Memahami NumPy pada Python: Panduan Dasar untuk Pemula

NumPy (Numerical Python) adalah salah satu library paling populer dalam ekosistem Python untuk komputasi ilmiah.

Library ini menyediakan dukungan untuk array multidimensi besar dan beragam fungsi matematika tingkat tinggi untuk operasi pada array tersebut.

Dalam artikel ini, kita akan membahas dasar-dasar NumPy dan beberapa fungsionalitas utamanya.

1. Mengapa Memilih NumPy?

NumPy menyediakan berbagai keuntungan dibandingkan dengan daftar (list) bawaan Python:

• Efisiensi Memori: Array NumPy lebih efisien dalam hal penggunaan memori dibandingkan dengan list Python.
• Kecepatan: Operasi pada array NumPy lebih cepat karena diimplementasikan dalam C.
• Fungsionalitas Matematika: NumPy menyediakan banyak fungsi matematika yang efisien untuk operasi pada array multidimensi.

2. Instalasi NumPy

Untuk menggunakan NumPy, Anda harus menginstalnya terlebih dahulu. Anda dapat menginstal NumPy menggunakan pip:

pip install numpy

3. Memulai dengan NumPy

a. Import NumPy

Langkah pertama adalah mengimpor library NumPy ke dalam skrip Python Anda:

import numpy as np

b. Membuat Array NumPy

Anda dapat membuat array NumPy dari list Python menggunakan fungsi np.array():

import numpy as np

# Membuat array 1D

array_1d = np.array([1, 2, 3, 4, 5])

print(“Array 1D:”, array_1d)

# Membuat array 2D

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

print(“Array 2D:\n”, array_2d)

c. Membuat Array dengan Fungsi Bawaan

NumPy menyediakan berbagai fungsi untuk membuat array dengan cara yang lebih efisien:

# Membuat array dengan zeros

zeros_array = np.zeros((3, 3))

print(“Array dengan zeros:\n”, zeros_array)

# Membuat array dengan ones

ones_array = np.ones((2, 4))

print(“Array dengan ones:\n”, ones_array)

# Membuat array dengan range

range_array = np.arange(10)

print(“Array dengan range:”, range_array)

# Membuat array dengan linspace

linspace_array = np.linspace(0, 1, 5)

print(“Array dengan linspace:”, linspace_array)

4. Operasi Dasar pada Array

a. Operasi Aritmatika

NumPy mendukung berbagai operasi aritmatika pada array:

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

# Penjumlahan

sum_array = a + b

print(“Penjumlahan:”, sum_array)

# Pengurangan

sub_array = a – b

print(“Pengurangan:”, sub_array)

# Perkalian

mul_array = a * b

print(“Perkalian:”, mul_array)

# Pembagian

div_array = a / b

print(“Pembagian:”, div_array)

b. Operasi Matematika

NumPy menyediakan banyak fungsi matematika:

# Fungsi sinsin_array = np.sin(a)print(“Fungsi sin:”, sin_array) # Fungsi loglog_array = np.log(a)print(“Fungsi log:”, log_array) # Fungsi eksponensialexp_array = np.exp(a)print(“Fungsi eksponensial:”, exp_array)

5. Indexing dan Slicing

Anda dapat mengakses elemen atau subset dari array NumPy menggunakan indexing dan slicing:

array = np.array([1, 2, 3, 4, 5]) # Mengakses elemen tunggalprint(“Elemen ke-0:”, array[0]) # Mengakses elemen dengan slicingprint(“Elemen dari indeks 1 hingga 3:”, array[1:4]) # Mengubah nilai elemenarray[2] = 10print(“Array setelah perubahan:”, array)

6. Operasi pada Array Multidimensi

a. Indexing dan Slicing pada Array 2D

Untuk array 2D, Anda dapat menggunakan indeks baris dan kolom:

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # Mengakses elemenprint(“Elemen pada baris 1 kolom 2:”, array_2d[1, 2]) # Mengakses seluruh baris atau kolomprint(“Baris ke-0:”, array_2d[0, :])print(“Kolom ke-1:”, array_2d[:, 1])

b. Operasi Agregasi

NumPy menyediakan fungsi agregasi seperti sum, mean, max, dan min:

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # Jumlah totalprint(“Jumlah total:”, np.sum(array_2d)) # Rata-rataprint(“Rata-rata:”, np.mean(array_2d)) # Nilai maksimumprint(“Nilai maksimum:”, np.max(array_2d)) # Nilai minimumprint(“Nilai minimum:”, np.min(array_2d))

7. Manipulasi Bentuk Array

Anda dapat mengubah bentuk array tanpa mengubah datanya menggunakan fungsi reshape:

array = np.arange(12)print(“Array asli:”, array) reshaped_array = array.reshape((3, 4))print(“Array setelah reshape:\n”, reshaped_array)

NumPy adalah library yang sangat powerful untuk komputasi ilmiah dalam Python. Dengan array multidimensi yang efisien dan berbagai fungsi matematika yang canggih, NumPy mempermudah pengolahan data dan komputasi numerik.

Memahami dasar-dasar NumPy adalah langkah pertama yang penting bagi siapa pun yang ingin mendalami pemrograman Python untuk analisis data, machine learning, atau bidang ilmiah lainnya. itulah pembahasan dasar-dasar NumPy dan beberapa fungsionalitas utamanya