Reshape & Transpose

Pada materi sebelumnya kita telah mempelajari operasi aritmatika, broadcasting, aggregation, variance, standard deviation, dan visualisasi data menggunakan NumPy.

Dalam praktik Data Science dan Machine Learning, kita akan sering menemukan data dengan bentuk atau shape yang berbeda.

Sebuah algoritma atau operasi tertentu mungkin membutuhkan data dengan bentuk tertentu. Jika shape tidak sesuai, operasi dapat menghasilkan error atau menghasilkan bentuk output yang tidak kita inginkan.

NumPy menyediakan beberapa fitur penting untuk mengatur bentuk array, di antaranya:

reshape()
Transpose dengan .T
np.transpose()

Pada materi ini kita akan memahami bagaimana mengubah dan menukar dimensi array dengan benar.

Mengapa Shape Penting?

Setiap NumPy array memiliki sebuah shape yang menunjukkan ukuran array pada setiap dimensinya.

Contohnya:

import numpy as np

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

print(A.shape)

Output:

(2, 3)

Artinya:

Memiliki 2 baris.
Memiliki 3 kolom.
Total terdapat 6 elemen.

Shape:

(2, 3)

berbeda dengan:

(3, 2)

Walaupun keduanya sama-sama memiliki 6 elemen.

Mengapa Shape Penting dalam Machine Learning?

Banyak operasi numerik dan algoritma Machine Learning memiliki persyaratan tertentu terhadap bentuk data.

Misalnya sebuah model dapat mengharapkan input berbentuk:

(samples, features)

Jika data memiliki shape yang berbeda, kita mungkin perlu menyesuaikannya terlebih dahulu.

Shape juga sangat penting ketika:

Melakukan operasi matematika.
Menggunakan broadcasting.
Memproses dataset.
Mengubah format input model.
Melakukan operasi matriks.
Mengolah data multidimensi.

Karena itu, .shape merupakan salah satu atribut yang sebaiknya selalu diperhatikan ketika bekerja dengan NumPy.

Mengubah Shape dengan `reshape()`

Fungsi reshape() digunakan untuk mengubah bentuk array tanpa mengubah nilai elemen yang terdapat di dalamnya.

Contohnya:

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

print(A.shape)

Output:

(6,)

Array tersebut dapat diubah menjadi bentuk (2, 3):

A_reshaped = A.reshape(2, 3)

print(A_reshaped)
print(A_reshaped.shape)

Output:

[[1 2 3]
 [4 5 6]]

(2, 3)

Nilai datanya tetap sama:

1, 2, 3, 4, 5, 6

Yang berubah adalah bentuk array.

Syarat Menggunakan `reshape()`

Jumlah total elemen sebelum dan sesudah reshape() harus sama.

Misalnya:

6 elemen

dapat diubah menjadi:

(2, 3)

karena:

2 × 3 = 6

Kita juga dapat mengubahnya menjadi:

(3, 2)

karena:

3 × 2 = 6

Atau:

(1, 6)

karena:

1 × 6 = 6

Namun tidak dapat menjadi:

(4, 2)

karena:

4 × 2 = 8

sedangkan array hanya memiliki 6 elemen.

Contoh `reshape()`

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

A1 = A.reshape(2, 3)
A2 = A.reshape(3, 2)
A3 = A.reshape(1, 6)

print(A1)
print(A2)
print(A3)

Ketiga hasil tersebut memiliki bentuk yang berbeda, tetapi seluruhnya menggunakan enam elemen yang sama.

`reshape()` dan Broadcasting

Salah satu penggunaan reshape() yang penting adalah membantu menyesuaikan shape array agar memenuhi aturan broadcasting.

Misalnya:

A2 = np.random.randint(
    10,
    size=(2, 3)
)

A3 = np.random.randint(
    10,
    size=(2, 3, 3)
)

Periksa shape:

print(A2.shape)
print(A3.shape)

Output:

(2, 3)
(2, 3, 3)

Jika kita mencoba:

A2 * A3

operasi tersebut tidak kompatibel secara langsung.

NumPy akan menghasilkan error broadcasting karena dimensi yang dibandingkan dari belakang tidak sesuai.

Menyesuaikan Shape dengan `reshape()`

Kita dapat mengubah A2 menjadi:

A2_reshaped = A2.reshape(2, 3, 1)

print(A2_reshaped.shape)

Output:

(2, 3, 1)

Sekarang kita memiliki:

A2_reshaped → (2, 3, 1)
A3          → (2, 3, 3)

Pada dimensi terakhir:

1
3

kedua dimensi tersebut kompatibel karena salah satunya bernilai 1.

Maka:

result = A2_reshaped * A3

dapat dilakukan menggunakan broadcasting.

Memahami reshape dan Broadcasting

Perhatikan perubahan berikut:

Sebelum:

A2 → (2, 3)
A3 → (2, 3, 3)

        ↓

Tidak kompatibel

Kemudian:

A2.reshape(2, 3, 1)

        ↓

A2 → (2, 3, 1)
A3 → (2, 3, 3)

        ↓

Broadcasting
        ↓

Berhasil

Perlu dipahami bahwa reshape() tidak secara otomatis membuat semua operasi menjadi valid.

Shape yang baru tetap harus memenuhi aturan operasi yang ingin dilakukan.

Menggunakan `-1` pada `reshape()`

NumPy memungkinkan kita menggunakan -1 pada reshape() agar NumPy menghitung ukuran dimensi tersebut secara otomatis.

Contohnya:

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

A_reshaped = A.reshape(2, -1)

print(A_reshaped)

NumPy mengetahui bahwa total elemen adalah 6.

Karena dimensi pertama adalah 2, maka dimensi kedua harus:

6 ÷ 2 = 3

Sehingga hasilnya:

[[1 2 3]
 [4 5 6]]

Shape:

(2, 3)

Contoh lain:

A.reshape(-1, 2)

akan menghasilkan shape:

(3, 2)

Catatan

Dalam satu operasi reshape(), hanya satu dimensi yang sebaiknya menggunakan -1 agar ukuran yang harus dihitung dapat ditentukan secara unik.

Transpose

Selain reshape(), NumPy menyediakan operasi transpose.

Transpose digunakan untuk menukar urutan dimensi atau sumbu array.

Untuk array dua dimensi, transpose secara sederhana dapat dipahami sebagai:

Baris ↔ Kolom

Contohnya:

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

Shape awal:

(2, 3)

Menggunakan `.T`

Cara sederhana untuk melakukan transpose adalah menggunakan .T.

A_transposed = A.T

print(A_transposed)
print(A_transposed.shape)

Output:

[[1 4]
 [2 5]
 [3 6]]

(3, 2)

Perhatikan:

Sebelum:
(2, 3)

Sesudah transpose:
(3, 2)

Baris menjadi kolom dan kolom menjadi baris.

Cara Memahami Transpose

Array awal:

1  2  3
4  5  6

Setelah transpose:

4
5
6

Dengan kata lain:

Baris pertama → Kolom pertama
Baris kedua   → Kolom kedua

Transpose tidak mengubah nilai elemen, tetapi mengubah bagaimana elemen tersebut tersusun berdasarkan dimensinya.

`np.transpose()`

Selain .T, NumPy menyediakan fungsi:

np.transpose()

Contohnya:

A_transposed = np.transpose(A)

print(A_transposed)

Hasilnya sama dengan:

A.T

Untuk array dua dimensi, kedua pendekatan tersebut dapat digunakan.

A.T

lebih singkat, sedangkan:

np.transpose(A)

lebih eksplisit sebagai fungsi NumPy.

Perbedaan `reshape` dan `transpose`

Walaupun keduanya dapat mengubah shape, reshape() dan transpose memiliki tujuan yang berbeda.

`reshape()`

reshape() digunakan untuk mengatur ulang bentuk array dengan jumlah elemen yang tetap sama.

Contoh:

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

A.reshape(2, 3)

dapat menghasilkan:

[[1 2 3]
 [4 5 6]]

Transpose

Transpose digunakan untuk menukar urutan dimensi atau axis.

Contoh:

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

A.T

menghasilkan:

[[1 4]
 [2 5]
 [3 6]]

Tabel Perbandingan

Fitur	`reshape()`	`.T` / `np.transpose()`
Tujuan	Mengubah shape	Menukar urutan axis
Jumlah elemen	Tetap sama	Tetap sama
Bentuk baru	Dapat ditentukan	Ditentukan dari transpose
Array 2D	Bisa menjadi banyak bentuk	Baris ↔ kolom
Cocok untuk	Menyesuaikan struktur	Menukar orientasi dimensi

Contoh sederhana:

reshape:

(6,)
 ↓
(2, 3)

Sedangkan:

transpose:

(2, 3)
 ↓
(3, 2)

`reshape` Tidak Sama dengan Transpose

Perhatikan contoh berikut:

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

Jika menggunakan:

A.reshape(3, 2)

hasilnya:

[[1 2]
 [3 4]
 [5 6]]

Sedangkan:

A.T

menghasilkan:

[[1 4]
 [2 5]
 [3 6]]

Keduanya sama-sama menghasilkan shape:

(3, 2)

tetapi susunan datanya berbeda.

Ini merupakan perbedaan yang sangat penting.

Shape yang sama tidak selalu berarti susunan data yang sama.

Reshape pada Array Multidimensi

reshape() juga dapat digunakan pada array dengan lebih dari dua dimensi.

Contohnya:

A = np.arange(24)

print(A.shape)

Output:

(24,)

Array tersebut dapat diubah menjadi:

A_3d = A.reshape(2, 3, 4)

print(A_3d.shape)

Output:

(2, 3, 4)

Jumlah elemennya tetap:

2 × 3 × 4 = 24

Transpose pada Array Multidimensi

Pada array multidimensi, transpose tidak hanya berarti "baris menjadi kolom".

Transpose bekerja dengan menukar urutan axis.

Contohnya:

A = np.zeros((2, 3, 4))

print(A.shape)

Output:

(2, 3, 4)

Jika menggunakan:

A.T

shape menjadi:

(4, 3, 2)

Urutan axis dibalik:

(2, 3, 4)
 ↓
(4, 3, 2)

Hal ini penting ketika bekerja dengan data multidimensi seperti:

Gambar.
Video.
Tensor.
Data scientific computing.
Input neural network.

Menentukan Urutan Axis dengan `np.transpose()`

Untuk kontrol yang lebih spesifik, np.transpose() dapat menerima urutan axis.

Contohnya:

A = np.zeros((2, 3, 4))

B = np.transpose(A, (1, 0, 2))

print(B.shape)

Hasil:

(3, 2, 4)

Artinya urutan axis:

(0, 1, 2)

diubah menjadi:

(1, 0, 2)

Konsep ini akan semakin penting ketika mulai bekerja dengan data yang memiliki tiga dimensi atau lebih.

Memeriksa Shape Setelah Transformasi

Setiap kali melakukan reshape() atau transpose, biasakan memeriksa hasilnya.

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

print("Original:", A.shape)

B = A.reshape(3, 2)

print("Reshaped:", B.shape)

C = A.T

print("Transposed:", C.shape)

Dengan cara tersebut kita dapat memastikan bahwa bentuk array sesuai dengan yang diharapkan.

Reshape dan Machine Learning

Dalam Machine Learning, shape data sangat penting karena model biasanya mengharapkan format input tertentu.

Misalnya:

(samples, features)

Jika terdapat:

100 samples
5 features

maka bentuk data dapat berupa:

(100, 5)

Jika data memiliki bentuk berbeda, kita mungkin perlu melakukan transformasi terlebih dahulu.

Namun, transformasi harus dilakukan berdasarkan makna data, bukan hanya untuk membuat error hilang.

Jangan melakukan:

reshape()

secara sembarangan hanya karena sebuah operasi menghasilkan error.

Kita harus memahami:

Apa arti setiap dimensi.
Berapa jumlah sample.
Berapa jumlah feature.
Bentuk input yang dibutuhkan.
Operasi apa yang sedang dilakukan.

Debugging Shape

Ketika menemukan error yang berhubungan dengan shape, gunakan workflow berikut:

Error
 ↓
Periksa shape
 ↓
print(array.shape)
 ↓
Periksa ndim
 ↓
Pahami arti setiap dimensi
 ↓
Periksa aturan broadcasting
 ↓
Tentukan apakah perlu reshape
 ↓
Tentukan apakah perlu transpose
 ↓
Jalankan kembali operasi

Contohnya:

print(A.shape)
print(B.shape)

Jika masih belum jelas:

print(A.ndim)
print(B.ndim)

Kebiasaan sederhana ini dapat membantu menemukan banyak masalah saat bekerja dengan NumPy.

Kesalahan yang Sering Terjadi

Menganggap reshape Mengubah Data

reshape() mengubah bentuk array, bukan nilai datanya.

Namun, susunan elemen pada hasil reshape() dapat terlihat berbeda karena cara elemen disusun dalam bentuk baru.

Menganggap `reshape` dan `transpose` Sama

Keduanya dapat menghasilkan shape yang berbeda dari bentuk awal, tetapi cara kerjanya berbeda.

reshape() mengatur bentuk baru berdasarkan jumlah elemen.

Transpose menukar urutan axis.

Hanya Melihat Shape

Dua array dapat memiliki shape yang sama tetapi susunan nilai yang berbeda.

Contoh:

A.reshape(3, 2)

dan:

A.T

dapat menghasilkan shape yang sama tetapi isi yang tersusun berbeda.

Karena itu, periksa juga isi array jika sedang melakukan debugging.

Menggunakan reshape untuk Semua Error

Tidak semua error shape diselesaikan dengan reshape().

Terkadang yang dibutuhkan adalah:

Transpose.
Memperbaiki cara indexing.
Mengubah struktur data.
Menyesuaikan operasi.
Memastikan data memang memiliki bentuk yang benar.

Ringkasan

Pada materi ini kita telah mempelajari:

Shape menunjukkan ukuran array pada setiap dimensi.
reshape() digunakan untuk mengubah bentuk array.
Jumlah total elemen harus tetap sama setelah reshape().
-1 dapat digunakan agar NumPy menghitung salah satu dimensi secara otomatis.
reshape() dapat digunakan untuk membantu menyesuaikan shape dalam broadcasting.
Transpose digunakan untuk menukar urutan axis.
.T merupakan cara sederhana melakukan transpose.
np.transpose() menyediakan fungsi transpose dengan kontrol yang lebih fleksibel.
Pada array 2D, transpose dapat dipahami sebagai pertukaran baris dan kolom.
Pada array multidimensi, transpose bekerja dengan menukar urutan axis.
reshape() dan transpose memiliki tujuan yang berbeda.
Dua array dengan shape yang sama belum tentu memiliki susunan data yang sama.
.shape dan .ndim merupakan alat penting untuk debugging array.
Shape sangat penting dalam Data Science dan Machine Learning.

Checklist Pembelajaran

Pastikan Anda sudah memahami:

Latihan

Gunakan array berikut:

A = np.arange(24)

print(A)
print(A.shape)

Kemudian lakukan latihan berikut:

Ubah A menjadi array dengan shape (2, 12).
Ubah A menjadi shape (3, 8).
Ubah A menjadi shape (4, 6).
Gunakan -1 untuk menghasilkan shape (6, 4).
Ubah A menjadi array tiga dimensi dengan shape (2, 3, 4).
Gunakan .T pada array tiga dimensi tersebut.
Periksa shape sebelum dan sesudah transpose.
Buat array 2D dengan shape (3, 4).
Bandingkan hasil reshape(4, 3) dengan .T.
Perhatikan mengapa keduanya dapat memiliki shape yang sama tetapi susunan data berbeda.
Buat contoh broadcasting yang menghasilkan error.
Gunakan reshape() untuk membuat shape yang kompatibel dan coba kembali operasi tersebut.

Tujuan latihan ini bukan hanya membuat kode berjalan, tetapi memahami bagaimana shape memengaruhi cara NumPy memperlakukan data.

Mengapa Shape Penting?​

Mengapa Shape Penting dalam Machine Learning?​

Mengubah Shape dengan reshape()​

Syarat Menggunakan reshape()​

Contoh reshape()​

reshape() dan Broadcasting​

Menyesuaikan Shape dengan reshape()​

Memahami reshape dan Broadcasting​

Menggunakan -1 pada reshape()​

Catatan​

Transpose​

Menggunakan .T​

Cara Memahami Transpose​

np.transpose()​

Perbedaan reshape dan transpose​

reshape()​

Transpose​

Tabel Perbandingan​

reshape Tidak Sama dengan Transpose​

Reshape pada Array Multidimensi​

Transpose pada Array Multidimensi​

Menentukan Urutan Axis dengan np.transpose()​

Memeriksa Shape Setelah Transformasi​

Reshape dan Machine Learning​

Debugging Shape​

Kesalahan yang Sering Terjadi​

Menganggap reshape Mengubah Data​

Menganggap reshape dan transpose Sama​

Hanya Melihat Shape​

Menggunakan reshape untuk Semua Error​

Ringkasan​

Checklist Pembelajaran​

Latihan​

Mengapa Shape Penting?

Mengapa Shape Penting dalam Machine Learning?

Mengubah Shape dengan `reshape()`

Syarat Menggunakan `reshape()`

Contoh `reshape()`

`reshape()` dan Broadcasting

Menyesuaikan Shape dengan `reshape()`

Memahami reshape dan Broadcasting

Menggunakan `-1` pada `reshape()`

Catatan

Transpose

Menggunakan `.T`

Cara Memahami Transpose

`np.transpose()`

Perbedaan `reshape` dan `transpose`

`reshape()`

Transpose

Tabel Perbandingan

`reshape` Tidak Sama dengan Transpose

Reshape pada Array Multidimensi

Transpose pada Array Multidimensi

Menentukan Urutan Axis dengan `np.transpose()`

Memeriksa Shape Setelah Transformasi

Reshape dan Machine Learning

Debugging Shape

Kesalahan yang Sering Terjadi

Menganggap reshape Mengubah Data

Menganggap `reshape` dan `transpose` Sama

Hanya Melihat Shape

Menggunakan reshape untuk Semua Error

Ringkasan

Checklist Pembelajaran

Latihan