Cara menggunakan NUMPY.ARANGE pada Python

Assalamualaikum temen-temen…

Numpy memiliki kegunaan untuk operasi vektor dan matriks. Fiturnya hampir sama dengan MATLAB dalam mengelola array dan array multidimensi. Numpy merupakan salah satu library yang digunakan oleh library lain seperti Scikit-Learn untuk keperluan analisis data.

Pada kesempatan ini, saya akan menggunakan package Numpy dengan python. Dalam menjalankan perintah atau sintaks python saya menggunakan jupyter notebook.

Pertama siapkan dulu Jupyter notebooknya seperti berikut.

Penggunaan numpy untuk memanipulasi array secara mudah dan cepat. Daftar fungsi yang dapat digunakan dalam package numpy dapat diakses di Numpy Array Manipulation.

Selanjutnya import numpy sebagai np pada jupyter notebook yang sudah disiapkan untuk dapat menjalankan perintah/program.

import numpy as np

Membuat numpy array

Pertama kita membuat vector dari python.

a = np.array [[1,2,3,4,5]]
b = np.array [[1.5, 2.5, 5, 6, 7]]
print[a]
print[b]

Lalu untuk membedakan vector python dengan vector numpy menggunakan np.arange.

c = np.arange[1,20,2]
print[c]

Angka 1 merupakan batas bawah, angka 20 merupakan batas atas, dan angka 2 sebagai step atau jarak dari setiap angka, maka terlihat hasilnya seperti berikut.

Selanjutnya kita akan membuat linspace.

d = np.linspace[1, 10, 4]
print[d]

Angka 1 merupakan batas bawah, angka 10 merupakan batas atas, dan angka 4 merupakan pembagi, jadi 1 sampai 10 dibagi menjadi 4 bagian.

Selanjutnya kita akan coba membuat matrix.

e = np.array[[[1,2,3],[4,5,6]]]
print[e]

Untuk menambah matrix dengan menggunakan sintaks berikut.

print[e+2]

Untuk membuat matrix dengan nilai 0 dalam bentuk vektor, bisa mneggunakna sintaks berikut.

f = np.zeros[5]
print[f]

Membuat matrix 0 dengan panjang 5x5.

g = np.zeros[[5,5]]
print[g]

Sama seperti membuat matix 0, berlaku juga buat matrix 1.

h = np.ones[[5,5]]
print[h]

Membuat matrix identitas dengan panjang 5x5.

i = np.identity[5]
print[i]

Perkalian Matrix

Selanjutnya kita akan melakukan perkalian matrix dengan menggunakan angka yang lain.

a = np.array[[[1,2],
              [3,4]]]
print[“matrix a:”]
print[a]b = np.ones[[2,2]]
print[“matrix b:”]
print[b]

Setelah membuat matrixnya, lalu kita kali antara matrix a dan b.

c1 = np.dot[a,b]
print[“matrix c1:”]
print[c1]

Rumus lain untuk mengalikan matrix tersebut sebagai berikut.

c2 = a.dot[b]
print[“matrix c2:”]
print[c2]

Manipulasi Matrix

a = np.array[[
 [1,2,3],
 [4,5,6]
 ]]
print[‘matrix a dengan ukuran:’,a.shape]
print[a]

Setelah membuat matrix, selanjutnya kita akan mencoba untuk mentranspose matrix.

print[‘transpose matrix dari a:’]#cara 1
print[a.transpose[]]#cara 2
print[np.transpose[a]]#cara 3
print[a.T]

Lalu membuat matrix menjadi bentuk vector baris.

print[‘flatten matrix a:’]#cara 1
print[a.ravel[]]#cara 2
print[np.ravel[a]]

Selanjutnya reshape matrix yang sebelumnya [2,3] menjadi [3,2].

print[“reshape matrix a:”]
print[a.reshape[3,2]]

Operasi Aritmatika

Pertama kita akan membuat list dari python.

A = [1,2,3,4,5]
B = [6,7,8,9,10]

Setelah itu membuat list dengan array numpy.

Anp = np.array[[1,2,3,4,5]]
Bnp = np.array[[6,7,8,9,10]]

Kita akan mencoba menjumlahkan list dengan python.

hasil = A+B
print[hasil]

Maka akan terlihat hasil list A dan B digabungkan.

Sedangkan penjumlahan array numpy akan menjumlahkan antar list, karna sistem pada numpy adalah Elementwise Operation.

hasil = Anp+Bnp
print[hasil]

Tetapi pada python tidak bisa dilakukan operasi pengurangan, perkalian, pembagian karna bukan Elementwise Operation. Berikut merupakan sintaks operasi aritmatika dengan numpy.

#pengurangan array numpy
hasil = Anp-Bnp
print[hasil]#perkalian array numpy
hasil = Anp*Bnp
print[hasil]#pembagian array numpy
hasil = Anp/Bnp
print[hasil]#kuadrat
hasil = Anp**2
print[hasil]

Sumber:

[1] //www.codepolitan.com/5-library-python-untuk-data-science-59b774b6cad97

[2] //www.youtube.com/playlist?list=PLZS-MHyEIRo6V6C2PHEx2Lt0hWIB_cL58