Tutorial Python NumPy: Belajar Python Numpy Dengan Contoh

Jika Anda telah mempelajari Python selama beberapa waktu, Anda pasti pernah menemukan NumPy. Dan Anda pasti bertanya-tanya apa itu dan mengapa itu sangat penting. Dalam tutorial Python Numpy ini, Anda akan mempelajari hal yang sama. Anda akan memahami NumPy serta NumPy array dan fungsinya.

Memiliki penguasaan atas Python diperlukan untuk programmer modern. Dan tutorial Python NumPy ini akan membantu Anda dalam memahami Python dengan lebih baik. Ini cukup rinci, jadi kami sarankan untuk menambahkan halaman ini ke bookmark Anda untuk referensi di masa mendatang.

Pelajari kursus online ilmu data dari Universitas top dunia. Dapatkan Program PG Eksekutif, Program Sertifikat Tingkat Lanjut, atau Program Magister untuk mempercepat karier Anda.

Apa itu Python NumPy?

NumPy adalah singkatan dari 'Python Numerik.' Seperti yang Anda duga, ini berfokus pada operasi numerik dan komputasi. Numpy adalah paket Python dan merupakan perpustakaan utama untuk perhitungan ilmiah. Ini memiliki objek array n-dimensi dan alat untuk mengintegrasikan bahasa dominan lainnya seperti C. Anda dapat menggunakan array NumPy sebagai wadah multi-dimensi yang sangat besar untuk data.

Apa itu Array NumPy?

Array NumPy adalah objek array n-dimensi yang fantastis. Ini memiliki baris dan kolom, dan Anda dapat menggunakannya untuk mengakses elemen daftar Python. Ada banyak operasi yang dapat Anda lakukan pada array NumPy. Kami telah membahasnya nanti di artikel, tetapi sebelum itu, Anda harus memahami cara menginstal NumPy di ​​sistem Anda. Tanpa menginstalnya, Anda tidak akan dapat menggunakannya.

Bagaimana cara menginstal NumPy?

Anda harus membuka command prompt dan memasukkan 'pip install numpy' untuk menginstal Python NumPy. Setelah instalasi selesai, Anda harus pergi ke IDE dan mengimpor numpy melalui 'import numpy as np'. Dan begitulah cara Anda menginstal Numpy di sistem Anda.

Anda dapat membuat array di NumPy dengan mudah melalui kode berikut:

1 impor numpy sebagai np

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

3 cetak (a)

Output dari kode di atas – [1 2 3]

Kode di atas akan memberi Anda array satu dimensi. Jika Anda ingin membuat array multidimensi, Anda harus menulis sesuatu yang mirip dengan contoh di bawah ini:

1 a=np.array([(1,2,3),(4,5,6)])

2 cetak (a)

Output dari kode di atas – [[ 1 2 3]

[4 5 6]]

Baca lebih lanjut: 25 Ide & Topik Proyek Python yang Menyenangkan untuk Pemula

Operasi di NumPy

Python NumPy memiliki banyak operasi. Mereka semua melakukan fungsi tertentu. Berikut adalah fungsi-fungsi tersebut dengan deskripsi singkat:

ukuran item:

Dengan bantuan fungsi ini, Anda dapat mengetahui ukuran byte elemen array Anda. Perhatikan contoh berikut:

1 impor numpy sebagai np

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

3 cetak (ukuran item)

Output dari kode di atas – 4

tidak ada:

Fungsi ndim membantu Anda menemukan dimensi array. Anda harus tahu bahwa Anda dapat memiliki array satu dimensi, dua dimensi, dan juga tiga dimensi. Berikut adalah contoh dari fungsi ini:

1 impor numpy sebagai np

2 a = np.array([(1,2,3),(4,5,6)])

3 cetak (a.ndim)

Output dari kode di atas – 2

membentuk kembali:

Dengan bantuan operasi reshape, Anda dapat mengubah jumlah baris dan kolom yang ada dalam array. Misalkan satu array memiliki tiga kolom dan dua baris. Melalui reshape, Anda dapat mengubahnya menjadi 2 kolom dan tiga baris. Lihat aksinya melalui contoh berikut:

1 impor numpy sebagai np

2 a = np.array([(8,9,10),(11,12,13)])

3 cetak (a)

4 a=a.membentuk ulang(3,2)

5 cetak (a)

Output dari kode di atas – [[ 8 9 10] [11 12 13]] [[ 8 9] [10 11] [12 13]]

mengiris:

Dengan menggunakan operasi slicing, Anda dapat mengekstrak kumpulan elemen tertentu dari larik yang diperlukan. Dengan kata lain, Anda dapat 'mengiris' array dan mendapatkan porsi yang sama. Misalkan Anda memiliki array dan ingin mengekstrak elemen tertentu darinya, Anda akan melakukannya dengan cara berikut:

1 impor numpy sebagai np

2 a=np.array([(1,2,3,4),(3,4,5,6)])

3 cetak(a[0,2])

Output dari kode di atas – 3

Dalam contoh di atas, indeks dari array pertama adalah 0, dan untuk yang kedua, adalah 1. Jadi, kode tersebut mengatakan bahwa ia harus mencetak elemen kedua dari array pertama (yang memiliki indeks 0). Misalkan Anda membutuhkan elemen kedua dari indeks pertama dan ke nol dari array. Kemudian kita akan menggunakan kode berikut:

1 impor numpy sebagai np

2 a=np.array([(1,2,3,4),(3,4,5,6)])

3 cetak(a[0:,2])

Output dari kode di atas– [3 5]

Baca juga: Gaji Developer Python di India

tipe:

Dengan fungsi dtype, Anda memiliki opsi untuk menemukan tipe data elemen array. Ini memberi Anda tipe data dan ukuran komponen yang diperlukan. Lihatlah contoh berikut untuk melihat cara kerjanya:

1 impor numpy sebagai np

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

3 cetak (adtype)

Output dari kode di atas – int32

Anda dapat menggunakan fungsi 'bentuk' dan 'ukuran' untuk menemukan bentuk dan ukuran larik juga. Lihatlah contoh tutorial Python NumPy kami untuk memahami fungsi-fungsi ini dengan benar:

1 impor numpy sebagai np

2 a = np.array([(1,2,3,4,5,6)])

3 cetak (ukuran)

4 cetak (bentuk)

Output dari kode di atas – 6 (1,6)

ruang lin :

Dengan bantuan operasi linspace, Anda bisa mendapatkan angka yang tersebar merata sesuai dengan interval yang Anda sebutkan. Fungsi linspace memiliki kegunaannya, dan inilah contoh bagaimana Anda dapat menggunakannya:

1 impor numpy sebagai np

2 a=np.linspace(1,3,10)

3 cetak (a)

Output dari kode di atas– [ 1. 1.22222222 1.44444444 1.66666667 1.88888889 2.11111111 2.33333333 2.55555556 2.77777778 3. ]

akar kuadrat dan simpangan baku

Python NumPy memungkinkan Anda untuk melakukan berbagai operasi matematika. Dan salah satu operasi tersebut adalah menurunkan akar kuadrat dari array yang diperlukan. Anda juga bisa mendapatkan standar deviasi dari array NumPy Anda. Berikut adalah contoh terperinci untuk membantu Anda dalam hal ini:

1 impor numpy sebagai np

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

3 cetak(np.sqrt(a))

4 cetak(np.std(a))

Output dari kode di atas– [[ 1.1.41421356 1.73205081]

[ 1.73205081 2. 2.23606798]]

1.29099444874

maks/menit

Anda dapat menemukan maksimum, minimum, dan jumlah array juga melalui operasi tertentu. Menemukan maksimum dan minimum dapat banyak membantu Anda dalam melakukan operasi yang kompleks. Berikut adalah bagaimana Anda dapat menemukan maksimum, minimum, dan jumlah dari array yang Anda miliki:

1 impor numpy sebagai np

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

3 cetak(a.min())

4 cetak(a.max())

5 cetak(a.sum())

Output dari kode di atas – 1 3 6

Penumpukan horizontal dan vertikal

Anda mungkin ingin menggabungkan dua larik tetapi tidak menambahkannya, yaitu, Anda mungkin hanya ingin menggabungkannya. Untuk tujuan itu, Anda dapat menumpuknya secara vertikal atau horizontal. Berikut adalah contoh kode untuk melakukannya:

1 impor numpy sebagai np

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

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

4 cetak(np.vstack((x,y)))

5 cetak(np.hstack((x,y)))

Output dari kode di atas – [[1 2 3] [3 4 5] [1 2 3] [3 4 5]]

[[1 2 3 1 2 3] [3 4 5 3 4 5]]

Baca lebih lanjut: Operator dengan Python: Panduan Pemula untuk Aritmatika

Tambahan

Anda juga dapat menambahkan array NumPy. Selain penjumlahan, Anda juga dapat melakukan pengurangan, pembagian, dan perkalian dua matriks. Berikut ini contoh penambahan di Python NumPy:

1 impor numpy sebagai np

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

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

4 cetak(x+y)

Output dari kode di atas – [[ 2 4 6] [ 6 8 10]]

Seperti yang kami sebutkan sebelumnya, Anda juga dapat melakukan operasi matematika lainnya pada array NumPy, termasuk pengurangan dan pembagian. Berikut caranya:

1 impor numpy sebagai np

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

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

4 cetak (xy)

5 cetak(x*y)

6 cetak(x/y)

Output dari kode di atas– [[0 0 0] [0 0 0]]

[[ 1 4 9] [ 9 16 25]]

[[ 1. 1. 1.] [ 1. 1. 1.]]

berlepasan

Operasi ravel memungkinkan Anda mengubah array NumPy menjadi ravel, yang merupakan satu kolom. Berikut ini contohnya:

1 impor numpy sebagai np

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

3 cetak(x.ravel())

Keluaran kode – [ 1 2 3 3 4 5]

Kesimpulan

Kami yakin Anda telah menemukan tutorial Python NumPy ini cukup informatif. Sekarang, Anda pasti sudah mengerti apa itu Python NumPy dan apa fungsinya. Jika Anda memiliki pertanyaan lebih lanjut tentang topik ini, jangan ragu untuk memberi tahu kami.

Jika Anda penasaran untuk belajar tentang ilmu data, lihat Program PG Eksekutif IIIT-B & upGrad dalam Ilmu Data yang dibuat untuk para profesional yang bekerja dan menawarkan 10+ studi kasus & proyek, lokakarya praktis, bimbingan dengan pakar industri, 1 -on-1 dengan mentor industri, 400+ jam pembelajaran dan bantuan pekerjaan dengan perusahaan-perusahaan top.