Cara menggunakan shape of list python

NumPy merupakan salah satu library Python yang banyak digunakan dalam proses analisis data karena fiturnya yang hebat

NumPy hampir menyerupai List pada Python tetapi lebih powerful. Ada beberap kelebihan NumPy dibandingkan List seperti size, performance dan functionally

Struktur data NumPy lebih membutuhkan ukuran yang lebih kecil dibandingkan dengan List tetapi mempunyai performa yang lebih cepat

Sebelum menggunakan NumPy di Python, terlebih dahulu library ini harus diimport

import numpy as np

Jika belum ada NumPy dapat diinstall terlebih dahulu menggunakan pip

pip install numpy

Contents

Membuat Array NumPy

Kita bisa membuat Array menggunakan NumPy dengan membungkusnya terlebih dahulu di List dan dirubah menjadi numpy array.

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

atau langsung tanpa membuat variabel list terlebih dahulu

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

Hasilnya akan seperti ini

array([1, 2, 3, 4, 5])

Ada beberapa fungsi lagi yang dapat digunakan dalam membuat array antara lain zeros(), ones(), arange(), linspace(), logspace(),

zeros()    -> Membuat array dengan nilai 0
ones()     -> Membuat array dengan nilai 1
arange()   -> Membuat array dengan nilai dalam range 
linspace() -> Membuat array dengan nilai dalam interval
logspace() -> Membuat array dengan nilai log Base10 dalam interval

Berikut contohnya

np.zeros(5) # membuat array dengan nilai 0 sebanyak 5 
np.ones(5) # membuat array dengan nilai 1 sebanyak 5 
np.arange(1, 10, 2) #arange(start, stop, step)
np.linspace(1, 10, 2) # linespace(start, stop, number)
np.logspace(1, 10, 2) # logspace(start, stop, number)

Hasilnya

[0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1.]
[1 3 5 7 9]
[ 1. 10.]
[1.e+01 1.e+10]

Multidimensional Array

Salah satu fitur menarik dari NumPy adalah dia mampu membuat multidimensional array dan melakukan manipulasi array dengan mudah dan cepat

Multidimensional array adalah array yang berbentuk lebih dari 1 dimensi (1D), bisa 2D, 3D, 4D dan seterusnya

Cara membuat multidimensional array sama dengan membuat array 1 dimensi, perbedaannya hanya pada parameter yang digunakan

Berikut contohnya membuat array 2 dimensi

arrku = np.array([[1,2,3,4,5], [2,4,6,8,10]])

Hasilnya

array([[ 1,  2,  3,  4,  5],
       [ 2,  4,  6,  8, 10]])

Array diatas adalah berbentuk (2,5) artinya mempunyai 2 baris dan 5 kolom

Kita bisa melihat jumlah elemen di setiap dimensi dengan menggunakan shape

pip install numpy

Indexing dan Slicing

Kita juga dapat melakukan indexing dan slicing terhadap array dengan mudah

Indexing dimulai dari 0 dan dimulai dengan notasi bracket “[ ]”

Misal kita ingin mencari nilai yang berada di index 0, 2, dan 4

pip install numpy

Hasilnya

pip install numpy

Untuk mengambil nilai berderet tambahkan “:”

pip install numpy

Kita juga dapat melakukan slicing di multidimensional array

pip install numpy

Nilai pada kolom index ke-1 dan baris index ke-1 adalah 4

Operasi Aritmatika

Kita bisa menggunakan operasi aritmatika seperti penjumlahan, pengurangan, perkalian, pembagian dan perpangkatan

Numpy menyediakan fungsi yang siap pakai untuk memudahkan kita melakukan perhitungan saintifik seperti matriks, aljabar, statistik, dan sebagainya.

Mengapa kita butuh Numpy?

Bukannya di Python sudah ada list dan modul math ya? 🤔

Betul, list dan math memang bisa kita pakai buat perhitungan saintifik. Namun masih kurang lengkap, karena beberapa operasi perhitungan harus kita buat secara manual.

Contoh:

Kita ingin menghitung hasil penjumlahan tiap elemen di list.

# kita punya list a dan b
a = [1, 2, 3]
b = [4, 5, 6]

# lalu kita jumlahkan
hasil = a + b

print(hasil) # [1, 2, 3, 4, 5, 6]

Hasilnya tidak sesui dengan yang kita harapkan. Seharusnya tiap elemen dijumlahkan, tapi malah list-nya digabungkan.

Jika ingin menjumlahkan, maka kita harus membuat rumus atau fungsi secara manual seperti ini:

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Karena itu, biar gak repot buat secara manual dari nol.. sebaiknya pakai yang sudah ada dari Numpy.

Selain itu, performa Numpy juga lebih cepat dibandingkan list. Soalnya library Numpy ditulis dengan bahasa C dan sebagaian lagi Python.

Oke.. lalu gimana cara install dan pakai Numpy?

Mari kita lanjut pelajari:

Cara Menginstall Numpy

Numpy dapat kita install dengan package manager

pip install numpy

Jalankan perintah berikut di Terminal atau CMD untuk menginstal Numpy:

pip install numpy

Cukup jalankan perintah ini sekali saja, maka Numpy akan terinstal di komputermu.

Setelah berhasil menginstal, selanjutnya kita pelajari:

Cara Menggunakan Numpy

Numpy harus kita impor dulu agar bisa digunakan di dalam program.

Contoh:

import numpy as np

Pada contoh ini, kita mengimpor

pip install numpy

pip install numpy

Setelah itu, barulah kita bisa pakai fungsi-fungsi yang ada di

pip install numpy

Contoh:

Membuat array dengan Numpy

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

Variabel

pip install numpy

pip install numpy

Jangan bingung dengan istilah

pip install numpy

..ini artinya n dimension array.

Secara simpel, artinya: array multi dimensi.

Latihan: Membuat Array dengan Numpy

Buatlah file baru beranam

pip install numpy

import numpy as np

# membuat array
nilai_siswa = np.array([85, 55, 40, 90])

# mengakses data pada array
print(nilai_siswa[3])

Setelah itu, coba jalankan.

Maka hasilnya:

Pada latihan ini, kita bisa tau..

..kalau array di Numpy cara akses datanya sama seperti list.

Membuat Matriks dengan Numpy

Matriks di dalam kode program biasanya dibuat dengan array dua dimensi, ini karena matrik terdiri dari baris dan kolom.

Dimensi pertama berperan sebagai kolom dan dimensi kedua akan berperan seabgai baris.

Contoh:

matriks = [[1,2,3],
           [4,5,6],
           [7,8,9]]

Pada contoh ini kita membuat list dua dimensi dengan list.

Jika ingin membuat matriks dengan Numpy, maka kita bisa pakai fungsi

import numpy as np

Contoh:

matrik_np = np.array([[1,2,3],
                      [4,5,6],
                      [7,8,9]])

Cara mengakses datanya juga sama seperti list.

Misal mau ngambil angka

import numpy as np

print(matrik_np[1][1])

Ini karena angka

import numpy as np

Ingat, list atau array itu indeksnya selalu dimulai dari nol.

Jika mau ambil angka

import numpy as np

Gampang…

Tunggal tulis seperti ini:

print(matrik_np[0][2])

Ini karena angka

import numpy as np

Gampang kan?

Saya anggap kamu sudah paham.

Selanjutnya kita akan belajar operasi matriks dengan Numpy.

Operasi Matriks dengan Numpy

Jika kamu menggunakan list di Python untuk operasi matriks, maka kamu akan membaut operasinya secara manual dengan perulangan.

Contohnya seperti ini:

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Ini tentu merepotkan, karena kita harus membuat sendiri operasinya.

Tapi tenang saja..

..di Numpy kita bisa melakukan operasi matrik dengan mudah, semudah melakan operasi pada bilangan.

Mari kita coba!

Penjumlahan matriks

Buat file baru dengan nama

import numpy as np

penjumlahan_matrik.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Pengurangan matriks

Buat file baru dengan nama

import numpy as np

pengurangan_matrik.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Perkalian matriks

Buat file baru dengan nama

import numpy as np

perkalian_matrik.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Pembagian matriks

Buat file baru dengan nama

import numpy as np

pembagian_matrik.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Mantap! 👍

Cukup mudah bukan?

Berikutnya kita akan belajar tentang

Transformasi Matriks dengan Numpy

Transformasi Matrik artinya mengubah bentuk matrik ke bentuk yang lain.

Ada tiga fungsi yang digunakan untuk transformasi matrik:

• import numpy as np

  9 untuk membalik matrik;

• my_array = np.array([1, 2, 3, 4])

  0 untuk mengubah bentuk matrik ke ukuran tertentu;

• my_array = np.array([1, 2, 3, 4])

  1 dan

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

  2 untuk mengubah matrik menjadi list atau vektor.

Mari kita coba!

Latihan: Transpose Matrik dengan Numpy

Buatlah file baru dengan nama

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

balik_matrik.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Selain menggunakan teknik di atas, kita juga bisa membalik matrik seperti ini.

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Latihan: Mengubah bentuk ukuran Matrik

Buatlah file baru dengan nama

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

matrik_reshape.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Pada contoh ini, kita mengubah sebuah list menjadi matrik 2x3. Atribut

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

Matrik yang sudah kita reshape, bisa juga kita kembalikan lagi dengan fungsi

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

Contoh:

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Angka

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

Latihan: Mengubah Matrik ke List Vektor

Buatlah file baru dengan nama

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

matrik_flat.py

def add(list_a, list_b):
  result = []
  for first, second in zip(list_a, list_b):
    result.append(first + second)
  return result

Setelah itu, coba jalankan!

Maka hasilnya:

Sejauh ini kita sudah bisa menggunakan Numpy untuk membuat list dan matrik.

Berikutnya kita akan coba fungsi-fungsi untuk pengolahan data.

Fungsi Pengolahan Data di Numpy

Kalau kamu pernah belajar statistik, mungkin tidak akan asing dengan mean (rata-rata), sum, min, max, dll.

Nah, di Numpy.. kita sudah disediakan fungsi-fungsi ini. Sehingga pengolahan data akan jadi lebih mudah.

Mari kita langsung coba aja contohnya.

Buatlah file baru dengan nama

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

pip install numpy

Setelah itu coba jalankan!

Maka hasilnya:

Mantap! 👍

Dengan adanya fungsi-fungsi ini, kerjaan Data Science kita akan jadi lebih mudah.

Apa Selanjutnya?

Sejauh ini kita sudah paham dan tahu apa itu Numpy dan gimana cara pakainya.

Sebenarnya masih banyak lagi fungsi-fungsi yang belum kita bahas. Tentu tidak akan cukup jika saya bahas semua di sini.