NumPy, singkatan dari Numerical Python, adalah library inti dalam ekosistem Python untuk komputasi ilmiah. Dikembangkan pertama kali pada tahun 2005 oleh Travis Oliphant, NumPy menyediakan struktur data array multidimensi yang kuat, bersama dengan koleksi besar fungsi matematika dan logika operasional yang dikembangkan dengan C, sehingga memberikan kinerja yang sangat cepat.
1. Pengenalan tentang NumPy
NumPy dirancang untuk bekerja dengan array dan matriks numerik secara efisien. Salah satu keunggulan utama NumPy adalah kemampuannya untuk melakukan operasi vektorisasi, di mana operasi yang sama dapat diterapkan pada seluruh array dengan cepat dan efisien. Ini membuat NumPy menjadi pilihan utama untuk berbagai aplikasi komputasi ilmiah dan analisis data.
NumPy juga menyediakan berbagai fungsi untuk melakukan operasi matematika, transformasi Fourier, manipulasi array, operasi logika, dan banyak lagi. Dengan demikian, NumPy menjadi fondasi bagi banyak library lain dalam ekosistem Python, termasuk Pandas, SciPy, Matplotlib, dan banyak lagi.
Berikut adalah beberapa fitur utama NumPy:
- Array Multidimensi: NumPy menyediakan struktur data array n-dimensi yang efisien, yang memungkinkan Anda untuk menyimpan dan memanipulasi data dalam bentuk array.
-
Operasi Vektorisasi: NumPy mendukung operasi vektorisasi, di mana operasi yang sama dapat diterapkan pada seluruh array dengan cepat dan efisien, tanpa perlu menggunakan loop.
-
Fungsi Matematika: NumPy menyediakan berbagai fungsi matematika, seperti sin, cos, exp, log, dan banyak lagi, yang dapat diterapkan pada array secara elemen per elemen.
-
Indeks dan Irisan: NumPy menyediakan cara yang fleksibel untuk mengakses dan memanipulasi elemen-elemen dalam array menggunakan indeks dan irisan (slicing).
-
Fungsi Statistik: NumPy menyediakan berbagai fungsi statistik, seperti mean, median, std, var, dan banyak lagi, untuk melakukan analisis statistik pada array.
Dengan kombinasi fitur-fitur ini, NumPy menjadi alat yang sangat kuat untuk melakukan berbagai tugas komputasi ilmiah, termasuk pemrosesan data, analisis statistik, visualisasi data, dan banyak lagi.
Dalam artikel ini, kita akan menjelajahi berbagai aspek dari NumPy, termasuk cara membuat dan mengoperasikan array, melakukan operasi matematika dan statistik, mengakses dan memanipulasi elemen array, dan berbagai aplikasi praktis NumPy dalam komputasi ilmiah dan analisis data.
Berikutnya, kita akan memulai dengan pembahasan tentang array NumPy dan cara menggunakannya dalam Python.
2. Array NumPy
Array NumPy adalah struktur data utama dalam NumPy yang digunakan untuk menyimpan data multidimensi. Mereka memiliki beberapa keunggulan dibandingkan dengan list Python, termasuk penggunaan memori yang lebih efisien, kinerja yang lebih cepat, dan kemampuan untuk melakukan operasi vektorisasi.
import numpy as np
# Membuat array NumPy
arr = np.array([1, 2, 3, 4, 5])
print(arr) # Output: [1 2 3 4 5]
# Membuat array 2D
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr_2d)
# Output:
# [[1 2 3]
# [4 5 6]]
Array NumPy dapat memiliki berbagai dimensi, mulai dari array satu dimensi hingga array multidimensi. Anda dapat membuat array NumPy dari list Python menggunakan fungsi np.array(). Array NumPy juga dapat dibuat menggunakan fungsi-fungsi khusus seperti np.zeros(), np.ones(), atau np.arange().
# Membuat array dengan ukuran tertentu dan diisi dengan nilai nol
arr_zeros = np.zeros((2, 3))
print(arr_zeros)
# Output:
# [[0. 0. 0.]
# [0. 0. 0.]]
# Membuat array dengan ukuran tertentu dan diisi dengan nilai satu
arr_ones = np.ones((3, 2))
print(arr_ones)
# Output:
# [[1. 1.]
# [1. 1.]
# [1. 1.]]
# Membuat array dengan rentang nilai tertentu
arr_range = np.arange(1, 10, 2)
print(arr_range) # Output: [1 3 5 7 9]
Array NumPy juga memiliki atribut penting seperti shape untuk mengetahui bentuk array, dtype untuk mengetahui tipe data array, dan size untuk mengetahui jumlah elemen dalam array.
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # Output: (2, 3)
print(arr.dtype) # Output: int64
print(arr.size) # Output: 6
Dengan kemampuan untuk membuat dan mengoperasikan array multidimensi dengan mudah, NumPy menjadi pilihan utama untuk komputasi ilmiah dan analisis data dalam Python. Selanjutnya, kita akan menjelajahi operasi dasar yang dapat dilakukan pada array NumPy.
3. Operasi Dasar pada Array
NumPy menyediakan berbagai operasi dasar untuk bekerja dengan array, termasuk operasi aritmatika, pemangkatan, pengakaran, serta berbagai fungsi matematika seperti sin, cos, dan logaritma.
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# Operasi aritmatika
print(arr + 1) # Output: [2 3 4 5 6]
# Operasi pemangkatan
print(arr ** 2) # Output: [ 1 4 9 16 25]
# Fungsi matematika
print(np.sqrt(arr)) # Output: [1. 1.41421356 1.73205081 2. 2.23606798]
Anda juga dapat melakukan operasi aritmatika antara dua array NumPy. Dalam hal ini, operasi dilakukan pada elemen-elemen yang sesuai dari kedua array.
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Penambahan elemen per elemen
print(arr1 + arr2) # Output: [5 7 9]
# Pengurangan elemen per elemen
print(arr2 - arr1) # Output: [3 3 3]
# Perkalian elemen per elemen
print(arr1 * arr2) # Output: [ 4 10 18]
# Pembagian elemen per elemen
print(arr2 / arr1) # Output: [4. 2.5 2.]
NumPy juga menyediakan berbagai fungsi untuk melakukan operasi statistik pada array, seperti menghitung rata-rata, median, standar deviasi, dan banyak lagi.
arr = np.array([1, 2, 3, 4, 5])
# Rata-rata
print(np.mean(arr)) # Output: 3.0
# Median
print(np.median(arr)) # Output: 3.0
# Standar deviasi
print(np.std(arr)) # Output: 1.4142135623730951
Dengan berbagai operasi dasar yang tersedia, Anda dapat melakukan berbagai manipulasi dan analisis data dengan mudah menggunakan NumPy. Selanjutnya, kita akan menjelajahi cara mengakses dan memanipulasi elemen array menggunakan indeks dan irisan (slicing).
4. Indeks dan Irisan Array
NumPy menyediakan cara yang fleksibel untuk mengakses dan memanipulasi elemen-elemen dalam array menggunakan indeks dan irisan (slicing). Ini memungkinkan Anda untuk mengambil bagian-bagian tertentu dari array dengan mudah.
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# Mengakses elemen array menggunakan indeks
print(arr[0]) # Output: 1
# Mengambil irisan array
print(arr[1:4]) # Output: [2 3 4]
Indeks array dimulai dari 0, yang berarti elemen pertama dalam array memiliki indeks 0, elemen kedua memiliki indeks 1, dan seterusnya. Anda juga dapat menggunakan indeks negatif untuk mengakses elemen dari belakang array.
# Mengakses elemen terakhir dalam array
print(arr[-1]) # Output: 5
# Mengambil irisan array dari belakang
print(arr[-3:]) # Output: [3 4 5]
Untuk array multidimensi, Anda dapat menggunakan indeks dan irisan pada setiap dimensi.
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# Mengakses elemen tertentu dalam array 2D
print(arr_2d[1, 1]) # Output: 5
# Mengambil irisan array 2D
print(arr_2d[:2, 1:]) # Output: [[2 3]
# [5 6]]
Dengan menggunakan indeks dan irisan, Anda dapat mengambil bagian-bagian tertentu dari array sesuai dengan kebutuhan Anda. Selanjutnya, kita akan menjelajahi berbagai fungsi matematika dan statistik yang tersedia dalam NumPy.
Berkenalan dengan NumPy: Library Python untuk Komputasi Ilmiah – Bagian 2
0 Comments