Cara menggunakan 2d lists python

Numpy array menjadi salah satu hal utama yang harus dikuasai dalam Python. Namun sebelum membicarakan tentang numpy array lebih jauh, ada baiknya kita memahami apa sebenarnya array itu. Secara umum, Array merupakan struktur data yang dapat menampung lebih dari satu nilai dalam satu waktu yang bersamaan. Pengertian array sendiri adalah kumpulan dari beberapa elemen secara berurutan dan memiliki jenis yang sama. Array menjadi hal dasar yang harus dikuasai ketika mempelajari bahasa pemrograman, termasuk Python.

Lalu apa itu numpy array dan apa yang membedakannya dengan array biasa? Nah, seperti namanya numpy adalah hal-hal yang berisi angka. Jika pada array biasa, elemen nya dapat berupa huruf ataupun gabungan antara huruf dan angka, maka pada numpy array, elemennya hanya dapat diisi dengan angka. Dalam artikel ini, kita akan membahas mengenai dimensi-dimensi yang mungkin untuk dibuat dalam numpy array. Jika teman-teman sudah penasaran, langsung baca aja yuk artikelnya!

1. Scalars (0-Dimensi) dan Uni-Dimensional (1-Dimensi)  

Array 0-D atau yang lebih dikenal dengan scalars merupakan elemen dari sebuah array. Jika teman-teman bingung seperti apa 0-D itu, maka kita hanya perlu memahami bahwa setiap dimensi yang ada dalam array merupakan array 0 dimensi. Agar lebih paham, berikut adalah contohnya:

import numpy as np

arr = np.array(42)

print(arr)

Maka hasilnya adalah :

30

Nah, bagaimana dengan array 1-D atau yang dikenal dengan sebutan uni dimensional? Array yang elemennya terdiri dari array 0-D inilah yang kemudian disebut dengan array 1-D atau uni dimensional. Array ini menjadi array yang paling umum dan paling banyak digunakan. Berikut contoh dari array 1-D:

import numpy as np

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

print(arr)

Maka hasilnya adalah :

[3, 0, 4, 9, 8]

Baca juga : Python Array : Memahami Kegunaan Array Dalam Python

2. Array 2 Dimensi dan Array 3 Dimensi

2-D Array atau array 2 dimensi merupakan array yang elemennya terdiri dari array 1 dimensi. Array 2 dimensi ini sering digunakan untuk membuat matriks. Contohnya adalah :

import numpy as np

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

print(arr)

Maka didapatkan hasilnya sebagai berikut:

[[3 2 1]

 [6 4 5]]

Sedangkan untuk 3-D array atau array 3 dimensi merupakan array yang elemennya memiliki larik 2-D array atau matriks. Berikut contohnya:

import numpy as np

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

print(arr)

Diperoleh output sebagai berikut:

[[[3 2 1]

  [6 4 5]]

 [[3 2 1]

  [6 4 5]]]

3. Higher Dimensional Arrays

Sebuah array memungkinkan dirinya untuk memiliki sejumlah dimensi. Kita dapat menentukan jumlah dimensi dari array pada saat membuatnya dengan menggunakan argumen ndmin. Contohnya:

import numpy as np

arr = np.array([1, 2, 3, 4], ndmin=5)

print(arr)

print('number of dimensions :', arr.ndim)

Outputnya adalah : 

[[[[[1 2 3 4]]]]]

number of dimensions : 5

Dalam contoh di atas, dimensi paling dalam yaitu dimensi ke-5 memiliki 4 elemen. Kemudian untuk dimensi ke-4 memiliki 1 elemen yaitu vektor. Sementara dimensi ke-3 memiliki 1 elemen yaitu matriks dengan vektor, dimensi ke-2 memiliki 1 elemen yaitu larik 3D dan dimensi pertama memiliki 1 elemen yaitu array 4D.

Baca juga : 3 Metode Numpy Array Python Sebagai Dasar Proses Manipulasi Data

4. Mulai Terapkan Ilmunya dengan Belajar Data Science bersama DQLab!

Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industi masa kini! Sign up sekarang untuk #MulaiBelajarData di DQLab!

NumPy (Numerical Python) adalah library Python yang fokus pada scientific computing. NumPy Array memiliki kemampuan untuk membentuk objek N-dimensional array, yang mirip dengan list pada Python. Keunggulan NumPy array dibandingkan dengan list pada Python adalah konsumsi memori yang lebih kecil dan juga runtime yang lebih cepat. NumPy juga memudahkan kita pada operasi aljabar linear, terutama operasi pada vektor (1-d array) dan matrix (2-d array).

Pada artikel ini, DQLab akan berbagi pengetahuan mengenai bagaimana menggunakan Numpy untuk memanipulasi Array pada Python. Secara spesifik, pada artikel ini akan dijelaskan tutorial dasar yang dapat sahabat data sekalian terapkan menggunakan Numpy pada array, termasuk cara menggabungkan setiap array yang ada. Dengan memahami hal-hal fundamental mengenai numpy array tersebut, sahabat data akan memiliki dasar yang lebih baik dalam melakukan data processing kedepannya. Penasaran apa saja metode tersebut? Yuk simak penjelasan berikut!

1. Mengenal NumPy Array

NumPy merupakan salah satu library terpenting dalam bahasa pemrograman python. Fungsi NumPy array mirip dengan manipulasi data pada python. Beberapa manipulasi array dasar adalah atribut array, pengindeksan array, pembentukan baris, dan penggabungan-pemisahan array. Manipulasi array yang biasanya banyak digunakan adalah menggabungkan beberapa array menjadi satu atau memisahkan satu array menjadi beberapa bagian.

Langkah pertama saat ingin menggunakan library numpy adalah melakukan import dengan menggunakan coding library numpy as np. Penggunaan as disini, artinya kita menggantikan pemanggilan numpy dengan prefix np untuk proses berikutnya.

Untuk melakukan pengecekan tipe pada array menggunakan fungsi type() seperti gambar di bawah ini

Array df memiliki tipe data int32 dan int64 yang keduanya sama-sama bertipekan integer. Perbedaan keduanya pada kapasitas penyimpanan data.

Baca juga: Python vs R, Mana yang Lebih Tepat untuk Beginner?

2. Multidimensional Array

Salah satu fitur menarik dari NumPy adalah library ini mampu membuat multidimensional array dan melakukan manipulasi array dengan mudah dan cepat. Multidimensional array adalah array yang berbentuk lebih dari 1 dimensi seperti 2D, 3D, 4D dan seterusnya. Cara membuat multidimensional array sama dengan membuat array 1 dimensi, perbedaannya hanya pada parameter yang digunakannya saja. Berikut ini adalah contohnya membuat array 2 dimensi dengan menghasilkan output sebagai berikut:

Array diatas adalah berbentuk (2,5) artinya mempunyai 2 baris dan 5 kolom. Kita bisa melihat jumlah elemen di setiap dimensi dengan menggunakan fungsi shape. 

3. Operasi Aritmatika

Kita bisa menggunakan operasi aritmatika seperti penjumlahan, pengurangan, perkalian, pembagian dan perpangkatan. Operator yang digunakan adalah  +, -, *, / dan **

Berikut contoh operasi aritmatika pada array,

4. Kenali Join Array

Source : LearnSQL

Join atau penggabungan merupakan hal kerap kali kita temukan, termasuk dalam array. Tidak jarang dalam pekerjaan Data Science, kita akan membutuhkan penggabungan dari beberapa data yang telah ada. Join array merupakan proses penggabungan array yang satu dengan array lainnya. Menggabungkan ini lebih mengarah kepada proses menempatkan dua atau lebih array dalam satu array. Jika pada SQL kita dapat melakukan proses penggabungan (yang dikenal dengan Join) menggunakan kata kunci, maka dalam array kita dapat menggabungkannya berdasarkan axis-nya (sumbunya).

5. Fungsi untuk Join Array

Untuk menggabungkan antara array yang satu dengan yang lainnya, kita tentunya akan membutuhkan alat. Dalam hal penggabungan numpy array, kita bisa memanfaatkan beberapa fungsi, seperti:

• concatenate (), digunakan untuk menggabungkan array tanpa harus memperhatikan urutan array yang akan digabungkan. 

Source : Kanoki.org

• stack (), hampir mirip dengan concatenate() hanya saja bedanya stack() dilakukan di axis yang baru.

Source : Kanoki.org

• hstack(), untuk menggabungkan array yang hasilnya akan berbentuk rows atau horizontal  

• vstack(), untuk menggabungkan dua array atau lebih dimana hasilnya akan berbentuk column atau vertikal.

Baca juga: Belajar Python: Mengenal Array pada Bahasa Pemrograman Python

6. Belajar Sekarang Yuk, DQLab Punya Kesempatan Special untuk Kamu! 

Saat ini DQLab sedang mengadakan promo Valentine buy 1 get 1 free untuk modul premium dan juga modul platinum. Kamu cukup membayar 6 bulan subscription untuk mendapatkan 12 bulan subscription sebagai member premium. Eits, gak cuma itu loh, kamu juga bisa mendapatkan 2 modul platinum hanya dengan harga 180 ribu. Murah banget kan? Yuk, tunggu apa lagi, buruan join menjadi member DQLab sekarang juga! Penawaran ini akan berakhir di tanggal 20 Februari 2022. Jangan sampai kamu melewatkan penawaran menarik ini ya!