Numerical Python atau biasa disingkat NumPy adalah library di Python yang mendukung array (termasuk array multidimensi) serta menyediakan koleksi fungsi matematika untuk mengoperasikan array tersebut.

NumPy sering disebut sebagai “tulang punggung” analisis data di Python karena telah merevolusi cara kita memahami dan memanipulasi data.

Melalui kemampuannya untuk mengolah data dalam bentuk array dengan efisiensi dan kecepatan yang luar biasa, NumPy hadir memfasilitasi analisis data yang kompleks. Artikel ini akan membahas cara menginstal dan menggunakan NumPy di Python!

Cara Install NumPy

Berikut cara menginstal NumPy dengan PIP:

• Pastikan kamu sudah menginstal Python di komputermu. Jika belum, kamu bisa mengunjungi situs resmi Python dan mengunduh versi terbaru di sini: https://www.python.org/downloads/
• Buka terminal atau command prompt di komputermu.
• Ketik perintah pip install numpy lalu tekan enter. Tunggu prosesnya selesai. Jika sudah, artinya kamu berhasil menginstal NumPy di Python menggunakan PIP.

Ada juga alternatif lain untuk menginstal NumPy, yaitu menggunakan Conda. Jika kamu menggunakan Anaconda atau Miniconda, kamu bisa menginstall NumPy dengan Conda.

Caranya:

• Buka Anaconda Prompt atau terminal.
• Ketik perintah conda install numpy dan tekan enter. Tunggu hingga proses selesai.

Pengenalan Array dalam NumPy

Array dalam NumPy adalah kumpulan elemen-elemen yang memiliki tipe data sama dan diatur dalam dimensi tertentu. Dengan kata lain, array NumPy merupakan wadah yang memungkinkan kamu menyimpan banyak item dalam satu blok memori yang bersebelahan.

Array bisa satu dimensi (seperti daftar biasa), dua dimensi (seperti tabel dengan baris dan kolom), atau bahkan lebih. Setiap elemen dalam array memiliki indeks yang memudahkan kita mengakses atau memodifikasinya.

Array NumPy dianggap lebih efisien daripada list Python biasa, mengapa demikian?

• Kecepatan: array NumPy dirancang untuk operasi matematika dan ilmiah. Berkat optimasi yang dilakukan di tingkat sistem atau internal NumPy, operasi pada array NumPy berjalan lebih cepat dibandingkan list Python biasa.
• Fleksibilitas: kamu dapat melakukan operasi pada seluruh array sekaligus tanpa perlu loop. Misalnya, untuk mengalikan setiap elemen dalam array dengan angka tertentu, kamu hanya memerlukan satu baris kode.
• Penggunaan memori: array NumPy memerlukan memori yang lebih sedikit dibandingkan dengan list. Hal ini dikarenakan NumPy dirancang khusus untuk efisiensi memori, terutama saat berurusan dengan data dalam jumlah besar.
• Fungsionalitas tambahan: Selain operasi dasar, NumPy juga menyediakan berbagai fungsi matematika dan statistika siap pakai yang tidak tersedia di list Python biasa.

Cara Menggunakan NumPy

Jika kamu baru memulai dengan NumPy, berikut cara menggunakannya:

#1 Mengimpor library NumPy

Sebelum bisa menggunakan fitur-fitur yang disediakan oleh NumPy, terlebih dahuli kamu harus mengimpornya ke dalam kode Python-mu. Biasanya, NumPy diimpor dengan alias 'np' untuk memudahkan akses:

#2 Membuat array

Ada beberapa cara untuk membuat array di NumPy:

• Dari list Python:

• Menggunakan fungsi khusus:

#a Array nol: np.zeros(5)

#b Array satu: np.ones(5)

#c Array dengan rentang nilai: np.arange(0, 10, 2)

#3 Mengakses elemen array

Mirip dengan list di Python, kamu dapat mengakses elemen array dengan indeks:

#4 Operasi matematika

Salah satu kelebihan NumPy adalah kemampuannya untuk melakukan operasi matematika dengan mudah:

#5 Fungsi statistik

NumPy juga menyediakan berbagai fungsi statistik yang siap pakai, seperti:

#6 Reshape dan manipulasi array

Setelah itu, kamu bisa mengubah bentuk array atau menggabungkannya dengan array lain:

{{COMPONENT_IDENTIFIER}}

Latihan Membuat Array dengan NumPy

Sekarang, mari kita melakukan latihan sederhana untuk membuat array dengan NumPy.

Latihan 1: membuat array dari list

List adalah kumpulan dari berbagai objek yang bisa dengan mudah diubah menjadi array NumPy. Objek-objek ini bisa berupa bilangan bulat, floating point, string, atau nilai boolean.

Sebaliknya, array NumPy di Python sebenarnya hampir mirip dengan list. Perbedaan utamanya terletak pada kecepatan dan ketatnya persyaratan mengenai homogenitas tipe data dari objek-objek di dalamnya. Array NumPy jauh lebih cepat dan memerlukan semua elemen di dalamnya untuk memiliki tipe data yang sama.

Misalnya, kamu memiliki list berikut:

Untuk mengubah list di atas menjadi array NumPy, kamu bisa menggunakan fungsi array():

Latihan 2: membuat array dari tuple

Sama seperti list, tuple juga dapat diubah menjadi array NumPy. Misalnya, kamu memiliki tuple berikut:

Mengubah tuple menjadi array NumPy dilakukan dengan cara yang sama seperti list:

Catatan penting:

Salah satu hal yang perlu diingat saat bekerja dengan array NumPy yaitu berbeda dengan list atau tuple, semua elemen dalam array harus memiliki tipe data sama. Jika kamu mencoba membuat array dari list atau tuple yang memiliki tipe data campuran, NumPy akan mencoba mengonversi tipe data tersebut agar seragam.

Latihan 3: membuat array multidimensi dengan NumPy

NumPy tidak hanya memungkinkan kita bekerja dengan data satu dimensi (seperti titik dalam garis), tetapi juga memfasilitasi pembuatan dan manipulasi data dalam dimensi yang lebih tinggi.

Misalnya, jika data satu dimensi bisa dianggap sebagai sebuah garis, maka data dua dimensi bisa dianggap sebagai sebuah bidang dan data tiga dimensi sebagai sebuah ruang.

Contoh:

Output:‍

Fungsi Matematika dalam NumPy

Selain dikenal dengan kemampuannya dalam manipulasi array, NumPy juga terkenal untuk berbagai fungsi matematika yang terintegrasi di dalamnya. Fungsi-fungsi ini memudahkan analisis dan komputasi matematika tanpa perlu menulis kode dari awal.

Berikut contoh penggunaan fungsi matematika di NumPy:

Fungsi sinus (sin)

Fungsi ini dipakai untuk menghitung nilai sinus dari setiap elemen dalam array:

Fungsi cosinus (cos)

Sama seperti fungsi sinus, bedanya fungsi cos digunakan untuk menghitung nilai cosinus:

Fungsi akar kuadrat (sqrt)

Fungsi sqrt akan menghitung akar kuadrat dari setiap elemen dalam array:

FAQ (Frequently Ask Question)

Dapatkah menggunakan NumPy bersama dengan library lain seperti Pandas atau Matplotlib?

Ya, NumPy sering digunakan bersama dengan library lain seperti Pandas untuk analisis data atau Matplotlib untuk visualisasi data.

Bagaimana jika menemui kesalahan atau bug saat menggunakan NumPy?

NumPy memiliki komunitas yang sangat aktif. Kamu bisa mencari solusi untuk masalahmu di forum-forum Python atau di GitHub repository NumPy. Jika kamu menemukan bug, sangat disarankan untuk melaporkannya agar komunitas dapat segera memperbaiki.

Penutup

NumPy adalah library untuk mengolah dan memanipulasi data dalam bentuk array. Melalui berbagai fungsi matematika yang terintegrasi sampai kemudahan dalam pembuatan dan manipulasi array, NumPy memastikan kita dapat fokus pada penggalian informasi daripada terhambat oleh keterbatasan teknis.