Mengenal NumPy Array

Dalam dunia komputasi numerik, NumPy Array adalah inti dari pengolahan data. NumPy menyediakan struktur data array yang efisien dan kuat untuk menyimpan dan memanipulasi data numerik. Mari kita eksplorasi lebih jauh tentang penggunaan NumPy Array.

Penggunaan NumPy Array dalam komputasi numerik membawa banyak keunggulan dibandingkan dengan struktur data list Python konvensional. Pada bagian ini, kita akan melihat betapa efisien NumPy dalam pengelolaan data numerik, mulai dari performa yang unggul hingga penggunaan memori yang optimal.

A. NumPy Array vs List di Python

#

Sebelum memahami bagaimana NumPy meningkatkan efisiensi dan kinerja, kita akan membandingkan NumPy Array dengan list Python. Perbandingan ini memberikan wawasan tentang manfaat penggunaan NumPy dalam konteks operasi numerik.

1. Keuntungan NumPy Array

#

• Performa Tinggi: Operasi pada NumPy Array dilakukan secara efisien, memberikan kinerja yang lebih cepat daripada list Python.
• Efisiensi Memori: NumPy menggunakan buffer memori yang kompak, mengoptimalkan penggunaan memori.

2. Contoh Perbandingan

#

# Contoh Performa dan Penggunaan Memori
import numpy as np
import sys

# List Python
list_data = [i for i in range(1000)]
print("Ukuran list (bytes):", sys.getsizeof(list_data))

# NumPy Array
numpy_array = np.array(list_data)
print("Ukuran NumPy Array (bytes):", numpy_array.nbytes)

Hasil Print:

Ukuran list (bytes): 9128
Ukuran NumPy Array (bytes): 4000

NumPy Array memberikan ukuran memori yang lebih kecil dan operasi yang lebih cepat.

B. Membuat NumPy Array

#

Untuk memahami dasar-dasar NumPy, mari mulai dengan pembuatan array. NumPy menyediakan berbagai cara untuk membuat array, mulai dari array satu dimensi hingga array multi-dimensi.

NumPy menyediakan berbagai cara untuk membuat array sesuai dengan kebutuhan proyek.

1. Array Satu Dimensi

#

Pertama, kita akan belajar cara pembuatan array satu dimensi. Array ini merupakan struktur dasar yang memungkinkan penyimpanan data secara efisien dan akses yang cepat.

import numpy as np

arr_1d = np.array([1, 2, 3, 4, 5])

Hasil Print:

array([1, 2, 3, 4, 5])

2. Array Dua Dimensi

#

Berlanjut dari array satu dimensi, kita akan membahas array dua dimensi yang memfasilitasi representasi matriks dan tabel. Ini memberikan kemampuan untuk menyimpan dan mengakses data dalam format yang terstruktur.

import numpy as np

arr_2d = np.array([[1, 2, 3], [4, 5, 6]])

Hasil Print:

array([[1, 2, 3],
       [4, 5, 6]])

3. Array Multi-dimensi

#

NumPy tidak terbatas pada array dua dimensi; kita dapat membuat array dengan jumlah dimensi yang lebih tinggi sesuai dengan kompleksitas data yang dihadapi.

import numpy as np

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

Hasil Print:

array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])

C. Fungsi Bawaan NumPy

#

Selain membuat array secara manual, kita akan membahas penggunaan fungsi bawaan NumPy untuk membuat array dengan nilai awal tertentu. Fungsi ini sangat berguna untuk menghasilkan array dengan pola yang spesifik.

NumPy menyediakan fungsi bawaan untuk membuat array dengan pola tertentu. Fungsi bawaan numPy mempermudah pembuatan array dengan pola tertentu, memenuhi kebutuhan berbagai proyek.

1. zeros()

#

Fungsi ini digunakan untuk membuat array dengan semua elemen bernilai nol.

import numpy as np
zeros_array = np.zeros((2, 3))

Hasil Print:

array([[0., 0., 0.],
       [0., 0., 0.]])

2. ones()

#

Fungsi ini digunakan untuk membuat array dengan semua elemen bernilai satu.

import numpy as np
ones_array = np.ones((3, 4))

Hasil Print:

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

3. eye()

#

Fungsi ini menghasilkan matriks identitas dengan ukuran tertentu.

import numpy as np
identity_matrix = np.eye(3)

Hasil Print:

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])