Pengenalan NumPy
NumPy mengubah Python menjadi mesin komputasi numerik yang kuat. Sementara list Python bisa menampung data tipe campuran, array NumPy menyimpan data homogen dalam struktur yang sangat optimal. Pilihan desain ini memungkinkan operasi matematika secepat kilat yang mustahil dicapai dengan list Python biasa.
Objek inti ndarray merepresentasikan array n-dimensi dengan ukuran tetap dan tipe data identik di seluruh elemen. Batasan ini bukan pembatas, melainkan pembebas karena membuka operasi vektorisasi yang memproses seluruh array dalam perintah tunggal. Dokumentasi resmi NumPy menawarkan tutorial komprehensif dan contoh untuk menguasai kemampuan powerful ini.
NumPy menyediakan beberapa keunggulan penting untuk pemrograman ilmiah:
- Efisiensi tinggi karena diimplementasikan dalam bahasa C yang terkompilasi
- Vektorisasi memungkinkan operasi pada seluruh array tanpa loop eksplisit
- Konsumsi memori lebih kecil dibandingkan list Python
- Operasi matematika yang lengkap dan optimized
Vektorisasi adalah kemampuan untuk menerapkan operasi tunggal pada seluruh array sekaligus. Ini seperti memberi perintah kepada seluruh barisan tentara sekaligus, bukan satu per satu.
# Perkalian elemen menggunakan list Python (lambat)x = [1, 2, 3, 4, 5]y = [2, 3, 4, 5, 6]z = []for i in range(len(x)): z.append(x[i] * y[i])print("Hasil list:", z) # Output: Hasil list: [2, 6, 12, 20, 30]# Perkalian elemen menggunakan NumPy (cepat)import numpy as npx_np = np.array([1, 2, 3, 4, 5])y_np = np.array([2, 3, 4, 5, 6])z_np = x_np * y_npprint("Hasil NumPy:", z_np) # Output: Hasil NumPy: [ 2 6 12 20 30]Pembuatan Array Manual
Cara paling dasar untuk membuat array NumPy adalah mengkonversi struktur data Python yang sudah ada menjadi array.
Array satu dimensi seperti barisan angka dalam satu baris. Kamu dapat membuatnya dari list Python menggunakan fungsi np.array().
import numpy as np# Membuat array 1D dari lista = np.array([0, 1, 2, 3])print("Array 1D:", a) # Output: Array 1D: [0 1 2 3]print("Tipe data:", type(a)) # Output: Tipe data: <class 'numpy.ndarray'>print("Shape:", a.shape) # Output: Shape: (4,)print("Dimensi:", a.ndim) # Output: Dimensi: 1Array dua dimensi seperti tabel dengan baris dan kolom. Kamu bisa membuatnya dari list bertingkat (nested list).
import numpy as np# Membuat array 2D dari nested lista = np.array([[0, 1], [2, 3]])print("Array 2D:")print(a)# Output:# [[0 1]# [2 3]]print("Shape:", a.shape) # Output: Shape: (2, 2)print("Dimensi:", a.ndim) # Output: Dimensi: 2print("Total elemen:", a.size) # Output: Total elemen: 4Array tiga dimensi dapat diilustrasikan sebagai tumpukan tabel. Bayangkan seperti beberapa lembar kertas yang ditumpuk, di mana setiap lembar berisi tabel data.
import numpy as np# Membuat array 3Da = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])print("Array 3D:")print(a)# Output:# [[[ 1 2 3]# [ 4 5 6]]# [[ 7 8 9]# [10 11 12]]]print("Shape:", a.shape) # Output: Shape: (2, 2, 3)print("Axis 0 (planes):", a.shape[0]) # Output: Axis 0 (planes): 2print("Axis 1 (rows):", a.shape[1]) # Output: Axis 1 (rows): 2print("Axis 2 (columns):", a.shape[2]) # Output: Axis 2 (columns): 3Struktur Multidimensi
| Dimensi | Shape | Struktur | Contoh | Axis |
|---|---|---|---|---|
| 1D | (4,) | Barisan angka dalam satu baris | [0, 1, 2, 3] | Axis 0 untuk indeks elemen |
| 2D | (2, 2) | Tabel dengan baris dan kolom | [[0, 1], [2, 3]] | Axis 0 untuk baris, Axis 1 untuk kolom |
| 3D | (2, 2, 3) | Tumpukan tabel (planes) | 2 planes, setiap plane 2x3 | Axis 0 kedalaman, Axis 1 tinggi, Axis 2 lebar |
Semakin tinggi dimensi array, semakin kompleks struktur datanya, tetapi prinsip dasarnya tetap sama. Setiap axis mewakili satu dimensi pengorganisasian data.
NumPy dapat membuat array dari berbagai struktur data Python, termasuk list, tuple, dan campuran keduanya.
import numpy as np# Dari listarr_from_list = np.array([0, 1, 2, 3])print("Dari list:", arr_from_list) # Output: Dari list: [0 1 2 3]# Dari tuplearr_from_tuple = np.array((0, 1, 2, 3))print("Dari tuple:", arr_from_tuple) # Output: Dari tuple: [0 1 2 3]# Dari campuran (akan dikonversi ke tipe yang kompatibel)arr_mixed = np.array([0, 1, 2.5, 3])print("Dari campuran:", arr_mixed) # Output: Dari campuran: [0. 1. 2.5 3. ]print("Tipe data otomatis:", arr_mixed.dtype) # Output: Tipe data otomatis: float64Fungsi Pembuat Array
NumPy menyediakan berbagai fungsi khusus untuk membuat array dengan pola atau nilai tertentu. Ini seperti memiliki cetakan khusus untuk membuat kue dengan bentuk yang konsisten.
Fungsi Nilai Konstan
Fungsi np.ones() membuat array yang diisi dengan angka 1. Berguna ketika kamu perlu inisialisasi dengan nilai dasar.
import numpy as np# Array 1D dengan nilai 1a = np.ones(3)print("1D ones:", a) # Output: 1D ones: [1. 1. 1.]# Array 2D dengan nilai 1a = np.ones((2, 3))print("2D ones:")print(a)# Output:# [[1. 1. 1.]# [1. 1. 1.]]# Array 3D dengan nilai 1a = np.ones((2, 2, 3))print("3D ones shape:", a.shape) # Output: 3D ones shape: (2, 2, 3)print("3D ones:")print(a)# Output:# [[[1. 1. 1.]# [1. 1. 1.]]# [[1. 1. 1.]# [1. 1. 1.]]]Selain np.ones(), terdapat fungsi lain untuk membuat array dengan pola khusus:
import numpy as np# Array dengan nilai nola = np.zeros((2, 3))print("Zeros array:")print(a)# Output:# [[0. 0. 0.]# [0. 0. 0.]]# Array identitas (diagonal 1, lainnya 0)a = np.eye(3, 3)print("Identity matrix:")print(a)# Output:# [[1. 0. 0.]# [0. 1. 0.]# [0. 0. 1.]]# Array diagonal dengan nilai khususa = np.diag((1, 2, 3))print("Diagonal array:")print(a)# Output:# [[1 0 0]# [0 2 0]# [0 0 3]]Fungsi Random
Fungsi random berguna untuk membuat data simulasi atau inisialisasi dengan nilai acak.
import numpy as np# Set seed untuk hasil yang konsistennp.random.seed(10)# Array dengan nilai acak uniform antara 0 dan 1a = np.random.rand(2, 3)print("Random uniform [0,1]:")print(a)# Output:# [[0.77132064 0.02075195 0.63364823]# [0.74880388 0.49850701 0.22479665]]# Array dengan distribusi normal (mean=0, std=1)a = np.random.randn(3)print("Random normal:", a) # Output: Random normal: [ 0.62133597 -0.72008556 0.26551159]# Array dengan integer acak dalam rentang tertentua = np.random.randint(1, 10, size=(2, 3))print("Random integers [1,10):")print(a)# Output:# [[7 9 2]# [9 5 2]]Fungsi Matematika
Fungsi np.fromfunction memungkinkan pembuatan array berdasarkan fungsi matematika. Ini seperti memiliki formula untuk menghasilkan nilai setiap elemen berdasarkan posisinya.
import numpy as np# Membuat array menggunakan fungsidef f(i, j): return i + j# Array 2x3 dengan nilai berdasarkan fungsi f(i,j) = i + ja = np.fromfunction(f, (2, 3))print("Array dari fungsi f(i,j) = i + j:")print(a)# Output:# [[0. 1. 2.]# [1. 2. 3.]]# Fungsi yang lebih kompleksdef g(i, j): return i * j + 1b = np.fromfunction(g, (3, 3))print("Array dari fungsi g(i,j) = i*j + 1:")print(b)# Output:# [[1. 1. 1.]# [1. 2. 3.]# [1. 3. 5.]]Fungsi np.empty membuat array tanpa menginisialisasi nilai elemennya. Ini berguna ketika kamu akan mengisi array dengan nilai nanti dan ingin menghemat waktu inisialisasi.
import numpy as np# Membuat array kosong (nilai tidak terdefinisi)a = np.empty((3, 2))print("Empty array (nilai acak dari memori):")print(a)# Output akan bervariasi karena nilai tidak diinisialisasi# Contoh output:# [[0. 0.]# [0. 0.]# [0. 0.]]print("Shape:", a.shape) # Output: Shape: (3, 2)print("Dtype:", a.dtype) # Output: Dtype: float64Array dari Sequence
NumPy menyediakan fungsi khusus untuk membuat array dari urutan nilai dengan pola tertentu.
Fungsi np.arange
Fungsi np.arange adalah versi NumPy dari range() Python, tetapi dapat menghasilkan array dengan tipe data floating-point dan mengalokasikan memori langsung untuk elemen.
import numpy as np# Array dari 0 hingga 4a = np.arange(5)print("arange(5):", a) # Output: arange(5): [0 1 2 3 4]# Array dengan start, stop, dan stepa = np.arange(1.5, 3., 0.5)print("arange(1.5, 3., 0.5):", a) # Output: arange(1.5, 3., 0.5): [1.5 2. 2.5]# Array dengan step yang menghasilkan nilai desimala = np.arange(1.5, 4.)print("arange(1.5, 4.):", a) # Output: arange(1.5, 4.): [1.5 2.5 3.5]# Demonstrasi parameterprint("\nParameter arange(start, end, step):")print("- start, end, step dapat berupa float")print("- end dikecualikan dari hasil")print("- step default adalah 1")print("- start default adalah 0")Fungsi np.linspace
Berbeda dengan np.arange yang menggunakan step tetap, np.linspace membagi rentang menjadi sejumlah titik yang sama rata.
import numpy as np# Membuat 5 titik merata antara 0 dan 10a = np.linspace(0, 10, 5)print("linspace(0, 10, 5):", a) # Output: linspace(0, 10, 5): [ 0. 2.5 5. 7.5 10. ]# Membuat 11 titik merata antara -1 dan 1a = np.linspace(-1, 1, 11)print("linspace(-1, 1, 11):", a)# Output: linspace(-1, 1, 11): [-1. -0.8 -0.6 -0.4 -0.2 0. 0.2 0.4 0.6 0.8 1. ]# Perbandingan linspace vs arangeprint("\nPerbedaan linspace vs arange:")print("linspace: jumlah elemen diketahui, jarak dihitung")print("arange: jarak diketahui, jumlah elemen dihitung")Perbandingan arange vs linspace
| Aspek | np.arange | np.linspace |
|---|---|---|
| Parameter utama | start, stop, step | start, stop, num |
| Kontrol | Jarak antar elemen | Jumlah total elemen |
| Endpoint | Dikecualikan | Disertakan (default) |
| Tipe data | Mengikuti input | Selalu float (default) |
| Kegunaan | Sequence dengan jarak tetap | Pembagian rentang merata |
Operasi Dasar
Setelah membuat array, kamu dapat melakukan berbagai operasi untuk memanipulasi dan menganalisis data.
import numpy as np# Membuat array contoha = np.array([[1, 2, 3], [4, 5, 6]])print("Array:")print(a)# Output:# [[1 2 3]# [4 5 6]]print("Shape (bentuk):", a.shape) # Output: Shape (bentuk): (2, 3)print("Size (total elemen):", a.size) # Output: Size (total elemen): 6print("Ndim (dimensi):", a.ndim) # Output: Ndim (dimensi): 2print("Dtype (tipe data):", a.dtype) # Output: Dtype (tipe data): int64print("Itemsize (bytes per elemen):", a.itemsize) # Output: Itemsize (bytes per elemen): 8Array dapat diubah bentuknya menggunakan fungsi reshape() untuk mengatur ulang dimensi tanpa mengubah data:
import numpy as np# Array 1D dengan 12 elemena = np.arange(12)print("Array original:", a) # Output: Array original: [ 0 1 2 3 4 5 6 7 8 9 10 11]# Reshape ke 3x4b = a.reshape(3, 4)print("Reshape 3x4:")print(b)# Output:# [[ 0 1 2 3]# [ 4 5 6 7]# [ 8 9 10 11]]# Reshape ke 2x6c = a.reshape(2, 6)print("Reshape 2x6:")print(c)# Output:# [[ 0 1 2 3 4 5]# [ 6 7 8 9 10 11]]# Reshape dengan -1 (otomatis menghitung dimensi)d = a.reshape(4, -1)print("Reshape 4x-1 (otomatis):")print(d)# Output:# [[ 0 1 2]# [ 3 4 5]# [ 6 7 8]# [ 9 10 11]]