NumPy Array

Setelah memahami ndarray dan atribut dasar NumPy, langkah berikutnya adalah mempelajari bagaimana cara membuat array.

NumPy menyediakan berbagai fungsi untuk membuat array tanpa harus menuliskan seluruh elemen secara manual.

Beberapa cara yang akan dipelajari:

Membuat array dari Python list.
Membuat array berisi angka 1.
Membuat array berisi angka 0.
Membuat array berdasarkan rentang angka.
Membuat array dengan angka acak.
Menggunakan dokumentasi fungsi melalui Jupyter Notebook.

Kemampuan membuat array merupakan dasar penting karena hampir seluruh operasi NumPy dilakukan terhadap array.

1. Membuat Array dari Python List

Cara paling sederhana untuk membuat NumPy array adalah menggunakan np.array().

Kita dapat membuat Python list terlebih dahulu:

numbers = [1, 2, 3]

Kemudian mengubahnya menjadi NumPy array:

import numpy as np

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

print(sample_array)

Output:

[1 2 3]

Berbeda dengan Python list yang biasanya ditampilkan dengan tanda koma, NumPy array ditampilkan dengan format khusus array.

Kita dapat memeriksa tipe objeknya:

type(sample_array)

Output:

numpy.ndarray

2. Memeriksa Tipe Data Array

Selain mengetahui tipe objek menggunakan type(), kita juga dapat mengetahui tipe data elemen menggunakan .dtype.

Contoh:

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

print(sample_array.dtype)

Output dapat berupa:

int64

Tipe data yang muncul dapat berbeda tergantung sistem atau platform yang digunakan.

Jika array berisi angka desimal:

sample_array = np.array([1.5, 2.5, 3.5])

print(sample_array.dtype)

hasilnya dapat berupa:

float64

Memahami dtype penting karena tipe data dapat memengaruhi cara NumPy menyimpan dan memproses data.

3. Membuat Array dengan `np.ones()`

NumPy menyediakan fungsi np.ones() untuk membuat array yang seluruh elemennya bernilai 1.

Contoh:

ones = np.ones((2, 3))

print(ones)

Output:

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

Pada contoh tersebut:

(2, 3)

berarti:

2 baris.
3 kolom.

Secara visual:

1   1   1
1   1   1

Tipe Data Default

Secara default, np.ones() menghasilkan nilai bertipe floating point.

Contohnya:

ones = np.ones((2, 3))

print(ones.dtype)

Hasilnya dapat berupa:

float64

Jika kita membutuhkan tipe integer, kita dapat menentukan dtype:

ones = np.ones(
    (2, 3),
    dtype=int
)

print(ones)

Output:

[[1 1 1]
 [1 1 1]]

4. Membuat Array dengan `np.zeros()`

np.zeros() digunakan untuk membuat array yang seluruh elemennya bernilai 0.

Contoh:

zeros = np.zeros((2, 3))

print(zeros)

Output:

[[0. 0. 0.]
 [0. 0. 0.]]

Sama seperti np.ones(), nilai default yang dihasilkan biasanya bertipe floating point.

Kita juga dapat menentukan tipe datanya:

zeros = np.zeros(
    (2, 3),
    dtype=int
)

print(zeros)

Output:

[[0 0 0]
 [0 0 0]]

5. Kegunaan `np.zeros()` dan `np.ones()`

Array yang berisi nol atau satu dapat digunakan dalam berbagai kebutuhan komputasi.

Contohnya:

Membuat array awal.
Menyediakan placeholder.
Membuat struktur data dengan ukuran tertentu.
Inisialisasi perhitungan numerik.
Eksperimen algoritma.
Membuat data sementara.

Contoh secara konseptual:

Array awal
    ↓
[0, 0, 0, 0, 0]
    ↓
Diproses
    ↓
[10, 25, 15, 30, 20]

Dengan np.zeros(), kita dapat membuat struktur array terlebih dahulu sebelum mengisinya dengan nilai tertentu.

6. Membuat Array dengan `np.arange()`

Jika kita ingin membuat array berdasarkan urutan angka, kita dapat menggunakan np.arange().

Sintaks:

np.arange(start, stop, step)

Parameter tersebut berarti:

Parameter	Fungsi
`start`	Angka awal
`stop`	Batas akhir
`step`	Jarak antar angka

Contoh:

range_array = np.arange(0, 10, 2)

print(range_array)

Output:

[0 2 4 6 8]

Perhatikan bahwa nilai 10 tidak termasuk dalam hasil.

Jadi:

np.arange(0, 10, 2)

berarti:

Mulai dari 0
Berhenti sebelum 10
Lompat 2 angka setiap langkah

7. Contoh Penggunaan `np.arange()`

Tanpa menentukan step, kita dapat menggunakan:

numbers = np.arange(5)

print(numbers)

Output:

[0 1 2 3 4]

Secara default:

start = 0
step = 1

Sehingga:

np.arange(5)

setara secara konsep dengan:

np.arange(0, 5, 1)

8. Menggunakan Step Negatif

np.arange() juga dapat digunakan untuk membuat urutan angka menurun.

Contoh:

numbers = np.arange(10, 0, -2)

print(numbers)

Output:

[10 8 6 4 2]

Artinya:

Mulai dari 10
Berhenti sebelum 0
Kurangi 2 setiap langkah

9. Membuat Array dengan Angka Acak

NumPy juga menyediakan modul random untuk menghasilkan angka acak atau pseudo-random.

Angka acak sangat berguna dalam berbagai kebutuhan Data Science dan Machine Learning, misalnya:

eksperimen,
simulasi,
pembuatan data contoh,
inisialisasi,
pengujian algoritma.

NumPy menyediakan beberapa fungsi untuk menghasilkan angka acak.

10. Angka Bulat Acak dengan `np.random.randint()`

Fungsi np.random.randint() digunakan untuk menghasilkan angka bulat secara acak.

Sintaks sederhananya:

np.random.randint(low, high, size)

Contoh:

random_array = np.random.randint(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Contoh output:

[[2 7 4 1 8]
 [5 0 3 9 6]
 [1 8 2 4 7]]

Karena prosesnya acak, hasil yang Anda dapatkan dapat berbeda.

Memahami `low` dan `high`

Pada:

np.random.randint(0, 10)

angka yang dapat dihasilkan berada pada rentang:

0 sampai 9

Nilai high, yaitu 10, tidak termasuk.

Dengan kata lain:

low  → termasuk
high → tidak termasuk

11. Menentukan Ukuran Array Acak

Parameter size digunakan untuk menentukan bentuk array yang ingin dibuat.

Contoh:

np.random.randint(
    0,
    10,
    size=(3, 5)
)

berarti kita meminta array dengan:

3 baris × 5 kolom

Jika:

size=(2, 4)

maka hasilnya memiliki:

2 baris × 4 kolom

Jika:

size=5

maka hasilnya berupa array satu dimensi dengan 5 elemen.

12. Angka Desimal Acak dengan `np.random.random()`

Untuk menghasilkan angka desimal acak dalam rentang 0.0 hingga kurang dari 1.0, kita dapat menggunakan np.random.random().

Contoh:

random_array = np.random.random((5, 3))

print(random_array)

Contoh hasil:

[[0.23 0.71 0.42]
 [0.18 0.95 0.37]
 [0.64 0.12 0.83]
 [0.45 0.56 0.09]
 [0.77 0.31 0.68]]

Nilai yang sebenarnya akan berbeda karena dihasilkan secara acak.

Rentangnya adalah:

0.0 <= nilai < 1.0

13. Menggunakan `np.random.rand()`

Cara lain untuk menghasilkan angka desimal acak adalah np.random.rand().

Contoh:

random_array = np.random.rand(5, 3)

print(random_array)

Fungsinya mirip dengan:

np.random.random((5, 3))

Keduanya dapat menghasilkan array berisi angka floating point acak dalam rentang 0.0 hingga kurang dari 1.0.

Perbedaannya terutama terletak pada cara menentukan ukuran array.

Dengan random():

np.random.random((5, 3))

Sedangkan dengan rand():

np.random.rand(5, 3)

14. Perbandingan Fungsi Pembuatan Array

Berikut beberapa fungsi utama yang telah dipelajari:

Fungsi	Kegunaan	Contoh
`np.array()`	Membuat array dari data yang tersedia	`np.array([1, 2, 3])`
`np.ones()`	Membuat array berisi `1`	`np.ones((2, 3))`
`np.zeros()`	Membuat array berisi `0`	`np.zeros((2, 3))`
`np.arange()`	Membuat array berdasarkan rentang	`np.arange(0, 10, 2)`
`np.random.randint()`	Membuat angka integer acak	`np.random.randint(0, 10, size=5)`
`np.random.random()`	Membuat angka float acak	`np.random.random((2, 3))`
`np.random.rand()`	Membuat angka float acak	`np.random.rand(2, 3)`

15. Membandingkan Jenis Array

Kita dapat melihat perbedaan masing-masing fungsi melalui contoh berikut:

import numpy as np

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

array_ones = np.ones((2, 3))

array_zeros = np.zeros((2, 3))

array_range = np.arange(0, 10, 2)

array_random_int = np.random.randint(
    0,
    10,
    size=(2, 3)
)

array_random_float = np.random.random((2, 3))

Sekarang kita memiliki beberapa jenis array dengan karakteristik berbeda.

Secara konsep:

np.array()
    ↓
Data yang kita tentukan

np.ones()
    ↓
Semua nilai = 1

np.zeros()
    ↓
Semua nilai = 0

np.arange()
    ↓
Urutan angka

np.random.randint()
    ↓
Integer acak

np.random.random()
    ↓
Float acak

16. Memeriksa Shape Array

Setelah membuat array, biasakan memeriksa bentuknya menggunakan .shape.

Contoh:

array_ones = np.ones((2, 3))

print(array_ones.shape)

Output:

(2, 3)

Untuk array random:

array_random = np.random.randint(
    0,
    10,
    size=(3, 5)
)

print(array_random.shape)

Output:

(3, 5)

Memeriksa .shape sangat penting sebelum melakukan operasi lebih lanjut.

17. Memeriksa Ukuran dan Dimensi

Selain .shape, kita dapat menggunakan atribut yang telah dipelajari pada materi sebelumnya.

Contoh:

array_random = np.random.randint(
    0,
    10,
    size=(3, 5)
)

print("Shape:", array_random.shape)
print("Dimensions:", array_random.ndim)
print("Size:", array_random.size)
print("Data type:", array_random.dtype)

Hasilnya secara konsep:

Shape: (3, 5)
Dimensions: 2
Size: 15
Data type: int64

Dengan kebiasaan ini, kita dapat langsung memahami karakteristik array yang baru dibuat.

18. Menggunakan `Shift + Tab` di Jupyter Notebook

Ketika menggunakan Jupyter Notebook, kita dapat melihat dokumentasi fungsi secara langsung.

Misalnya:

np.ones(

Letakkan kursor di dalam tanda kurung dan tekan:

Shift + Tab

Jupyter akan menampilkan informasi mengenai fungsi tersebut.

Hal yang biasanya dapat kita lihat antara lain:

nama fungsi,
parameter,
dokumentasi singkat,
informasi mengenai penggunaan fungsi.

Teknik ini sangat berguna ketika kita lupa parameter sebuah fungsi.

19. Membaca Dokumentasi sebagai Kebiasaan Belajar

Kita tidak perlu menghafalkan seluruh fungsi NumPy.

Sebagai programmer, kemampuan menemukan dan membaca dokumentasi justru lebih penting.

Misalnya kita lupa bagaimana menggunakan:

np.random.randint()

Daripada mencoba menghafalnya, kita dapat memeriksa dokumentasinya.

Kebiasaan yang baik:

Lupa fungsi
    ↓
Cari dokumentasi
    ↓
Periksa parameter
    ↓
Buat contoh sederhana
    ↓
Jalankan kode
    ↓
Amati hasil

Dengan pendekatan ini, kita dapat mempelajari library baru dengan lebih mandiri.

20. Contoh Praktik Lengkap

Berikut contoh yang menggabungkan berbagai cara membuat array:

import numpy as np

# Array dari list
array_manual = np.array([1, 2, 3, 4, 5])

# Array berisi satu
array_ones = np.ones((2, 3))

# Array berisi nol
array_zeros = np.zeros((2, 3))

# Array berdasarkan rentang
array_range = np.arange(0, 10, 2)

# Array integer acak
array_random_int = np.random.randint(
    0,
    10,
    size=(3, 5)
)

# Array float acak
array_random_float = np.random.random((3, 5))

print("Manual:")
print(array_manual)

print("\nOnes:")
print(array_ones)

print("\nZeros:")
print(array_zeros)

print("\nRange:")
print(array_range)

print("\nRandom Integer:")
print(array_random_int)

print("\nRandom Float:")
print(array_random_float)

Cobalah menjalankan kode tersebut beberapa kali.

Perhatikan bahwa hasil dari array random dapat berubah setiap kali kode dijalankan.

21. Randomness dan Reproducibility

Ketika menggunakan angka acak dalam eksperimen, terkadang kita ingin mendapatkan hasil yang sama setiap kali kode dijalankan.

Untuk itu, kita dapat menggunakan random seed.

Contoh dengan API random modern NumPy:

rng = np.random.default_rng(42)

random_array = rng.integers(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Dengan seed yang sama:

generator akan menghasilkan urutan angka yang dapat direproduksi.

Konsep reproducibility sangat penting dalam eksperimen Data Science dan Machine Learning karena kita ingin dapat menjalankan kembali eksperimen dan memperoleh hasil yang konsisten.

22. Kesalahan yang Sering Terjadi

Beberapa kesalahan umum ketika mulai membuat NumPy array antara lain:

Salah Memahami `stop` pada `np.arange()`

Perhatikan:

np.arange(0, 10, 2)

Hasilnya:

[0 2 4 6 8]

Bukan:

[0 2 4 6 8 10]

Karena nilai stop tidak termasuk.

Salah Menentukan `size`

Contoh:

np.random.randint(
    0,
    10,
    size=(3, 5)
)

menghasilkan 3 baris dan 5 kolom.

Pastikan shape yang diberikan sesuai dengan kebutuhan.

Menganggap Hasil Random Selalu Sama

Contoh:

np.random.randint(0, 10, size=5)

dapat menghasilkan nilai berbeda setiap kali dijalankan.

Jika membutuhkan hasil yang dapat direproduksi, gunakan random seed.

23. Hubungan dengan Machine Learning

Kemampuan membuat array merupakan dasar penting untuk Machine Learning.

Data Machine Learning sering direpresentasikan dalam bentuk numerik seperti:

[
    [10, 20, 30],
    [40, 50, 60],
    [70, 80, 90]
]

Struktur tersebut dapat direpresentasikan menggunakan NumPy array.

Kemudian array dapat digunakan dalam berbagai proses seperti:

Data
  ↓
NumPy Array
  ↓
Transformasi
  ↓
Preprocessing
  ↓
Machine Learning Model

Semakin memahami cara membuat dan memanipulasi array, semakin mudah memahami operasi data yang digunakan dalam Machine Learning.

24. Ringkasan

NumPy menyediakan banyak fungsi untuk membuat array dengan cepat.

Beberapa fungsi penting yang telah dipelajari:

np.array() untuk membuat array dari data seperti Python list.
np.ones() untuk membuat array berisi 1.
np.zeros() untuk membuat array berisi 0.
np.arange() untuk membuat array berdasarkan rentang angka.
np.random.randint() untuk membuat integer acak.
np.random.random() untuk membuat float acak antara 0.0 dan kurang dari 1.0.
np.random.rand() sebagai cara lain membuat float acak.
random_state atau seed digunakan untuk membantu menghasilkan eksperimen yang dapat direproduksi.

Hal yang tidak kalah penting adalah membiasakan diri membaca dokumentasi fungsi menggunakan Jupyter Notebook maupun dokumentasi resmi NumPy.

Checklist

Sebelum melanjutkan ke materi berikutnya, pastikan Anda sudah memahami:

1. Membuat Array dari Python List​

2. Memeriksa Tipe Data Array​

3. Membuat Array dengan np.ones()​

Tipe Data Default​

4. Membuat Array dengan np.zeros()​

5. Kegunaan np.zeros() dan np.ones()​

6. Membuat Array dengan np.arange()​

7. Contoh Penggunaan np.arange()​

8. Menggunakan Step Negatif​

9. Membuat Array dengan Angka Acak​

10. Angka Bulat Acak dengan np.random.randint()​

Memahami low dan high​

11. Menentukan Ukuran Array Acak​

12. Angka Desimal Acak dengan np.random.random()​

13. Menggunakan np.random.rand()​

14. Perbandingan Fungsi Pembuatan Array​

15. Membandingkan Jenis Array​

16. Memeriksa Shape Array​

17. Memeriksa Ukuran dan Dimensi​

18. Menggunakan Shift + Tab di Jupyter Notebook​

19. Membaca Dokumentasi sebagai Kebiasaan Belajar​

20. Contoh Praktik Lengkap​

21. Randomness dan Reproducibility​

22. Kesalahan yang Sering Terjadi​

Salah Memahami stop pada np.arange()​

Salah Menentukan size​

Menganggap Hasil Random Selalu Sama​

23. Hubungan dengan Machine Learning​

24. Ringkasan​

Checklist​

1. Membuat Array dari Python List

2. Memeriksa Tipe Data Array

3. Membuat Array dengan `np.ones()`

Tipe Data Default

4. Membuat Array dengan `np.zeros()`

5. Kegunaan `np.zeros()` dan `np.ones()`

6. Membuat Array dengan `np.arange()`

7. Contoh Penggunaan `np.arange()`

8. Menggunakan Step Negatif

9. Membuat Array dengan Angka Acak

10. Angka Bulat Acak dengan `np.random.randint()`

Memahami `low` dan `high`

11. Menentukan Ukuran Array Acak

12. Angka Desimal Acak dengan `np.random.random()`

13. Menggunakan `np.random.rand()`

14. Perbandingan Fungsi Pembuatan Array

15. Membandingkan Jenis Array

16. Memeriksa Shape Array

17. Memeriksa Ukuran dan Dimensi

18. Menggunakan `Shift + Tab` di Jupyter Notebook

19. Membaca Dokumentasi sebagai Kebiasaan Belajar

20. Contoh Praktik Lengkap

21. Randomness dan Reproducibility

22. Kesalahan yang Sering Terjadi

Salah Memahami `stop` pada `np.arange()`

Salah Menentukan `size`

Menganggap Hasil Random Selalu Sama

23. Hubungan dengan Machine Learning

24. Ringkasan

Checklist