Tipe Data & Atribut Utama

Setelah memahami apa itu NumPy dan perannya dalam Data Science serta Machine Learning, langkah berikutnya adalah mulai bekerja secara langsung dengan NumPy.

Pada materi ini kita akan mempelajari struktur data utama NumPy, yaitu ndarray, serta berbagai atribut yang dapat digunakan untuk memahami karakteristik sebuah array.

Beberapa konsep yang akan dipelajari:

• Cara mengimpor NumPy.
• Mengenal ndarray.
• Array 1 dimensi, 2 dimensi, dan multidimensi.
• Memahami dimensi dan axis.
• Memahami .shape.
• Memahami .ndim.
• Memahami .dtype.
• Memahami .size.
• Memahami type().
• Hubungan antara NumPy dan Pandas.

---

1. Persiapan Environment

Sebelum mulai menggunakan NumPy, kita membutuhkan environment Python yang dapat digunakan untuk menjalankan kode.

Jika menggunakan Conda, aktifkan environment yang digunakan untuk project.

Contoh:

conda activate nama-environment

Setelah environment aktif, jalankan Jupyter Notebook:

jupyter notebook

Kemudian buat notebook baru untuk mempraktikkan materi NumPy.

Misalnya kita dapat memberikan nama:

Introduction to NumPy

Nama notebook bebas disesuaikan dengan struktur project yang digunakan.

---

2. Mengimpor NumPy

Sebelum menggunakan NumPy, kita perlu mengimpornya terlebih dahulu.

Konvensi yang paling umum digunakan adalah:

import numpy as np

Bagian:

import numpy

digunakan untuk mengimpor library NumPy.

Sedangkan:

as np

memberikan alias np sehingga kita dapat menggunakan NumPy dengan penulisan yang lebih singkat.

Contohnya:

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

Daripada harus menulis:

numpy.array([1, 2, 3])

Dalam ekosistem Python, np merupakan alias yang sangat umum digunakan untuk NumPy.

---

3. Tipe Data Utama NumPy: ndarray

Struktur data utama NumPy adalah ndarray.

ndarray merupakan singkatan dari N-dimensional array, yaitu array yang dapat memiliki satu atau lebih dimensi.

Contohnya:

a1 = np.array([1, 2, 3])

Kita dapat memeriksa tipe objek tersebut:

type(a1)

Hasilnya:

numpy.ndarray

Artinya, objek a1 merupakan sebuah NumPy ndarray.

---

4. Array 1 Dimensi

Array satu dimensi merupakan bentuk array paling sederhana.

Contoh:

a1 = np.array([1, 2, 3])

Jika ditampilkan:

[1 2 3]

Array ini memiliki satu dimensi.

Secara sederhana, kita dapat membayangkannya sebagai sebuah barisan data:

1   2   3

Array seperti ini sering disebut sebagai vector dalam konteks matematika dan Machine Learning.

Kita dapat memeriksa dimensinya:

a1.ndim

Hasil:

1

Kita juga dapat memeriksa bentuknya:

a1.shape

Hasil:

(3,)

Artinya terdapat 3 elemen pada satu dimensi.

---

5. Array 2 Dimensi

NumPy juga dapat membuat array dengan dua dimensi.

Contoh:

a2 = np.array([
    [1, 2.0, 3.3],
    [4, 5.0, 6.5]
])

Hasilnya dapat dibayangkan sebagai:

1    2.0    3.3
4    5.0    6.5

Array tersebut memiliki:

• 2 baris.
• 3 kolom.

Kita dapat memeriksa dimensinya:

a2.ndim

Hasil:

2

Sedangkan:

a2.shape

menghasilkan:

(2, 3)

Angka pertama menunjukkan jumlah baris, sedangkan angka kedua menunjukkan jumlah kolom.

Dalam konteks matematika, array dua dimensi sering disebut sebagai matrix.

---

6. Array 3 Dimensi

NumPy juga dapat bekerja dengan array tiga dimensi atau lebih.

Contoh:

a3 = np.array([
    [
        [1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]
    ],
    [
        [10, 11, 12],
        [13, 14, 15],
        [16, 17, 18]
    ]
])

Array tersebut memiliki struktur bertingkat.

Secara sederhana:

Array
├── Layer 1
│   ├── [1, 2, 3]
│   ├── [4, 5, 6]
│   └── [7, 8, 9]
│
└── Layer 2
    ├── [10, 11, 12]
    ├── [13, 14, 15]
    └── [16, 17, 18]

Kita dapat memeriksa dimensinya:

a3.ndim

Hasil:

3

Sedangkan:

a3.shape

menghasilkan:

(2, 3, 3)

Artinya:

• 2 layer.
• Setiap layer memiliki 3 baris.
• Setiap baris memiliki 3 elemen.

---

7. Memahami Dimensi Array

Ketika bekerja dengan NumPy, penting untuk memahami apa yang dimaksud dengan dimensi.

Perhatikan contoh berikut.

1 Dimensi

a1 = np.array([1, 2, 3])

Shape:

(3,)

2 Dimensi

a2 = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

Shape:

(2, 3)

3 Dimensi

a3 = np.array([
    [
        [1, 2, 3],
        [4, 5, 6]
    ],
    [
        [7, 8, 9],
        [10, 11, 12]
    ]
])

Shape:

(2, 2, 3)

Semakin tinggi dimensinya, semakin kompleks struktur data yang dapat direpresentasikan.

---

8. Memahami axis

Selain dimensi, kita akan sering menemukan istilah axis ketika bekerja dengan NumPy.

Axis menunjukkan arah atau dimensi yang menjadi acuan ketika melakukan operasi terhadap array.

Untuk array dua dimensi:

       Kolom
        ↓
      0   1   2
    ┌─────────────
  0 │ 1   2   3
  1 │ 4   5   6
  2 │ 7   8   9

Secara umum:

• axis=0 mengacu pada dimensi pertama.
• axis=1 mengacu pada dimensi kedua.

Namun, penting untuk tidak menghafalkan axis=0 sebagai sekadar "baris" dan axis=1 sebagai sekadar "kolom" tanpa melihat operasi yang dilakukan.

Cara yang lebih tepat adalah memahami bahwa axis menunjukkan arah/dimensi yang digunakan sebagai acuan operasi.

Contohnya ketika melakukan operasi agregasi:

a2.sum(axis=0)

Operasi tersebut melakukan penjumlahan sepanjang axis 0 sehingga menghasilkan penjumlahan untuk setiap kolom.

Sedangkan:

a2.sum(axis=1)

melakukan penjumlahan sepanjang axis 1 sehingga menghasilkan penjumlahan untuk setiap baris.

---

Anatomi NumPy array

---

9. Memahami .shape

Atribut .shape digunakan untuk mengetahui bentuk atau ukuran setiap dimensi array.

Contoh:

a2.shape

Jika hasilnya:

(2, 3)

berarti array memiliki:

2 baris × 3 kolom

Untuk array tiga dimensi:

a3.shape

misalnya menghasilkan:

(2, 3, 3)

Artinya terdapat tiga dimensi dengan ukuran:

2 × 3 × 3

.shape sangat penting dalam Machine Learning karena banyak algoritma membutuhkan data dengan bentuk tertentu.

---

10. Memahami .ndim

Atribut .ndim digunakan untuk mengetahui jumlah dimensi sebuah array.

Contoh:

a1.ndim

Hasil:

1

Untuk array dua dimensi:

a2.ndim

Hasil:

2

Untuk array tiga dimensi:

a3.ndim

Hasil:

3

Dengan demikian:

.ndim → berapa banyak dimensi?
.shape → berapa ukuran pada setiap dimensi?

Keduanya sangat sering digunakan bersama ketika memeriksa data.

---

11. Memahami .dtype

Atribut .dtype digunakan untuk mengetahui tipe data elemen yang disimpan dalam NumPy array.

Contoh:

a1.dtype

Jika array berisi bilangan bulat:

a1 = np.array([1, 2, 3])

hasilnya dapat berupa:

int64

Tipe yang muncul dapat berbeda tergantung sistem dan platform yang digunakan.

Jika array berisi angka desimal:

a2 = np.array([
    [1.0, 2.0, 3.0],
    [4.0, 5.0, 6.0]
])

maka:

a2.dtype

dapat menghasilkan:

float64

---

12. NumPy dan Tipe Data Campuran

NumPy memiliki aturan mengenai tipe data yang disimpan dalam sebuah array.

Misalnya:

a = np.array([1, 2, 3.5])

Array tersebut memiliki bilangan bulat dan bilangan desimal.

NumPy akan melakukan konversi sehingga elemen dapat disimpan dengan tipe data yang sesuai.

Kita dapat memeriksanya:

a.dtype

Hasilnya dapat berupa:

float64

Karena terdapat nilai desimal:

3.5

maka nilai integer dapat dikonversi menjadi tipe floating point.

Hal ini penting untuk dipahami karena tipe data dapat memengaruhi bagaimana data disimpan dan diproses.

---

13. Memahami .size

Atribut .size digunakan untuk mengetahui jumlah seluruh elemen dalam array.

Contoh:

a1 = np.array([1, 2, 3])

Kemudian:

a1.size

menghasilkan:

3

Untuk array:

a2 = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

terdapat:

2 × 3 = 6

elemen.

Sehingga:

a2.size

menghasilkan:

6

Untuk array tiga dimensi:

a3.shape

misalnya:

(2, 3, 3)

Maka jumlah elemennya:

2 × 3 × 3 = 18

dan:

a3.size

akan menghasilkan:

18

---

14. Memahami type()

Selain atribut NumPy, kita juga dapat menggunakan fungsi Python type().

Contoh:

type(a1)

Hasil:

numpy.ndarray

Perhatikan perbedaan berikut:

type(a1)

digunakan untuk mengetahui tipe objek Python.

Sedangkan:

a1.dtype

digunakan untuk mengetahui tipe data elemen di dalam NumPy array.

Contohnya:

type(a1)

dapat menghasilkan:

numpy.ndarray

sedangkan:

a1.dtype

dapat menghasilkan:

int64

Jadi keduanya memberikan informasi yang berbeda.

---

15. Ringkasan Atribut NumPy

Beberapa atribut penting yang perlu diingat:

Atribut/Fungsi	Kegunaan	Contoh hasil
type(array)	Mengetahui tipe objek	numpy.ndarray
.ndim	Mengetahui jumlah dimensi	2
.shape	Mengetahui ukuran setiap dimensi	(2, 3)
.size	Mengetahui jumlah seluruh elemen	6
.dtype	Mengetahui tipe data elemen	int64

Cara sederhana untuk mengingatnya:

type() → objeknya apa?
ndim   → berapa dimensi?
shape  → ukurannya bagaimana?
size   → berapa total elemennya?
dtype  → tipe data elemennya apa?

---

16. Memeriksa Beberapa Atribut Sekaligus

Ketika mendapatkan sebuah array baru, kita dapat langsung memeriksa karakteristiknya.

Contoh:

import numpy as np

a2 = np.array([
    [1, 2.0, 3.3],
    [4, 5.0, 6.5]
])

print(type(a2))
print(a2.ndim)
print(a2.shape)
print(a2.size)
print(a2.dtype)

Dengan cara ini kita dapat memperoleh gambaran mengenai struktur array sebelum melakukan operasi lebih lanjut.

Kebiasaan memeriksa struktur data seperti ini sangat berguna ketika bekerja dengan dataset nyata.

---

17. Hubungan NumPy dan Pandas

NumPy dan Pandas memiliki hubungan yang sangat dekat dalam ekosistem Data Science Python.

Pandas menggunakan banyak konsep dan struktur berbasis NumPy dalam implementasinya, meskipun arsitektur internal Pandas modern juga menggunakan komponen lain.

Secara konseptual:

NumPy
  ↓
Array numerik
  ↓
Pandas
  ↓
DataFrame dan Series
  ↓
Analisis Data

NumPy lebih berfokus pada komputasi numerik dan array.

Pandas lebih berfokus pada manipulasi dan analisis data berbentuk tabel.

---

18. Mengubah NumPy Array Menjadi DataFrame

NumPy array dapat digunakan untuk membuat Pandas DataFrame.

Contoh:

import numpy as np
import pandas as pd

a2 = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

df = pd.DataFrame(a2)

print(df)

Hasilnya:

   0  1  2
0  1  2  3
1  4  5  6

Pandas memberikan index dan nama kolom secara otomatis.

Dengan demikian, NumPy array dapat menjadi salah satu sumber data untuk DataFrame.

---

19. NumPy dalam Workflow Data Science

Dalam project Data Science dan Machine Learning, NumPy dapat muncul pada berbagai tahap.

Contohnya:

Data mentah
    ↓
Pandas
    ↓
Eksplorasi dan pembersihan
    ↓
NumPy
    ↓
Operasi numerik
    ↓
Preprocessing
    ↓
Machine Learning

Namun, workflow sebenarnya dapat berbeda tergantung project.

Kita tidak harus selalu mengubah seluruh data menjadi NumPy array secara manual.

Library seperti Pandas dan Scikit-Learn dapat menangani berbagai bentuk data dan melakukan konversi secara internal ketika diperlukan.

---

20. Contoh Praktik Dasar

Berikut latihan sederhana untuk memahami atribut NumPy.

import numpy as np

numbers = np.array([
    [10, 20, 30],
    [40, 50, 60]
])

print("Array:")
print(numbers)

print("Tipe objek:")
print(type(numbers))

print("Jumlah dimensi:")
print(numbers.ndim)

print("Shape:")
print(numbers.shape)

print("Jumlah elemen:")
print(numbers.size)

print("Tipe data:")
print(numbers.dtype)

Cobalah mengubah isi array menjadi:

numbers = np.array([
    [1.5, 2.5, 3.5],
    [4.5, 5.5, 6.5]
])

Kemudian perhatikan perubahan pada:

numbers.dtype

Cobalah juga membuat array dengan tiga dimensi dan periksa:

numbers.ndim
numbers.shape
numbers.size
numbers.dtype

Latihan sederhana seperti ini akan membantu membangun pemahaman mengenai struktur ndarray.

---

21. Hal yang Perlu Diperhatikan

Ketika mulai bekerja dengan NumPy, beberapa hal penting yang perlu diperhatikan adalah:

1. ndarray merupakan struktur data utama NumPy.
2. Array dapat memiliki satu atau banyak dimensi.
3. .ndim menunjukkan jumlah dimensi.
4. .shape menunjukkan ukuran pada setiap dimensi.
5. .size menunjukkan jumlah seluruh elemen.
6. .dtype menunjukkan tipe data elemen.
7. type() menunjukkan tipe objek Python.
8. axis digunakan untuk menentukan dimensi atau arah operasi.
9. Shape data sangat penting ketika bekerja dengan Machine Learning.
10. NumPy dan Pandas dapat digunakan bersama dalam workflow Data Science.

---

22. Kesimpulan

NumPy menyediakan struktur data yang sangat penting untuk komputasi numerik di Python.

Struktur utamanya adalah:

numpy.ndarray

Array tersebut dapat memiliki berbagai bentuk:

1D → Vector
2D → Matrix
3D+ → Multidimensional Array

Untuk memahami sebuah array, kita dapat menggunakan:

type()
ndim
shape
size
dtype

Memahami kelima informasi tersebut merupakan dasar penting sebelum mempelajari manipulasi array yang lebih kompleks.

Selain itu, pemahaman mengenai dimensi dan axis akan menjadi sangat penting ketika mulai melakukan operasi terhadap array dan bekerja dengan data Machine Learning.

Checklist

Sebelum melanjutkan ke materi berikutnya, pastikan Anda sudah memahami:

• Cara mengimpor NumPy menggunakan import numpy as np.
• Apa yang dimaksud dengan ndarray.
• Perbedaan array 1D, 2D, dan 3D.
• Apa yang dimaksud dengan dimensi.
• Konsep dasar axis.
• Fungsi .shape.
• Fungsi .ndim.
• Fungsi .dtype.
• Fungsi .size.
• Perbedaan type() dan .dtype.
• Hubungan NumPy dengan Pandas.
• Cara mengubah NumPy array menjadi DataFrame.