Cara menggunakan portfolio variance python

Numpy merupakan salah satu library terbaik yang dimiliki python. Library ini dapat digunakan untuk banyak case dalam data science. Dengan adanya library yang powerful ini, kita tidak perlu lagi menuliskan code panjang untuk menjalankan program machine learning. Numpy merupakan library open source, artinya, kita dapat menggunakan library ini dengan gratis bahkan untuk tujuan komersil. Numpy sendiri merupakan singkatan dari Numerical Python. Biasanya library ini digunakan untuk menghitung operasi matematika pada array. 

Numpy bukanlah bahasa pemrograman, library ini merupakan perpanjangan dari python yang bertujuan untuk menyediakan fungsi untuk mengubah array. Salah satu kelebihan library numpy adalah membutuhkan memori yang lebih sedikit jika dibandingkan dengan list. Dalam dunia machine learning, library numpy ini dapat dimanfaatkan untuk banyak hal. Mau tahu apa saja kegunaan library ini? Yuk simak artikel berikut ini!

1. Membuat vektor, matriks, dan memilih elemen

Berikut merupakan contoh penggunaan library numpy untuk membuat array satu dimensi atau yang lebih dikenal dengan vektor. Pertama import library numpy sebagai aliasnya. 

Cara menggunakan portfolio variance python

Jika kita ingin menuliskan vektor baris, maka kita kita tinggal menuliskan sintaks berikut dan mengganti angka 4, 5, dan 6 sesuai kebutuhan

Cara menggunakan portfolio variance python

Untuk membuat vektor kolom, kita cukup tulis variabel dan np.array seperti script dibawah ini

Cara menggunakan portfolio variance python

Coba perhatikan cara menulis array pada vektor baris dan kolom, penulisan elemen vektor baris hanya dipisah dengan koma saja sedangkan elemen pada vektor kolom dipisahkan oleh koma dan kurung siku. Jadi jangan salah menuliskan elemennya ya!

Setelah berhasil membuat array satu dimensi (vektor), sekarang kita akan membuat array dua dimensi atau lebih dikenal dengan matriks. Sebelum menuliskan elemen matriks, pastikan kamu sudah mengimport library numpy-nya nya. Berikut adalah contoh membuat matriks menggunakan library numpy

Cara menggunakan portfolio variance python

Hasil matriks yang telah dicetak sebagai berikut

Cara menggunakan portfolio variance python

Vektor dan matriks merupakan kumpulan angka yang digabungkan dengan kurung siku. Kumpulan angka ini disebut dengan elemen. Pada vektor atau matriks berukuran kecil, mudah bagi kita untuk menentukan urutan elemen. Tetapi, jika ukuran matriks atau vektor tersebut besar, kita akan kesulitan untuk menemukan elemen di posisi tertentu. Tenang, library numpy bisa membantu kita! Untuk mengambil sebuah elemen vektor, hal pertama adalah mengimport library numpy terlebih dahulu. Lalu mendefinisikan vektornya, dan terakhir selecting elemennya. Contoh di bawah ini adalah selecting untuk elemen vektor ketiga dari vektor baris.

Cara menggunakan portfolio variance python

Dari gambar diatas, setelah selecting dilakukan, output menunjukkan angka 3. Angka tersebut merupakan elemen ketiga dari vektor baris. Selain melakukan selecting elemen vektor, kita juga bisa menggunakan library numpy untuk selecting elemen matriks. Misalnya kita ingin mengetahui elemen baris kedua dan kolom kedua dari suatu matriks. Kita bisa menuliskan script berikut di python lalu run scriptnya.

Cara menggunakan portfolio variance python

Dari hasil selecting elemen tadi, kita bisa tahu bahwa elemen baris kedua dan kolom kedua dari matriks 3x3 diatas adalah 5.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2. Mencari nilai max dan min, dan menghitung nilai rata-rata, varian, dan standar deviasi

Selain digunakan untuk membuat vektor, library numpy juga bisa digunakan untuk mencari elemen terkecil atau terbesar pada matriks. Untuk mencari elemen terbesar dan terkecil kita cukup menuliskan sintaks berikut

Cara menggunakan portfolio variance python

Dari matriks 3x3 di atas, didapatkan nilai elemen terbesar (maksimum) adalah 9 dan nilai elemen terkecil (minimum) adalah 1. Selain mencari nilai minimum dan maksimum, library ini juga dilengkapi fungsi untuk mencari nilai rata-rata, varian, dan standar deviasi dari sebuah array. Untuk menghitung nilai rata-rata, varian, dan standar deviasi, kita cukup menuliskan fungsi np.mean, np.var, np.std.

Cara menggunakan portfolio variance python

Dari output di atas, nilai rata-rata, standar deviasi, dan varian elemen untuk matriks 3x3 tersebut adalah 0,5, 2,58, dan 6,67.

3. Melakukan Transpose dan Menghitung Determinan

Transpose adalah proses mengubah posisi kolom atau baris dari suatu matriks atau vektor. Untuk mencetak transpose matriks atau vektor kita cukup menuliskan print(variabel.T). Berikut merupakan contoh penggunaan numpy untuk transpose matriks

Cara menggunakan portfolio variance python

Dari gambar di atas, terlihat elemen pada baris matriks berubah menjadi elemen pada kolom matriks. Cara tersebut juga dapat digunakan untuk mentranspose vektor. Selain mentranspose matriks, library numpy juga bisa digunakan untuk menghitung determinan matriks. Berikut adalah contoh sederhana menghitung determinan pada matriks 3x3

Cara menggunakan portfolio variance python

Machine learning tidak akan bisa dipisahkan dari data science. Data science merupakan ilmu yang dapat diterapkan di segala sektor. Tak ayal jika di era revolusi industri saat ini, hampir seluruh perusahaan menggunakan data science untuk meningkatkan performanya. Perkembangan industri ini berbanding lurus dengan meningkatnya lapangan pekerjaan sebagai data scientist. Tak ayal jika banyak orang mulai tertarik untuk belajar dan menekuni ilmu data science. Uniknya, ilmu ini tidak memerlukan background pendidikan khusus sehingga semua orang dari kalangan apapun bisa mempelajari ilmu ini.

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python

4. Yuk, Mulai Belajar Data Science bersama DQLab secara GRATIS!

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! Sign up sekarang untuk #MulaiBelajarData di DQLab!