Pengenalan NumPy

NumPy adalah sebuah paket library Python yang memungkinkan Anda untuk melakukan komputasi numerik dan analisis data dengan sangat efisien.

NumPy memiliki banyak fitur yang berguna, seperti:

  • Penyimpanan dan pemrosesan data numerik dalam bentuk array multidimensional
  • Operasi matematika yang cepat dan efisien pada array multidimensional
  • Integrasi dengan library lainnya seperti SciPy dan Matplotlib
  • Fungsi statistik, algebra linier, dan transformasi Fourier
  • Dan banyak lagi

NumPy sangat berguna untuk banyak aplikasi komputasi cepat, seperti proses pemrosesan sinyal, pemrosesan citra, dan masih banyak lagi.

NumPy juga merupakan library yang sangat penting bagi data scientist karena memberikan banyak fitur yang berguna untuk mengelola, mengolah, dan menganalisis data numerik.

Beberapa alasan mengapa NumPy penting untuk data scientist adalah 

  1. NumPy menyediakan struktur data array multidimensional yang efisien untuk menyimpan dan mengolah data numerik.
    Hal ini mempermudah data scientist untuk mengelola dan mengolah data dalam jumlah besar dengan cepat.

  2. NumPy menyediakan banyak fungsi matematika dan statistik yang dapat digunakan untuk menganalisis data numerik.
    Ini memudahkan data scientist untuk melakukan operasi seperti agregasi, pengelompokan, dan transformasi data dengan cepat.

  3. NumPy terintegrasi dengan library lain yang berguna untuk analisis data, seperti SciPy dan Matplotlib.
    Ini mempermudah data scientist untuk menggunakan alat yang dibutuhkan untuk melakukan analisis data dan visualisasi hasilnya.

  4. NumPy memiliki kinerja yang sangat baik dibandingkan dengan struktur data dan fungsi pemrosesan data lain yang tersedia di Python.
    Hal ini sangat penting bagi data scientist yang sering bekerja dengan data dalam jumlah besar, karena dapat menyelesaikan proses dengan cepat.

Dengan demikian, NumPy adalah library yang sangat penting bagi data scientist karena memungkinkan mereka untuk mengelola, mengolah, dan menganalisis data numerik dengan cepat dan efisien.

Membuat Array

kamu dapat membuat array menggunakan NumPy dengan menggunakan fungsi numpy.array().

Fungsi ini menerima satu atau lebih objek sebagai argumen, dan mengembalikan array NumPy yang terdiri dari objek-objek tersebut.

Misalnya, Anda dapat membuat array yang berisi angka-angka dengan menggunakan kode berikut:

import numpy as np

# Membuat array dari daftar Python
array_from_list = np.array([1, 2, 3, 4, 5])
print(array_from_list)  # Output: [1 2 3 4 5]

# Membuat array dari tuple
array_from_tuple = np.array((1, 2, 3, 4, 5))
print(array_from_tuple)  # Output: [1 2 3 4 5]

# Membuat array dari skalar
array_from_scalar = np.array(5)
print(array_from_scalar)  # Output: 5

kamu juga dapat membuat array multidimensional menggunakan NumPy dengan memberikan list atau tuple dari list atau tuple sebagai argumen ke fungsi numpy.array().

Misalnya, Anda dapat membuat array 2D seperti ini:

# Membuat array 2D dari list
array_2d_from_list = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d_from_list) 
# Output: 
# [[1 2 3]
#  [4 5 6]]

# Membuat array 2D dari tuple
array_2d_from_tuple = np.array(((1, 2, 3), (4, 5, 6)))
print(array_2d_from_tuple) 
# Output: 
# [[1 2 3]
#  [4 5 6]]

kamu juga dapat membuat array multidimensional dengan ukuran dan tipe data yang ditentukan menggunakan fungsi numpy.zeros(), numpy.ones(), atau numpy.empty(). Misalnya:

# Membuat array 3D dengan ukuran 2x3x4 yang terisi dengan nol
array_3d_zeros = np.zeros((2, 3, 4))
print(array_3d_zeros) 
# Output: 
# [[[0. 0. 0. 0.]
#   [0. 0. 0. 0.]
#   [0. 0. 0. 0.]]
# 
#  [[0. 0. 0. 0.]
#   [0. 0. 0. 0.]
#   [0. 0. 0. 0.]]]

Fungsi Statistik di Numpy

kode untuk menggunakan fungsi-fungsi statistik di NumPy, seperti numpy.sum(), numpy.max(), numpy.min(), numpy.mean(), dan numpy.median():

import numpy as np

# Membuat array NumPy
a = np.array([[1, 2, 3], [4, 5, 6]])

# Menghitung jumlah semua elemen array
sum_a = np.sum(a)
print(sum_a)  # Output: 21

# Menghitung nilai maksimum dari semua elemen array
max_a = np.max(a)
print(max_a)  # Output: 6

# Menghitung nilai minimum dari semua elemen array
min_a = np.min(a)
print(min_a)  # Output: 1

# Menghitung rata-rata dari semua elemen array
mean_a = np.mean(a)
print(mean_a)  # Output: 3.5

# Menghitung median dari semua elemen array
median_a = np.median(a)
print(median_a)  # Output: 3.5

Anda juga dapat menghitung statistik di atas sebagai rata-rata dari setiap baris atau kolom array dengan menentukan parameter axis. Misalnya:

# Menghitung jumlah setiap kolom array
sum_a_columns = np.sum(a, axis=0)
print(sum_a_columns)  # Output: [5 7 9]

# Menghitung rata-rata setiap baris array
mean_a_rows = np.mean(a, axis=1)
print(mean_a_rows)  # Output: [2. 5.]

Berikut ini adalah beberapa contoh kode untuk menggunakan fungsi-fungsi yang berguna di NumPy, seperti numpy.log10(), numpy.argmax(), numpy.argmin(), dan numpy.sort():

import numpy as np

# Membuat array NumPy
a = np.array([[1, 2, 3], [4, 5, 6]])

# Menghitung logaritma basis 10 dari setiap elemen array
log_a = np.log10(a)
print(log_a)  # Output: [[0.         0.30103    0.47712125]
              #          [0.60205999 0.69897    0.77815125]]

# Mencari indeks elemen maksimum dari setiap baris array
argmax_a_rows = np.argmax(a, axis=1)
print(argmax_a_rows)  # Output: [2 2]

# Mencari indeks elemen minimum dari setiap kolom array
argmin_a_columns = np.argmin(a, axis=0)
print(argmin_a_columns)  # Output: [0 0 0]

# Menyortir setiap baris array dari kecil ke besar
sorted_a_rows = np.sort(a, axis=1)
print(sorted_a_rows)  # Output: [[1 2 3]
              #          [4 5 6]]

# Menyortir setiap kolom array dari besar ke kecil
sorted_a_columns = np.sort(a, axis=0, kind='quicksort', order='desc')
print(sorted_a_columns)  # Output: [[4 5 6]
              #          [1 2 3]]

Perhatikan bahwa numpy.sort() memiliki beberapa parameter yang berguna seperti kind dan order.

Parameter kind menentukan algoritma pengurutan yang digunakan, sedangkan parameter order menentukan apakah array harus disortir dari kecil ke besar atau sebaliknya.

kamu dapat mempelajari lebih lanjut tentang parameter-parameter tersebut di dokumentasi NumPy.

Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.