Apa saja yang bisa dilakukan oleh library NumPy?

• Nearly every scientist working in Python draws on the power of NumPy.

  NumPy brings the computational power of languages like C and Fortran to Python, a language much easier to learn and use. With this power comes simplicity: a solution in NumPy is often clear and elegant.

• NumPy's API is the starting point when libraries are written to exploit innovative hardware, create specialized array types, or add capabilities beyond what NumPy provides.

  	Array Library	Capabilities & Application areas
  	Dask	Distributed arrays and advanced parallelism for analytics, enabling performance at scale.
  	CuPy	NumPy-compatible array library for GPU-accelerated computing with Python.
  	JAX	Composable transformations of NumPy programs: differentiate, vectorize, just-in-time compilation to GPU/TPU.
  	Xarray	Labeled, indexed multi-dimensional arrays for advanced analytics and visualization
  	Sparse	NumPy-compatible sparse array library that integrates with Dask and SciPy's sparse linear algebra.
  	PyTorch	Deep learning framework that accelerates the path from research prototyping to production deployment.
  	TensorFlow	An end-to-end platform for machine learning to easily build and deploy ML powered applications.
  	MXNet	Deep learning framework suited for flexible research prototyping and production.
  	Arrow	A cross-language development platform for columnar in-memory data and analytics.
  	xtensor	Multi-dimensional arrays with broadcasting and lazy computing for numerical analysis.
  	XND	Develop libraries for array computing, recreating NumPy's foundational concepts.
  	uarray	Python backend system that decouples API from implementation; unumpy provides a NumPy API.
  	tensorly	Tensor learning, algebra and backends to seamlessly use NumPy, MXNet, PyTorch, TensorFlow or CuPy.

• 

  NumPy lies at the core of a rich ecosystem of data science libraries. A typical exploratory data science workflow might look like:

  • Extract, Transform, Load: Pandas, Intake, PyJanitor
  • Exploratory analysis: Jupyter, Seaborn, Matplotlib, Altair
  • Model and evaluate: scikit-learn, statsmodels, PyMC3, spaCy
  • Report in a dashboard: Dash, Panel, Voila

  For high data volumes, Dask and Ray are designed to scale. Stable deployments rely on data versioning (DVC), experiment tracking (MLFlow), and workflow automation (Airflow and Prefect).

  

• 

  Source: Google AI Blog

  NumPy forms the basis of powerful machine learning libraries like scikit-learn and SciPy. As machine learning grows, so does the list of libraries built on NumPy. TensorFlow’s deep learning capabilities have broad applications — among them speech and image recognition, text-based applications, time-series analysis, and video detection. PyTorch, another deep learning library, is popular among researchers in computer vision and natural language processing. MXNet is another AI package, providing blueprints and templates for deep learning.

  Statistical techniques called ensemble methods such as binning, bagging, stacking, and boosting are among the ML algorithms implemented by tools such as XGBoost, LightGBM, and CatBoost — one of the fastest inference engines. Yellowbrick and Eli5 offer machine learning visualizations.

• 
  
  
  
  
  
  
  

  NumPy is an essential component in the burgeoning Python visualization landscape, which includes Matplotlib, Seaborn, Plotly, Altair, Bokeh, Holoviz, Vispy, Napari, and PyVista, to name a few.

  NumPy’s accelerated processing of large arrays allows researchers to visualize datasets far larger than native Python could handle.

Data science sudah menjadi bidang ilmu teknologi yang disukai dikalangan tech enthusiast. Banyak orang yang mulai mempelajari data science dan bercita-cita bekerja di bidang ini. Namun, tidak semua orang mampu dengan mudah mempelajari bidang ilmu ini. Terutama bagi orang-orang yang selalu menghindari matematika dan statistika. Hal ini dikarenakan dalam pengelohan data, matematika dan statistika adalah ilmu yang membuatnya bisa bekerja.

Nah, perkembangan data science juga tak lepas dari Python, salah satu bahasa pemrograman high-level yang bisa dikatakan multi-platform. Python adalah salah satu bahasa pemrograman data science yang paling populer. Di mana, pemrograman ini bersifat interaktif, portabel, dan object-oriented. Selain itu, Python juga dijalankan di berbagai macam sistem, termasuk Windows, Linux, dan macOS.

Saat ini, Python juga didukung oleh banyak library yang merupakan kode program tambahan yang digunakan untuk kebutuhan tertentu. Setidaknya Python telah memiliki ribuan library yang dikembangkan melalui projek open-source, sehingga para pemula bisa belajar secara gratis.

Berikut library Python yang digunakan untuk data science:

1. Matplotlib

Matplotlib adalah salah satu library paling umum dalam Python. Di mana, library ini digunakan untuk membuat visualisasi data yang statis, animasi, dan interaktif dalam bentuk 2D atau 3D. Format penulisan library ini di Python, yaitu “import matplotlib.pyplot as plt”. Di mana, kata “plt” merupakan singkatan umum yang digunakan untuk menyebut matplotlib. Selain itu, Matplotlib dapat membantu dengan mudah dalam membuat plot atau grafik untuk menampilkan hasil analisa berbentuk visual. Plot atau grafik ini juga dapat di-custom sesuai keinginan. Asalkan data dapat ditampilkan dengan menarik dan bisa mendapatkan insights yang berguna bagi perusahaan.

2. NumPy

NumPy adalah Python software library gratis untuk komputasi numerik pada data yang dapat berupa array besar dan matriks multi-dimensi. Matriks multidimensi ini adalah objek utama di NumPy, di mana dimensinya disebut sumbu dan jumlah sumbu disebut peringkat. NumPy juga menyediakan berbagai tools untuk bekerja dengan array dan fungsi matematika tingkat tinggi untuk memanipulasi data dengan aljabar linier, transformasi Fourier, pengurutan angka acak, dll. Beberapa operasi array dasar yang dapat dilakukan menggunakan NumPy termasuk menambahkan, mengiris, mengalikan, meratakan, membentuk kembali, dan mengindeks array. Fungsi lanjutan lainnya termasuk menumpuk array, membaginya menjadi beberapa bagian, menyiarkan array, dll.

3. SciPy

SciPy adalah software library gratis untuk komputasi ilmiah dan teknis pada data. Library SciPy dibangun di atas objek array NumPy dan merupakan bagian dari tumpukan NumPy yang juga mencakup library dan tool komputasi ilmiah lainnya seperti Matplotlib, SymPy, panda, dll. SciPy memungkinkan berbagai tugas komputasi ilmiah yang menangani pengoptimalan data, integrasi data, interpolasi data, dan modifikasi data menggunakan aljabar linier, transformasi Fourier, pembuatan bilangan acak, fungsi khusus, dll. Sama seperti NumPy, matriks multidimensi adalah objek utama dalam SciPy, yang disediakan oleh modul NumPy itu sendiri.

4. Pandas

Pandas merupakan library Python paling terkenal untuk data science. Library ini memungkinkan untuk memuat data, memanipulasinya, menghitung beberapa properti statistik, bahkan menangani duplikat. Selain itu, ini memberi struktur data yang cepat, fleksibel, dan ekspresif, sehingga memudahkan untuk bekerja dengan data relasional dan terstruktur. Serta, Pandas juga dapat melakukan proses, misalnya pada SQL seperti agregasi, join, group by, dan lain-lain. Adapun format yang digunakan pada library ini. Di mana untuk format file, yang bisa dibaca adalah csv, tsv, dan txt. Lalu, untuk penulisan saat akan menggunakan Pandas pada Python adalah “import pandas as pd” dan akan diproses sebagai perintah untuk memanggil library Pandas.

5. TensorFlow

TensorFlow adalah salah satu library Python paling populer untuk mengimplementasikan neural networks. Ini menggunakan array multi-dimensi, juga dikenal sebagai tensor, yang memungkinkannya melakukan beberapa operasi pada input tertentu. Pada dasarnya TensorFlow merupakan kerangka kerja untuk mendefinisikan dan menjalankan komputasi yang melibatkan tensor. Di mana, sebagiannya didefinisikan sebagai objek komputasi yang pada akhirnya menghasilkan nilai. Dikarenakan sifatnya sangat paralel, TensorFlow dapat melatih beberapa neural networks dan GPU untuk model yang sangat efisien dan skalabel. Fitur TensorFlow ini juga disebut pipelining.

6. Keras

Mirip dengan TensorFlow, Keras adalah library populer lainnya yang digunakan secara ekstensif untuk modul deep learning dan neural network. Keras mendukung back end TensorFlow, jadi ini adalah opsi yang bagus jika kamu tidak ingin mendalami detail TensorFlow. Keras menawarkan utilitas untuk mengompilasi model, visualisasi grafik, dan analisis dataset. Selain itu, Keras menawarkan datasets yang telah diberi label dan dapat diimpor, serta dimuat secara langsung.

Selain yang sudah disebutkan di atas, adakah library Python lain yang kamu ketahui? Apa pengalamanmu dengan library tersebut? Share di kolom komentar, ya! Selain itu, kalau kamu memiliki ketertarikan bekerja di bidang data science, bisa banget untuk baca artikel Coding Studio mengenai skills yang harus dimiliki seorang Data Scientist.