Cara Mengunakan NumPy Python Untuk Data Science

Bahasa pemrograman Phyton (Foto: Dok. Istimewa Arena Digital-Admin Edi)

ARENA DIGITAL – Python, sebagai salah satu bahasa pemrograman yang sangat populer, memiliki berbagai pustaka yang mendukung fungsionalitasnya. Salah satu pustaka yang paling esensial dan sering digunakan adalah NumPy. Dalam artikel ini, kita akan menjelajahi cara menggunakan NumPy di Python untuk meningkatkan keahlian pemrograman Anda.

NumPy singkatan dari Numerical Python, adalah pustaka yang menyediakan struktur data array, fungsi matematika, dan aljabar linear. Keberadaannya memberikan kekuatan ekstra pada Python, terutama dalam pengolahan data dan komputasi ilmiah. Dengan NumPy, Anda dapat dengan mudah melakukan operasi matematika kompleks dan manipulasi data dengan cepat.

Cara Install NumPy

Untuk memulai perjalanan Anda dengan NumPy, langkah pertama adalah menginstalnya. Proses instalasi sangat sederhana. Ikuti panduan langkah demi langkah di bawah ini:

  1. Buka terminal atau command prompt.
  2. Ketik perintah berikut dan tekan Enter: pip install numpy

Sekarang, Anda siap untuk menjelajahi keajaiban NumPy.

Cara Membuat Aray

Salah satu keunggulan utama NumPy adalah kemampuannya untuk bekerja dengan array. Array NumPy adalah struktur data yang memungkinkan Anda menyimpan dan mengakses data dengan mudah. Untuk membuat array, Anda dapat menggunakan fungsi numpy.array().

Contoh:

import numpy as np

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

Mengoperasikan Aray

NumPy menyediakan berbagai operasi dasar pada array, seperti penjumlahan, pengurangan, perkalian, dan pembagian. Yang membuatnya lebih kuat adalah kemampuannya untuk melakukan operasi ini secara elemen per elemen, dikenal sebagai element-wise operations.

Misalnya:

array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

result = array1 + array2
print(result)

Indexing dan Slicing NumPy

Indexing dan slicing sangat penting dalam manipulasi data. Dengan NumPy, Anda dapat dengan mudah mengakses dan memanipulasi elemen-elemen dalam array.

Contoh indexing:

my_array = np.array([10, 20, 30, 40, 50])
print(my_array[2])  # Output: 30

Multidimensional Arrays

NumPy juga mendukung array multidimensional, seperti matriks. Kelebihan array ini adalah Anda dapat melakukan operasi pada dimensi yang lebih tinggi dengan mudah.

Baca Juga >>>  8 Langkah Mengabungkan Data di Python

Contoh:

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

Fungsion NumPy

NumPy menyertakan berbagai fungsi matematika yang sangat bermanfaat. Misalnya, fungsi numpy.sum() dapat digunakan untuk menjumlahkan elemen-elemen array.

my_array = np.array([1, 2, 3, 4, 5])
sum_result = np.sum(my_array)
print(sum_result)

Statistical Operations NumPy

NumPy tidak hanya kuat dalam operasi matematika dasar, tetapi juga menyediakan fungsi statistik yang kaya.

Contoh:

data = np.array([10, 20, 30, 40, 50])
mean = np.mean(data)
print(mean)

NumPy dalam Data Science

Dalam proyek ilmu data, NumPy menjadi alat yang tak tergantikan. Manipulasi data yang efisien dan operasi matematika kompleks dapat dengan mudah dicapai dengan menggunakan NumPy.

Sebagai contoh, ketika Anda bekerja dengan dataset besar, operasi seperti filter dan transformasi dapat dilakukan dengan cepat menggunakan NumPy.

NumPy Pada Machine Learning

Dalam dunia machine learning, NumPy menjadi pondasi utama