).reset_index()