NumPy merupakan salah satu library Python yang banyak digunakan dalam proses analisis data karena fiturnya yang hebat
NumPy hampir menyerupai List pada Python tetapi lebih powerful. Ada beberap kelebihan NumPy dibandingkan List seperti size, performance dan functionally
Struktur data NumPy lebih membutuhkan ukuran yang lebih kecil dibandingkan dengan List tetapi mempunyai performa yang lebih cepat
Sebelum menggunakan NumPy di Python, terlebih dahulu library ini harus diimport
import numpy as np
Jika belum ada NumPy dapat diinstall terlebih dahulu menggunakan pip
pip install numpy
Contents
Membuat Array NumPy
Kita bisa membuat Array menggunakan NumPy dengan membungkusnya terlebih dahulu di List dan dirubah menjadi numpy array.
listku = [1,2,3,4,5] arrku = np.array[[listku]] arrku
atau langsung tanpa membuat variabel list terlebih dahulu
arrku = np.array[[1,2,3,4,5]] arrku
Hasilnya akan seperti ini
array[[1, 2, 3, 4, 5]]
Ada beberapa fungsi lagi yang dapat digunakan dalam membuat array antara lain zeros[], ones[], arange[], linspace[], logspace[],
zeros[] -> Membuat array dengan nilai 0 ones[] -> Membuat array dengan nilai 1 arange[] -> Membuat array dengan nilai dalam range linspace[] -> Membuat array dengan nilai dalam interval logspace[] -> Membuat array dengan nilai log Base10 dalam interval
Berikut contohnya
np.zeros[5] # membuat array dengan nilai 0 sebanyak 5 np.ones[5] # membuat array dengan nilai 1 sebanyak 5 np.arange[1, 10, 2] #arange[start, stop, step] np.linspace[1, 10, 2] # linespace[start, stop, number] np.logspace[1, 10, 2] # logspace[start, stop, number]
Hasilnya
[0. 0. 0. 0. 0.] [1. 1. 1. 1. 1.] [1 3 5 7 9] [ 1. 10.] [1.e+01 1.e+10]
Multidimensional Array
Salah satu fitur menarik dari NumPy adalah dia mampu membuat multidimensional array dan melakukan manipulasi array dengan mudah dan cepat
Multidimensional array adalah array yang berbentuk lebih dari 1 dimensi [1D], bisa 2D, 3D, 4D dan seterusnya
Cara membuat multidimensional array sama dengan membuat array 1 dimensi, perbedaannya hanya pada parameter yang digunakan
Berikut contohnya membuat array 2 dimensi
arrku = np.array[[[1,2,3,4,5], [2,4,6,8,10]]]
Hasilnya
array[[[ 1, 2, 3, 4, 5], [ 2, 4, 6, 8, 10]]]
Array diatas adalah berbentuk [2,5] artinya mempunyai 2 baris dan 5 kolom
Kita bisa melihat jumlah elemen di setiap dimensi dengan menggunakan shape
pip install numpy0
Indexing dan Slicing
Kita juga dapat melakukan indexing dan slicing terhadap array dengan mudah
Indexing dimulai dari 0 dan dimulai dengan notasi bracket “[ ]”
Misal kita ingin mencari nilai yang berada di index 0, 2, dan 4
pip install numpy1
Hasilnya
pip install numpy2
Untuk mengambil nilai berderet tambahkan “:”
pip install numpy3
Kita juga dapat melakukan slicing di multidimensional array
pip install numpy4
Nilai pada kolom index ke-1 dan baris index ke-1 adalah 4
Operasi Aritmatika
Kita bisa menggunakan operasi aritmatika seperti penjumlahan, pengurangan, perkalian, pembagian dan perpangkatan
Numpy menyediakan fungsi yang siap pakai untuk memudahkan kita melakukan perhitungan saintifik seperti matriks, aljabar, statistik, dan sebagainya.
Mengapa kita butuh Numpy?
Bukannya di Python sudah ada list dan modul math ya? 🤔
Betul, list dan math memang bisa kita pakai buat perhitungan saintifik. Namun masih kurang lengkap, karena beberapa operasi perhitungan harus kita buat secara manual.
Contoh:
Kita ingin menghitung hasil penjumlahan tiap elemen di list.
# kita punya list a dan b
a = [1, 2, 3]
b = [4, 5, 6]
# lalu kita jumlahkan
hasil = a + b
print[hasil] # [1, 2, 3, 4, 5, 6]
Hasilnya tidak sesui dengan yang kita harapkan. Seharusnya tiap elemen dijumlahkan, tapi malah list-nya digabungkan.
Jika ingin menjumlahkan, maka kita harus membuat rumus atau fungsi secara manual seperti ini:
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
Karena itu, biar gak repot buat secara manual dari nol.. sebaiknya pakai yang sudah ada dari Numpy.
Selain itu, performa Numpy juga lebih cepat dibandingkan list. Soalnya library Numpy ditulis dengan bahasa C dan sebagaian lagi Python.
Oke.. lalu gimana cara install dan pakai Numpy?
Mari kita lanjut pelajari:
Cara Menginstall Numpy
Numpy dapat kita install dengan package manager
pip install numpy
2.Jalankan perintah berikut di Terminal atau CMD untuk menginstal Numpy:
pip install numpy
Cukup jalankan perintah ini sekali saja, maka Numpy akan terinstal di komputermu.
Setelah berhasil menginstal, selanjutnya kita pelajari:
Cara Menggunakan Numpy
Numpy harus kita impor dulu agar bisa digunakan di dalam program.
Contoh:
import numpy as np
Pada contoh ini, kita mengimpor
pip install numpy
3 dan menggunakan nama alias pip install numpy
4 biar nggak ngetik kepanjangan hehe.Setelah itu, barulah kita bisa pakai fungsi-fungsi yang ada di
pip install numpy
4 [Numpy].Contoh:
Membuat array dengan Numpy
my_array = np.array[[1, 2, 3, 4]]
Variabel
pip install numpy
6 akan menjadi sebuah object array [pip install numpy
7].Jangan bingung dengan istilah
pip install numpy
7....ini artinya n dimension array.
Secara simpel, artinya: array multi dimensi.
Latihan: Membuat Array dengan Numpy
Buatlah file baru beranam
pip install numpy
9 kemudian isi dengan kode berikut:import numpy as np
# membuat array
nilai_siswa = np.array[[85, 55, 40, 90]]
# mengakses data pada array
print[nilai_siswa[3]]
Setelah itu, coba jalankan.
Maka hasilnya:
Pada latihan ini, kita bisa tau..
..kalau array di Numpy cara akses datanya sama seperti list.
Membuat Matriks dengan Numpy
Matriks di dalam kode program biasanya dibuat dengan array dua dimensi, ini karena matrik terdiri dari baris dan kolom.
Dimensi pertama berperan sebagai kolom dan dimensi kedua akan berperan seabgai baris.
Contoh:
matriks = [[1,2,3],
[4,5,6],
[7,8,9]]
Pada contoh ini kita membuat list dua dimensi dengan list.
Jika ingin membuat matriks dengan Numpy, maka kita bisa pakai fungsi
import numpy as np
0 dan memasukan list matriksnya.Contoh:
matrik_np = np.array[[[1,2,3],
[4,5,6],
[7,8,9]]]
Cara mengakses datanya juga sama seperti list.
Misal mau ngambil angka
import numpy as np
1, maka kita bisa akses dengan:print[matrik_np[1][1]]
Ini karena angka
import numpy as np
1 berada di kolom ke-1 dan baris ke-1.Ingat, list atau array itu indeksnya selalu dimulai dari nol.
Jika mau ambil angka
import numpy as np
3 gimana?Gampang…
Tunggal tulis seperti ini:
print[matrik_np[0][2]]
Ini karena angka
import numpy as np
3 berada di kolom ke-0 dan baris ke-2.Gampang kan?
Saya anggap kamu sudah paham.
Selanjutnya kita akan belajar operasi matriks dengan Numpy.
Operasi Matriks dengan Numpy
Jika kamu menggunakan list di Python untuk operasi matriks, maka kamu akan membaut operasinya secara manual dengan perulangan.
Contohnya seperti ini:
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
0Ini tentu merepotkan, karena kita harus membuat sendiri operasinya.
Tapi tenang saja..
..di Numpy kita bisa melakukan operasi matrik dengan mudah, semudah melakan operasi pada bilangan.
Mari kita coba!
Penjumlahan matriks
Buat file baru dengan nama
import numpy as np
5 kemudian isi dengan kode berikut:penjumlahan_matrik.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
1Setelah itu, coba jalankan!
Maka hasilnya:
Pengurangan matriks
Buat file baru dengan nama
import numpy as np
6 kemudian isi dengan kode berikut:pengurangan_matrik.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
2Setelah itu, coba jalankan!
Maka hasilnya:
Perkalian matriks
Buat file baru dengan nama
import numpy as np
7 kemudian isi dengan kode berikut:perkalian_matrik.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
3Setelah itu, coba jalankan!
Maka hasilnya:
Pembagian matriks
Buat file baru dengan nama
import numpy as np
8 kemudian isi dengan kode berikut:pembagian_matrik.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
4Setelah itu, coba jalankan!
Maka hasilnya:
Mantap! 👍
Cukup mudah bukan?
Berikutnya kita akan belajar tentang
Transformasi Matriks dengan Numpy
Transformasi Matrik artinya mengubah bentuk matrik ke bentuk yang lain.
Ada tiga fungsi yang digunakan untuk transformasi matrik:
9 untuk membalik matrik;import numpy as np
0 untuk mengubah bentuk matrik ke ukuran tertentu;my_array = np.array[[1, 2, 3, 4]]
1 danmy_array = np.array[[1, 2, 3, 4]]
2 untuk mengubah matrik menjadi list atau vektor.my_array = np.array[[1, 2, 3, 4]]
Mari kita coba!
Latihan: Transpose Matrik dengan Numpy
Buatlah file baru dengan nama
my_array = np.array[[1, 2, 3, 4]]
3, kemudian isi dengan kode berikut:balik_matrik.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
5Setelah itu, coba jalankan!
Maka hasilnya:
Selain menggunakan teknik di atas, kita juga bisa membalik matrik seperti ini.
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
6Latihan: Mengubah bentuk ukuran Matrik
Buatlah file baru dengan nama
my_array = np.array[[1, 2, 3, 4]]
4, kemudian isi dengan kode berikut:matrik_reshape.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
7Setelah itu, coba jalankan!
Maka hasilnya:
Pada contoh ini, kita mengubah sebuah list menjadi matrik 2x3. Atribut
my_array = np.array[[1, 2, 3, 4]]
5 berfungsi untuk mengetahui ukuran array.Matrik yang sudah kita reshape, bisa juga kita kembalikan lagi dengan fungsi
my_array = np.array[[1, 2, 3, 4]]
0.Contoh:
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
8Angka
my_array = np.array[[1, 2, 3, 4]]
7 adalah ukuran matriknya.Latihan: Mengubah Matrik ke List Vektor
Buatlah file baru dengan nama
my_array = np.array[[1, 2, 3, 4]]
8, kemudian isi dengan kode berikut:matrik_flat.py
def add[list_a, list_b]:
result = []
for first, second in zip[list_a, list_b]:
result.append[first + second]
return result
9Setelah itu, coba jalankan!
Maka hasilnya:
Sejauh ini kita sudah bisa menggunakan Numpy untuk membuat list dan matrik.
Berikutnya kita akan coba fungsi-fungsi untuk pengolahan data.
Fungsi Pengolahan Data di Numpy
Kalau kamu pernah belajar statistik, mungkin tidak akan asing dengan mean [rata-rata], sum, min, max, dll.
Nah, di Numpy.. kita sudah disediakan fungsi-fungsi ini. Sehingga pengolahan data akan jadi lebih mudah.
Mari kita langsung coba aja contohnya.
Buatlah file baru dengan nama
my_array = np.array[[1, 2, 3, 4]]
9 kemudian isi dengan kode berikut:pip install numpy
0Setelah itu coba jalankan!
Maka hasilnya:
Mantap! 👍
Dengan adanya fungsi-fungsi ini, kerjaan Data Science kita akan jadi lebih mudah.
Apa Selanjutnya?
Sejauh ini kita sudah paham dan tahu apa itu Numpy dan gimana cara pakainya.
Sebenarnya masih banyak lagi fungsi-fungsi yang belum kita bahas. Tentu tidak akan cukup jika saya bahas semua di sini.