Cara menggunakan NUMPY.SAVETXT pada Python

Halo pembaca setia Codekey! Kali ini kami akan melanjutkan tutorial bahasa pemrograman phyton yang ke 14 khusus untuk Anda. Kali ini Anda akan mendapatkan tutorial cara menggunakan Numpy Array.

Numpy array sendiri merupakan alternatif dari Phyton List. Sudah tidak sabar untuk mengetahui caranya? Simak penjelasan lengkapnya di bawah ini:

Mengenal Numpy Array pada Bahasa Pemrograman Python

Numpy array adalah alternatif yang baik untuk List Python. Beberapa keunggulan utama numpy array ialah cepat, mudah digunakan, dan memberi pengguna kesempatan untuk melakukan penghitungan di seluruh array.

Dalam contoh berikut di bawah ini, Anda akan membuat dua daftar Python terlebih dahulu. Kemudian, Anda akan mengimpor paket numpy dan membuat numpy array dari daftar yang baru dibuat. Berikut ini syntaxnya:

Artikel Terkait  Tutorial Python 5 : Pengenalan Operasi Python

#mencetak 2 lists tinggi dan berat
tinggi = [1.87,  1.87, 1.82, 1.91, 1.90, 1.85]
berat = [81.65, 97.52, 95.25, 92.98, 86.18, 88.45]

# Import Package Numpy sebagai np
import numpy as np

# mengubah list yang di deklarasi kedalam bentuk Numpy Array
np_tinggi = np.array(tinggi)
np_berat = np.array(berat)

#Cara mencetak np_tinggi ialah dengan menggunakan syntax:
print(type(np_tinggi))

Cara Melakukan Perhitungan Berdasarkan Elemen

Sekarang Anda dapat melakukan kalkulasi berdasarkan elemen pada tinggi dan berat. Misalnya, Anda bisa mengambil semua 6 pengamatan tinggi dan berat badan di atas, dan menghitung BMI untuk setiap pengamatan dengan persamaan tunggal.

Operasi ini sangat cepat dan efisien secara komputasi. Cara ini akan sangat membantu ketika Anda memiliki 1000 pengamatan di data Anda. Sintaksnya dapat Anda lihat seperti contoh berikut:

# Menghitung bmi
bmi = np_berat / np_tinggi ** 2

# Mencetak Hasil
print(bmi)

Subset pada Numpy Array

Fitur hebat lainnya dari numpy array adalah kemampuan untuk membuat subset. Misalnya, jika Anda ingin mengetahui observasi mana dalam larik BMI yang di atas 23, Anda dapat dengan cepat men-subsetnya untuk mengetahuinya. Caranya ialah dengan menggunakan sintaks berikut:

# untuk merespons perintah boolean
bmi > 23

# mencetak perintah
bmi[bmi > 23]

Nah itulah tadi penjelasan tutorial cara menggunakan numpy array pada bahasa pemrograman phyton. Cukup mudah dan singkat bukan? Tentunya Anda dapat memahami tutorial kali ini dengan mudah. Untuk dapat memahaminya dengan lebih baik, jangan lupa untuk terus berlatih dan mempelajari tutorial-tutorial berikutnya.

One thing that may inseparable when we do programming is matrix. For simple application our data may only consist of 1 row or 1 column, so we don’t consider it as a matrix. However, when we need to handle so many datas we need to handle those datas in MxN or NxN matrix. We can handle it in traditional way using python. Usually people will create it as list inside list. Or the fastest way is using Numpy from Scipy library. Using Numpy is advised especially when you need to display the result in matrix form. On the other side, if your data is very large, Numpy will only display it as a first 3 data and last 3 data.

First we need to consider row and column as it: (image resource)

Row is all data in horizontal line, when column is in vertical line. So the first row (row=0) consist of

[[0,0,0],[0,0,0],[0,0,0]]

[[0,0,0],[0,0,0],[0,0,0]]

[[0,0,0],[0,0,0],[0,0,0]]

[[0,0,0],[0,0,0],[0,0,0]]

[[0,0,0],[0,0,0],[0,0,0]]

[[0,0,0],[0,0,0],[0,0,0]]

Matrix using python list:

Creating square matrix will be easier to understand for the beginning. Let say you want to create NxN matrix which index

[[0,0,0],[0,0,0],[0,0,0]]

matrix=[] #define empty matrix
row=[] #Mistake position 
for i in xrange(3): #total row is 3
    row=[] #Credits for Hassan Tariq for noticing it missing
    for j in xrange(3): #total column is 3
        row.append(0) #adding 0 value for each column for this row
    matrix.append(row) #add fully defined column into the row
print matrix

You can see the detail in each line. This code will resulting:

[[0,0,0],[0,0,0],[0,0,0]]

With all the data zero. You can modify it as you wish, such as changing 0 to i then it become

[[1,1,1],[2,2,2],[3,3,3]]

or change 0 to j so it will be:

[[1,2,3],[1,2,3],[1,2,3]]

However, if you want the result to be written inside a file, converting each row and column will be tricky.

Then how to make it MxN matrix? You simply make i and j value different:

for i in xrange(3): 
    for j in xrange(2): 

and this will give you:

[[0,0],[0,0],[0,0]]

Matrix using Numpy:

Numpy already have built-in array. It’s not too different approach for writing the matrix, but seems convenient. If you want to create zero matrix with total i-number of row and column just write:

import numpy
i = 3
a = numpy.zeros(shape=(i,i))

And if you want to change the respective data, for example:

for i in xrange(3):
    a[0][i] = i+1
    a[i][0] = i+1

it will give you:

[[1    2    3]
 [2    0    0]
 [3    0    0]]

The result displayed in array format, so it easy for you to observe the matrix. However, in case your data is so large (i.e. 100):

Apa kegunaan NumPy pada python?

Apa singkatan dari Ndarray?

Reshape untuk apa?