Belajar NumPy: Panduan Komputasi Numerik Python Lengkap

Python telah menjadi bahasa pilihan dalam dunia sains data, pembelajaran mesin, dan komputasi ilmiah, dan salah satu kunci utama di balik popularitasnya adalah ketersediaan library yang kuat. Di antara library-library tersebut, NumPy (Numerical Python) memegang peranan sentral. Jika Anda berkecimpung dalam analisis data, pemodelan matematis, atau tugas-tugas yang melibatkan banyak angka, NumPy adalah alat yang tidak bisa Anda lewatkan.

Mengapa NumPy Begitu Penting?

Sebelum terjun ke detail teknis, mari kita pahami mengapa NumPy begitu krusial:

• Efisiensi dan Kecepatan: Dibandingkan dengan list bawaan Python, array NumPy jauh lebih efisien dalam hal memori dan kecepatan pemrosesan. Ini karena NumPy ditulis dalam bahasa C dan menggunakan optimasi tingkat rendah.
• Fungsionalitas Matematis: NumPy menyediakan berbagai macam fungsi matematika dan operasi aljabar linear yang siap pakai, memungkinkan Anda melakukan kalkulasi kompleks dengan mudah.
• Struktur Data yang Fleksibel: Array multidimensional NumPy adalah fondasi bagi banyak library Python lainnya, termasuk Pandas, SciPy, dan scikit-learn.

Konsep Inti: Array NumPy

Inti dari NumPy adalah objek ndarray (N-dimensional array). Ini adalah struktur data yang mirip dengan list, tetapi dengan beberapa perbedaan mendasar yang membuatnya lebih kuat untuk komputasi numerik:

1. Homogen: Semua elemen dalam sebuah ndarray harus memiliki tipe data yang sama (misalnya, semua integer, semua float). Ini memungkinkan optimasi memori dan komputasi.
2. Multidimensional: ndarray dapat memiliki satu, dua, atau lebih dimensi (disebut juga sumbu atau axis).

Membuat Array NumPy

Cara paling umum untuk membuat array NumPy adalah menggunakan fungsi np.array() dari modul numpy.

import numpy as np

# Membuat array 1D dari list Python
arr1d = np.array([1, 2, 3, 4, 5])
print("Array 1D:", arr1d)
print("Tipe data array:", arr1d.dtype) # Menampilkan tipe data elemen
print("Dimensi array:", arr1d.ndim)    # Menampilkan jumlah dimensi
print("Bentuk array:", arr1d.shape)    # Menampilkan ukuran setiap dimensi

# Membuat array 2D (matriks)
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print("\nArray 2D:\n", arr2d)
print("Dimensi array:", arr2d.ndim)
print("Bentuk array:", arr2d.shape)

Tips Praktis:

• Tipe Data Khusus: Saat membuat array, Anda bisa menentukan tipe data secara eksplisit menggunakan argumen dtype. Ini penting untuk mengontrol penggunaan memori dan presisi komputasi.

  arr_float = np.array([1, 2, 3], dtype=np.float64)
  print("\nArray dengan float64:", arr_float)
  

• Fungsi Pembuatan Khusus: NumPy menyediakan fungsi praktis untuk membuat array dengan nilai tertentu:

  • np.zeros(shape): Membuat array berisi nol.
  • np.ones(shape): Membuat array berisi satu.
  • np.arange(start, stop, step): Mirip range pada list Python, tetapi menghasilkan array.
  • np.linspace(start, stop, num): Menghasilkan num elemen yang tersebar merata antara start dan stop.

  zeros_arr = np.zeros((2, 3)) # Array 2x3 berisi nol
  print("\nArray Nol:\n", zeros_arr)
  
  ones_arr = np.ones((3,))      # Array 1D berisi satu
  print("Array Satu:", ones_arr)
  
  range_arr = np.arange(0, 10, 2) # Angka dari 0 hingga sebelum 10 dengan langkah 2
  print("Array Arange:", range_arr)
  
  linspace_arr = np.linspace(0, 1, 5) # 5 angka tersebar merata dari 0 hingga 1
  print("Array Linspace:", linspace_arr)
  

Operasi Dasar pada Array NumPy

Salah satu keunggulan utama NumPy adalah kemampuannya untuk melakukan operasi pada seluruh array secara efisien tanpa perlu loop Python eksplisit. Ini disebut vectorization.

Operasi Aritmetika

Operasi aritmetika standar bekerja secara elemen demi elemen.

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

# Penjumlahan
print("a + b =", a + b)

# Pengurangan
print("a - b =", a - b)

# Perkalian
print("a * b =", a * b)

# Pembagian
print("a / b =", a / b)

# Pangkat
print("a ** 2 =", a ** 2)

# Perkalian skalar
print("a * 5 =", a * 5)

Operasi Perbandingan

Operasi perbandingan juga menghasilkan array boolean.

x = np.array([10, 20, 30])
y = np.array([15, 20, 25])

print("x > y:", x > y)
print("x == y:", x == y)

Pengindeksan dan Pemotongan (Indexing & Slicing)

Mirip dengan list Python, array NumPy mendukung pengindeksan dan pemotongan. Namun, untuk array multidimensional, pengindeksan dan pemotongan menjadi lebih kuat.

arr = np.array([[10, 20, 30],
                [40, 50, 60],
                [70, 80, 90]])

# Mengakses elemen tunggal (baris, kolom)
print("Elemen di baris 1, kolom 2:", arr[1, 2]) # Output: 60

# Mengakses seluruh baris
print("Baris ke-2:\n", arr[1, :]) # Ouput: [40 50 60]

# Mengakses seluruh kolom
print("Kolom ke-3:\n", arr[:, 2]) # Output: [30 60 90]

# Pemotongan subarray
print("Subarray (baris 0-1, kolom 1-2):\n", arr[0:2, 1:3])

Tips Jarang Diketahui (Boolean Indexing & Fancy Indexing):

• Boolean Indexing: Anda bisa memilih elemen berdasarkan kondisi boolean.

  data = np.array([1, 5, 2, 8, 3, 9])
  kondisi = data > 4
  print("\nElemen > 4:", data[kondisi]) # Output: [5 8 9]
  

• Fancy Indexing: Menggunakan array indeks untuk memilih elemen-elemen tertentu.

  arr_fancy = np.array([10, 20, 30, 40, 50, 60])
  indeks_pilihan = [1, 3, 5]
  print("Elemen dengan indeks [1, 3, 5]:", arr_fancy[indeks_pilihan]) # Output: [20 40 60]
  

Fungsi Universal (ufuncs)

Fungsi-fungsi ini beroperasi pada elemen-elemen array. NumPy memiliki banyak ufuncs yang efisien.

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

print("Akar kuadrat:", np.sqrt(x))
print("Eksponensial:", np.exp(x))
print("Sinus:", np.sin(x))
print("Logaritma natural:", np.log(x))

Operasi Agregasi

Menghitung nilai tunggal dari array (misalnya, jumlah, rata-rata, nilai maksimum).

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

print("Jumlah semua elemen:", np.sum(data_agg))
print("Rata-rata semua elemen:", np.mean(data_agg))
print("Nilai maksimum semua elemen:", np.max(data_agg))

# Agregasi per axis
print("\nJumlah per kolom (axis=0):", np.sum(data_agg, axis=0)) # Output: [5 7 9]
print("Rata-rata per baris (axis=1):", np.mean(data_agg, axis=1)) # Output: [2. 5.]

Kapan menggunakan axis=0 vs axis=1?

• axis=0 biasanya mengacu pada operasi vertikal (turun melalui baris) untuk kolom.
• axis=1 biasanya mengacu pada operasi horizontal (melintasi kolom) untuk baris.

Aljabar Linear dengan NumPy

NumPy memiliki modul numpy.linalg yang menyediakan fungsi-fungsi penting untuk aljabar linear.

# Membuat matriks
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# Perkalian matriks
print("Perkalian matriks A * B:\n", np.dot(A, B)) # atau A @ B

# Invers matriks
try:
    A_inv = np.linalg.inv(A)
    print("\nInvers matriks A:\n", A_inv)
except np.linalg.LinAlgError:
    print("\nMatriks A singular, tidak dapat diinvers.")

# Determinan matriks
print("Determinan A:", np.linalg.det(A))

# Eigenvalues dan Eigenvectors
eigenvalues, eigenvectors = np.linalg.eig(A)
print("\nEigenvalues A:", eigenvalues)
print("Eigenvectors A:\n", eigenvectors)

Implementasi Nyata: Analisis Data Sederhana

Mari kita lihat contoh bagaimana NumPy dapat digunakan dalam alur kerja analisis data sederhana. Bayangkan kita memiliki data suhu harian selama seminggu.

# Data suhu harian (dalam Celsius)
suhu_hari = np.array([28, 29, 27, 30, 31, 29, 28])
print("Suhu Harian:", suhu_hari)

# 1. Hitung suhu rata-rata mingguan
rata_rata_suhu = np.mean(suhu_hari)
print(f"Suhu Rata-rata Mingguan: {rata_rata_suhu:.2f}°C")

# 2. Cari suhu tertinggi dan terendah
suhu_tertinggi = np.max(suhu_hari)
suhu_terendah = np.min(suhu_hari)
print(f"Suhu Tertinggi: {suhu_tertinggi}°C")
print(f"Suhu Terendah: {suhu_terendah}°C")

# 3. Hitung perbedaan suhu dari rata-rata
perbedaan_dari_rata_rata = suhu_hari - rata_rata_suhu
print("Perbedaan Suhu dari Rata-rata:", perbedaan_dari_rata_rata)

# 4. Identifikasi hari dengan suhu di atas 29°C
hari_panas = suhu_hari > 29
print("Hari dengan suhu > 29°C:", hari_panas)
print("Nilai suhu pada hari panas:", suhu_hari[hari_panas])

Tips Pro untuk Pemula dan Pengguna Tingkat Lanjut

• Hindari Konversi Tipe Data yang Tidak Perlu: Jika Anda tahu data Anda akan menjadi float, buatlah sebagai float sejak awal (dtype=np.float64) daripada mengonversinya nanti. Ini menghemat waktu dan potensi kehilangan presisi.
• Pahami Broadcasting: Ini adalah mekanisme kuat di NumPy yang memungkinkan operasi antar array dengan bentuk yang berbeda (tetapi kompatibel). Memahaminya dapat menyederhanakan banyak kode.
• Gunakan np.where() untuk Kondisional Efisien: Jika Anda perlu memilih nilai berdasarkan kondisi secara elemen demi elemen, np.where(kondisi, nilai_jika_benar, nilai_jika_salah) jauh lebih efisien daripada loop if-else.

  nilai = np.array([-1, 0, 2, -5, 10])
  nilai_positif = np.where(nilai > 0, nilai, 0) # Ganti negatif dengan 0
  print("\nNilai positif:", nilai_positif)
  

• Manfaatkan np.all() dan np.any(): Untuk memeriksa apakah semua elemen dalam array boolean bernilai True (np.all()) atau setidaknya satu elemen bernilai True (np.any()).
• Cari Fungsi yang Tepat: Sebelum menulis loop sendiri untuk tugas matematika, periksa dokumentasi NumPy. Kemungkinan besar, fungsi yang Anda butuhkan sudah ada dan dioptimalkan.

Kesimpulan

NumPy adalah pondasi yang tak tergantikan dalam ekosistem komputasi ilmiah Python. Dengan memahami array multidimensional, operasi vektorisasi, indexing, slicing, ufuncs, dan fungsi aljabar linear, Anda telah membuka pintu ke pemrosesan data yang efisien dan analisis matematis yang kuat. Teruslah bereksplorasi, berlatih, dan merujuk pada dokumentasi resmi NumPy; ini adalah investasi berharga untuk perjalanan Anda dalam ilmu data dan komputasi numerik.