Jika Anda baru mengenal pemrograman dan ingin mempelajari cara bekerja dengan data numerik dengan python, NumPy adalah perpustakaan penting untuk dikuasai.
Perkenalan
NumPy adalah singkatan dari 'Python Numerik'. Ini adalah paket untuk analisis data dan komputasi ilmiah dengan Python. NumPy menggunakan objek array multidimensi, dan memiliki fungsi serta alat untuk bekerja dengan array ini. Array n-dimensi yang kuat di NumPy mempercepat pemrosesan data. NumPy dapat dengan mudah dihubungkan dengan paket Python lainnya dan menyediakan alat untuk berintegrasi dengan bahasa pemrograman lain seperti C, C++ dll.
Apa itu NumPy?
NumPy adalah perpustakaan untuk bahasa pemrograman python, menambahkan dukungan untuk array dan matriks multidimensi yang besar, bersama dengan banyak koleksi fungsi matematika tingkat tinggi untuk beroperasi pada array ini.
Prasyarat
Satu-satunya hal yang Anda perlukan untuk menginstal NumPy (di windows) adalah:
1. ular piton
2. Pip atau Conda (tergantung preferensi pengguna)
Menginstal NumPy
Untuk pengguna Conda:
Jika Anda ingin instalasi dilakukan melalui Conda, Anda dapat menggunakan perintah di bawah ini.
conda install –c anaconda numpy
Untuk pengguna PIP:
Pengguna yang lebih suka menggunakan pip dapat menggunakan perintah di bawah ini untuk menginstal NumPy.
pip install numpy
Sekarang Anda telah berhasil menginstal NumPy di sistem Anda.
Cara mengimpor NumPy
Untuk mengakses NumPy dan fungsinya, impor dalam kode python Anda seperti ini.
Import numpy as np
Kami mempersingkat nama yang diimpor menjadi np agar kode lebih mudah dibaca menggunakan NumPy.
Array
Array adalah tipe data yang digunakan untuk menyimpan banyak nilai menggunakan satu pengidentifikasi (nama variabel). Array berisi kumpulan elemen data yang terurut di mana setiap elemen memiliki tipe yang sama dan dapat direferensikan berdasarkan indeks (posisinya).
Array NumPy
Array NumPy digunakan untuk menyimpan daftar data numerik, vektor, dan matriks. Pustaka NumPy memiliki serangkaian besar rutinitas (fungsi bawaan) untuk membuat, memanipulasi, dan mengubah array NumPy. Bahasa Python juga memiliki struktur data array, tetapi tidak serbaguna, efisien dan berguna seperti array NumPy. Array NumPy secara resmi disebut array Nd tetapi umumnya dikenal sebagai array.
Perbedaan Antara Daftar dan Array
Di bawah ini dalam bentuk tabel adalah perbedaan antara Daftar dan Array
Buat ndarray NumPy
NumPy digunakan untuk bekerja dengan array. Objek array di NumPy disebut ndarray. Kita dapat membuat objek ndarray NumPy dengan menggunakan fungsi array().
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr) print(type(arr))
Pengindeksan Array NumPy
Pengindeksan array sama dengan mengakses elemen array. Anda dapat mengakses elemen array dengan mengacu pada nomor indeksnya. Indeks dalam array NumPy dimulai dengan 0, artinya elemen pertama memiliki indeks 0, dan elemen kedua memiliki indeks 1, dll.
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[0])
Pengirisan Array NumPy
Mengiris dengan python berarti mengambil elemen dari satu indeks tertentu ke indeks lain. Kita meneruskan irisan alih-alih indeks seperti ini: [mulai:akhir]. Kita juga dapat mendefinisikan langkahnya, seperti ini: [mulai:akhir:langkah]. Jika kita tidak melewati tahap awal dianggap 0, Jika kita tidak melewati tahap akhir yang dianggap sebagai panjang array dalam dimensi tersebut, Jika kita tidak melewati langkah tersebut dianggap 1.
import numpy as np arr = np.array([1, 2, 3, 4, 5, 6, 7]) print(arr[1:5])
Operasi Aritmatika NumPy
Array masukan untuk melakukan operasi aritmatika seperti tambah(), kurang(), kalikan(), dan bagi() harus berbentuk sama atau harus sesuai dengan aturan penyiaran array.
import numpy as np a = np.arange(9, dtype = np.float_).reshape(3,3) print 'First array:' print a print '\n' print 'Second array:' b = np.array([10,10,10]) print b
print '\n' Array masukan untuk melakukan operasi aritmatika seperti tambah(), kurang(), kalikan(), dan bagi() harus berbentuk sama atau harus sesuai dengan aturan penyiaran array.
print 'Add the two arrays:' print np.add(a,b) print '\n' print 'Subtract the two arrays:' print np.subtract(a,b) print '\n' print 'Multiply the two arrays:' print np.multiply(a,b) print '\n' print 'Divide the two arrays:' print np.divide(a,b)
Aljabar Linier NumPy
NumPy menyediakan modul canggih bernama numpy.linalg yang memungkinkan Anda melakukan operasi aljabar linier pada array. Modul ini mencakup fungsi untuk operasi matriks, determinan, invers, nilai eigen dan vektor eigen, dan banyak lagi.
bekerja dengan kemampuan aljabar linier NumPy, Anda harus membuat array NumPy. Array NumPy mirip dengan daftar Python, tetapi dapat memiliki banyak dimensi dan dioptimalkan untuk operasi numerik.
Modul Aljabar Linier NumPy menawarkan berbagai metode untuk menerapkan aljabar linier pada array numpy apa pun.
Kita dapat menemukan:
- peringkat, determinan, jejak, dll. dari sebuah array.
- nilai eigen matriks
- perkalian matriks dan vektor (perkalian titik, dalam, luar, dll), eksponensial matriks
- selesaikan persamaan linier atau tensor dan banyak lagi!
import numpy as np
A = np.array([[6, 1, 1],
[4, -2, 5],
[2, 8, 7]])
print("Rank of A:", np.linalg.matrix_rank(A))
print("\nTrace of A:", np.trace(A))
print("\nDeterminant of A:", np.linalg.det(A))
print("\nInverse of A:\n", np.linalg.inv(A))
print("\nMatrix A raised to power 3:\n",
np.linalg.matrix_power(A, 3))
Mari kita lihat Outputnya:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Kesimpulan
Mempelajari dasar-dasar NumPy sangat penting bagi setiap pemula di bidang ilmu data dan pembelajaran mesin. Dengan kemampuan manipulasi array yang kuat dan fungsi yang mudah digunakan, NumPy telah menjadi perpustakaan pilihan untuk operasi numerik dengan Python. Dalam artikel ini, kami telah menyediakan panduan pemula untuk NumPy, yang mencakup fitur-fitur utamanya, seperti pembuatan array, pengindeksan, pemotongan, dan Operasi Aritmatika NumPy. Dengan menguasai konsep dasar ini, pembaca dapat mulai menjelajahi operasi dan penerapan NumPy yang lebih kompleks dalam proyek analisis data mereka. Seperti halnya keterampilan baru lainnya, latihan adalah kuncinya, jadi kami mendorong pembaca untuk bereksperimen dengan NumPy dan melanjutkan perjalanan belajar mereka melalui sumber daya dan tutorial online. Dengan alat-alat ini, para pemula dapat menjadi mahir dalam NumPy dan meningkatkan keterampilan ilmu data mereka.
