Dunia Pemrograman Python

Menguasai np.array NumPy: Dasar hingga Analisis Data Tingkat Lanjut

Pengolahan dan Analisis Data
目次

1. Pendahuluan

Python adalah bahasa pemrograman yang sangat populer untuk analisis data, pembelajaran mesin, dan komputasi ilmiah. Di antara mereka, pustaka numpy (NumPy) adalah alat yang kuat untuk memperlancar perhitungan numerik. Artikel ini memberikan penjelasan mendetail tentang “np.array” Python, mulai dari dasar hingga aplikasi praktis, serta memperkenalkan teknik konkret yang berguna untuk memproses dan menganalisis data numerik.

Official page

NumPy quickstart — NumPy v2.3 Manual

…

2. Apa itu numpy?

numpy adalah pustaka komputasi numerik yang menawarkan array multi-dimensi (ndarray), operasi matriks, dan fitur analisis statistik, berfungsi sebagai dasar untuk analisis data. Dengan bekerja bersama pustaka Python lainnya, ia membuat pemrosesan data yang kompleks menjadi sederhana dan cepat.

Cara menginstal numpy

Menginstal numpy sangat mudah. Cukup jalankan perintah di bawah ini.

pip install numpy

Mengapa memilih numpy

Kemampuan pemrosesan data yang cepat dan efisien dari numpy sangat penting untuk komputasi ilmiah dan ilmu data. Untuk detail lebih lanjut tentang numpy, lihat dokumentasi resmi.

NumPy

Why NumPy? Powerful n-dimensional arrays. Numerical computin…

RUNTEQ（ランテック）｜超実戦型エンジニア育成スクール

3. Dasar-dasar np.array

np.array Python adalah struktur data inti numpy dan mencakup fungsionalitas untuk menangani data numerik secara efisien. Sebagai contoh, berikut cara membuat array satu dimensi.

import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)

Tip: Menentukan tipe data np.array juga dapat meningkatkan efisiensi memori. Gunakan argumen dtype untuk menentukan tipe integer (seperti int32) atau tipe floating-point.

4. Membuat Array Multidimensi

np.array juga mendukung array multidimensi. Sebagai contoh, kode berikut membuat array dua dimensi.

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d)

FAQ Q: Bagaimana cara membuat array dengan tiga atau lebih dimensi? A: Anda dapat membuatnya dengan memberikan list bersarang lebih dalam ke np.array.

侍エンジニア塾

5. Operasi Array

np.array memungkinkan Anda mengambil elemen dan melakukan operasi parsial menggunakan indexing dan slicing. Berikut contoh dasar indexing.

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d[1, 2])  # Output: 6

Dengan menggunakan slicing, Anda dapat dengan mudah mengekstrak baris atau kolom tertentu.

6. Mengubah Bentuk Array

Dalam analisis data, Anda sering perlu mengubah bentuk array; menggunakan metode reshape memungkinkan Anda mengubah bentuknya secara efisien.

array_1d = np.array([1, 2, 3, 4, 5, 6])
array_2d = array_1d.reshape(2, 3)
print(array_2d)

Tip: Anda juga dapat menggunakan metode resize untuk mengubah bentuk, tetapi berhati-hatilah karena metode ini mengubah array asli secara langsung.

7. Operasi Array

Menggunakan kemampuan aritmetika numpy membuat operasi antar array menjadi sederhana. Contoh di bawah melakukan penjumlahan elemen demi elemen dari dua array.

array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
print(array1 + array2)  # Output: [5 7 9]

FAQ Q: Bisakah saya melakukan operasi ketika array memiliki bentuk yang berbeda? A: Dengan menggunakan fitur broadcasting numpy, Anda dapat melakukan operasi dengan benar pada array dengan bentuk yang berbeda.

8. Menggunakan Fungsi Statistik

Dalam analisis data, memeriksa ukuran statistik seperti rata-rata, nilai maksimum dan minimum, serta varians sebuah array sangat penting. Sebagai contoh, di bawah ini cara menghitung rata-rata sebuah array.

array = np.array([1, 2, 3, 4, 5])
print(array.mean())  # Output: 3.0

9. Contoh Praktis: Aplikasi pada Analisis Data

Di sini, dengan menggunakan data penjualan fiktif, kita akan menganalisis tingkat pertumbuhan penjualan dan memeriksa tren penjualan bulanan.

import numpy as np
import matplotlib.pyplot as plt

sales_data = np.array([120, 150, 170, 200, 220, 180, 190, 210, 230, 250, 240, 260])

# Monthly sales growth rate
growth_rate = (sales_data[1:] - sales_data[:-1]) / sales_data[:-1] * 100
print("Monthly growth rate:", growth_rate)

# Plotting the sales data
plt.plot(range(1, 13), sales_data, marker='o')
plt.title("Monthly Sales Trend")
plt.xlabel("Month")
plt.ylabel("Sales (thousands)")
plt.grid(True)
plt.show()

Tip: Memvisualisasikan data memudahkan identifikasi puncak pertumbuhan dan tren secara intuitif, yang berguna untuk analisis bisnis.

10. Ringkasan

Artikel ini menjelaskan dasar-dasar penggunaan np.array dalam Python dan penerapannya pada analisis data. Poin-poin utama adalah sebagai berikut.

  1. Penggunaan dasar : Membuat np.array dan menentukan tipe data.
  2. Array multidimensi : Membuat dan memanipulasi array dua dimensi dan tiga dimensi.
  3. Pengubahan bentuk : Metode untuk mengubah bentuk menggunakan reshape dan flatten.
  4. Operasi dan statistik : Operasi elemen-per-elemen dan menghitung ukuran statistik.
  5. Contoh praktis : Menghitung tingkat pertumbuhan dan memvisualisasikan data penjualan.

Konsep-konsep ini menjadi dasar untuk proyek analisis data dan pembelajaran mesin, jadi pastikan untuk memanfaatkannya. Jika Anda ingin memperdalam pemahaman, juga lihat dokumentasi resmi numpy dan topik terkait lainnya.

年収訴求