Getting Started With Numpy
 

Apa itu NumPy?

NumPy (Numerical Python) adalah perpustakaan yang kuat di Python untuk operasi numerik dan matematika. Ini memberikan dukungan untuk array dan matriks multidimensi yang besar, bersama dengan kumpulan fungsi matematika untuk mengoperasikan elemen-elemen ini.

NumPy memiliki beberapa keunggulan yang membuatnya menjadi pilihan populer untuk komputasi numerik di lingkungan Python. Beberapa alasan utama mengapa NumPy sering digunakan termasuk:

1. Kinerja yang Tinggi: NumPy menyediakan array N-dimensi yang dioptimalkan untuk kinerja tinggi. Operasi-operasi di dalam NumPy diimplementasikan dalam C dan Fortran, sehingga dapat memanfaatkan kecepatan eksekusi dari bahasa-bahasa tersebut. Hal ini membuat NumPy lebih cepat daripada jika Anda menggunakan loop Python biasa untuk melakukan operasi serupa.

2. Array N-dimensi: NumPy memberikan dukungan untuk array N-dimensi yang memungkinkan Anda dengan mudah bekerja dengan data multidimensional, seperti matriks dan tensor. Ini sangat berguna dalam konteks ilmu data, komputasi saintifik, dan pembelajaran mesin di mana data sering kali memiliki struktur yang kompleks.

3. Fungsi Matematika: NumPy menyediakan berbagai fungsi matematika yang kuat yang dapat digunakan untuk melakukan operasi numerik kompleks dengan mudah. Ini termasuk operasi statistik, transformasi Fourier, algebra linear, dan banyak lagi.

4. Broadcasting: NumPy memungkinkan broadcasting, yaitu kemampuan untuk melakukan operasi pada array dengan bentuk yang berbeda tanpa perlu secara eksplisit mengubah bentuk array. Ini membuat kode lebih ringkas dan mudah dibaca.

5. Interoperabilitas: NumPy dapat berintegrasi dengan baik dengan berbagai paket dan perangkat lunak untuk ilmu data dan komputasi saintifik lainnya, seperti pandas, scikit-learn, TensorFlow, dan PyTorch. Kemampuan untuk dengan mudah berbagi data antar pustaka membuatnya sangat efisien dalam ekosistem alat analisis data Python.

6. Dukungan Komunitas dan Dokumentasi: NumPy memiliki dukungan komunitas yang besar dan aktif. Ini berarti ada banyak sumber daya, tutorial, dan forum diskusi yang tersedia untuk membantu Anda memahami dan menggunakan NumPy. Dokumentasi resmi NumPy juga sangat baik, menyediakan informasi rinci tentang setiap fungsi dan konsep.

7. Open Source: NumPy bersifat open source, yang berarti dapat digunakan secara bebas dan dikembangkan oleh komunitas. Ini membuatnya mudah diakses dan digunakan oleh berbagai jenis proyek dan aplikasi.

Dengan kombinasi keunggulan-keunggulan ini, NumPy telah menjadi fondasi penting bagi banyak proyek di dunia ilmu data, komputasi saintifik, dan pembelajaran mesin di Python.

Pengenalan NumPy

Array Shape

Pengertian:

Shape pada array NumPy mengindikasikan dimensi dan ukuran array.

Contoh: array 1D memiliki shape (n,), array 2D memiliki shape (m, n), dan seterusnya.

Data Type

Pengertian:

Data type pada array NumPy menunjukkan jenis nilai yang dapat disimpan dalam array.

NumPy mendukung tipe data seperti int, float, dan string.

Index Arrays

Pengertian:

Indexing digunakan untuk mengakses elemen tertentu dalam array.

Indeks dimulai dari 0, dan dapat negatif (dimulai dari elemen terakhir).

Slicing Arrays

Pengertian:

Slicing digunakan untuk mengambil sebagian dari array.

Dilakukan dengan menggunakan tanda :.

Slicing one dimension

Pengertian:

Pada array satu dimensi, slicing satu dimensi dapat dilakukan untuk mengambil sebagian dari array.