Numpy array merupakan sebuah bagian dari ilmu basic Python yang sangat wajib hukumnya untuk dikuasai. Pada dasarnya, Array merupakan struktur data yang dapat menampung lebih dari satu nilai dalam satu waktu yang bersamaan. Lalu numpy array itu apa? Sesuai dengan namanya, numpy berkaitan erat dengan angka. Singkatnya, numpy array merupakan array yang berisi kumpulan 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.
Join array merupakan proses penggabungan array yang satu dengan array lainnya. Menggabungkan disini merujuk kepada proses meletakkan 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). Dalam artikel ini kita akan membahas beberapa cara dalam menggabungkan array. Penasaran kan? Simak artikel berikut ini!
1. Join dengan Menggunakan Concatenate() Function
Proses join yang paling umum dalam numpy array adalah dengan menggunakan fungsi concatenate(). Dimana kita tidak akan memperhatikan urutan array yang akan digabungkan. Jika axisnya tidak didefinisikan, maka akan dianggap axis nya adalah 0. Array 1-D hanya bisa menggunakan axis 0 pada function concatenate(). Contohnya:
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print(arr)
Maka hasil yang didapatkan hanya ada dalam satu baris.
[1 2 3 4 5 6]
Lalu bagaimana dengan array 2-D? Sebenarnya tidak jauh berbeda, hanya saja pada array 2-D kita dapat menggunakan axis=1 pada function concatenate(). Contohnya:
import numpy as np
arr1 = np.array([[4, 3], [2, 1]])
arr2 = np.array([[8, 7], [6, 5]])
arr = np.concatenate((arr1, arr2), axis=1)
print(arr)
Hasil yang diperoleh adalah,
[[4 3 8 7]
[2 1 6 5]]
Sedangkan ketika menggunakan axis = 0, hasil yang didapatkan adalah,
[[4 3]
[2 1]
[8 7]
[6 5]]
Baca juga : Python Array : Memahami Kegunaan Array Dalam Python
Function Stack() hampir sama dengan function concatenate(), bedanya stack dilakukan di axis yang baru. Hal ini memungkinkan array 1-D bisa memiliki axis = 1. Outputnya akan berbentuk bersusun. Untuk lebih jelasnya, berikut contohnya,
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.stack((arr1, arr2), axis=0)
print(arr)
Maka hasilnya akan sebagai berikut,
[[1 2 3]
[4 5 6]]
Sedangkan ketika axisnya diganti menjadi 1, maka hasil yang didapatkan adalah,
[[1 4]
[2 5]
[3 6]]
Numpy juga menyediakan fungsi stack untuk baris dan juga kolom. Untuk rows dapat menggunakan function hstack(), sedangkan untuk kolom dapat menggunakan function vstack(). Untuk function stack baik di rows ataupun column, kita hanya bisa menggunakan axis = 0. Perbedaan antara keduanya adalah di tampilan outputnya. Ketika kita memilih menggunakan hstack() maka data akan digabungkan dalam satu baris atau secara horizontal. Sedangkan ketika memilih vstack(), outputnya akan ditampilkan dalam baris yang berbeda. Berikut contohnya,
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
rows = np.hstack((arr1, arr2))
print(rows)
Maka hasilnya adalah
[1 2 3 4 5 6]
Sedangkan untuk column, kita hanya perlu mengganti perintah hstack() menjadi vstack() dan hasilnya adalah,
[[1 2 3]
[4 5 6]]
Nah, bagaimana? Fungsi join di Python tidak kalah seru kan?
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 data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab!
Ada banyak cara berbeda untuk mengubah bentuk (reshape) suatru Data Frame dalam Pandas dari bentuk lebar ke panjang. Tetapi metode melt () adalah yang paling fleksibel dan mungkin satu-satunya yang perlu Sahabat Data gunakan setelah Sahabat Data sekalian mempelajarinya dengan baik.
Pada artikel ini, akan diberikan Tutorial yang akan memandu kamu melakukan pengubahan bentuk Data Frame menggunakan pd.melt() atau metode lebur(melt) yang terkait dengan kerangka data pandas. Dalam bahasa lain seperti R, melt juga dikenal sebagai gather. Selain itu, R juga memiliki fungsi melt yang bekerja dengan cara yang sama. Bagi sahabat data sekalian, sangat direkomendasikan untuk mencoba penggunaan melt pada python selama membaca artikel ini.
Sebelum kita membahas tutorial penggunaan metode melt, kita harus pahami terlebih dahulu perbedaan kerangka data lebar (wide) dan panjang (long). Cara termudah untuk memahami apa itu kerangka data lebar atau tampilannya jika kita melihatnya dan membandingkannya dengan kerangka data yang panjang.
Dan di bawah ini adalah dataframe yang sesuai (dengan informasi yang sama) tetapi dalam bentuk yang panjang(long):
Mari mulai dengan membuat dataframe yang memanjang dalam python dengan menuliskan kode berikut :
1. Contoh Penggunaan Melt 1
Pada contoh pertama, kita akan "meleburkan" kerangka data dengan menentukan kolom pengenal melalui id_vars. Kolom non-pengenal "left-over" (bahasa Inggris, matematika, fisika) akan dilebur atau ditumpuk satu sama lain menjadi satu kolom.
Kolom indikator baru akan dibuat (berisi nilai bahasa inggris, matematika, fisika) dan kita dapat mengganti nama kolom baru ini (cLaSs) melalui var_name. Kita juga dapat mengganti nama kolom tempat semua nilai sebenarnya berada (gRaDe) melalui value_name. Di bawah adalah caranya :
Baca Juga : 3 Metode Numpy Array Python Sebagai Dasar Proses Manipulasi Data
2. Contoh Penggunaan Melt 2
Pada contoh kedua, kita akan menggunakan value_vars untuk menentukan kolom mana yang ingin kita leburkan atau susun ke dalam kolom (di sini, kita mengecualikan kolom fisika, jadi value_vars = ["english", "math"]). Kita juga menghilangkan kolom "school" dari id_vars. Berikut adalah contoh code nya.
3. Contoh Penggunaan Melt 3
Terakhir, mari kita lihat apa yang terjadi jika kita hanya menentukan kolom student sebagai kolom pengenal (id_vars = "student") tetapi tidak menentukan kolom mana yang ingin kita susun melalui value_vars. Hasilnya, semua kolom non-identifier (sekolah, bahasa Inggris, matematika, fisika) akan ditumpuk menjadi satu kolom.
Dataframe panjang yang dihasilkan terlihat salah karena sekarang kolom cLaSs dan gRaDe berisi nilai yang seharusnya tidak ada di sana. Intinya di sini adalah untuk menunjukkan kepada sahabat data bagaimana pd.melt bekerja.
Baca Juga : Python Tutorial : 3 Kesalahan Pemula Dalam Mempelajari Python
4. Yuk Pelajari Lebih Lanjut Bersama DQLab!
Yuk mulai pelajari dan terapkan ilmunya pada data yang kamu miliki! Sign Up untuk nikmati module GRATIS "Introduction to Data Science" dengan pengalaman belajar yang seru menyenangkan serta aplikatif pada industri nyata! Untuk kamu yang ingin mulai belajar Data Science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.
Dengan belajar di DQLab, kamu bisa:
Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial