Pengantar NumPy

NumPy latest version (Numerical Python) adalah pustaka sumber terbuka yang kuat untuk komputasi numerik dengan Python. Ini menyediakan alat yang cepat, efisien, dan fleksibel untuk bekerja dengan array, matriks, dan kumpulan data besar. NumPy banyak digunakan di berbagai bidang seperti ilmu data, pembelajaran mesin, komputasi ilmiah, dan teknik.

Ia dikenal karena:

✅ Dukungan array multi-dimensi (ndarray)
✅ Operasi vektor untuk perhitungan cepat
✅ Fungsi matematika untuk aljabar linier, statistik, dan transformasi Fourier
✅ Integrasi yang lancar dengan pustaka Python lain seperti Pandas, SciPy, dan TensorFlow

🔹 Mengapa Menggunakan NumPy?

✔ Lebih cepat dari daftar Python – Array NumPy mengkonsumsi lebih sedikit memori dan memungkinkan komputasi cepat.
✔ Mendukung Array Multi-Dimensi – Penting untuk bekerja dengan kumpulan data yang kompleks.
✔ Dioptimalkan untuk Kinerja – Menggunakan C dan Fortran untuk kecepatan.
✔ Penting untuk Ilmu Data & Pembelajaran Mesin – Banyak perpustakaan (Pandas, TensorFlow, Scikit-Learn) mengandalkan NumPy.
✔ Beragam Fungsi Bawaan – Termasuk alat untuk aljabar linier, pembuatan bilangan acak, dan operasi matematika.

Ikhtisar NumPy

NumPy (Numerical Python) adalah perpustakaan dasar untuk komputasi numerik dengan Python. Ini memberikan dukungan untuk array multi-dimensi, fungsi matematika, dan manipulasi data yang efisien, menjadikannya alat inti dalam ilmu data, pembelajaran mesin, dan komputasi ilmiah.

🔹 Sorotan Utama NumPy

1️⃣ Operasi Array Cepat & Efisien
Menyediakan objek ndarray, array multidimensi yang lebih cepat dan efisien dibandingkan daftar Python.
Dioptimalkan menggunakan C dan Fortran, membuat komputasi menjadi lebih cepat secara signifikan.

2️⃣ Perhitungan Vektor
Melakukan operasi pada seluruh array tanpa menggunakan loop Python, sehingga menghasilkan eksekusi berkecepatan tinggi.

3️⃣ Fungsi Matematika Komprehensif
Mendukung aljabar linier, statistik, transformasi Fourier, dan pembuatan bilangan acak.

4️⃣ Efisiensi Memori
Menggunakan blok memori yang berdekatan, mengurangi overhead dibandingkan dengan daftar Python.

5️⃣ Dukungan Penyiaran
Memungkinkan operasi antar array dengan bentuk berbeda tanpa perulangan eksplisit.

6️⃣ Integrasi yang Mulus dengan Perpustakaan Lain
Bekerja dengan Pandas, SciPy, Matplotlib, TensorFlow, PyTorch, dan Scikit-learn.

7️⃣ Mendukung Pemrosesan Data Skala Besar
Penting untuk aplikasi data besar, menangani kumpulan data besar secara efisien.

8️⃣ Sumber Terbuka & Berbasis Komunitas
Dipelihara secara aktif dengan pembaruan rutin dan komunitas pengguna yang kuat.

🔹 Aplikasi NumPy

✅ Ilmu Data & Pembelajaran Mesin – Bekerja dengan TensorFlow, Scikit-learn, Pandas.
✅ Komputasi Ilmiah – Digunakan dalam penelitian fisika, biologi, dan teknik.
✅ Keuangan & Ekonomi – Untuk analisis risiko dan pemodelan keuangan.
✅ Pemrosesan Gambar & Sinyal – Digunakan dalam OpenCV dan pencitraan medis.

🔹 20 Fitur Utama NumPy

1️⃣ Array Multidimensi (ndarray)
Fitur inti NumPy adalah ndarray (array N-dimensi), yang mendukung array 1D, 2D, dan multi-dimensi.
Array lebih cepat dan lebih hemat memori dibandingkan daftar Python.

2️⃣ Perhitungan Cepat & Efisien
NumPy dibuat dengan C dan Fortran, membuatnya jauh lebih cepat daripada daftar Python biasa untuk operasi numerik.

3️⃣ Menyiarkan Operasi Bijaksana Elemen
Mengizinkan operasi pada array dengan bentuk berbeda tanpa perulangan eksplisit.
Contoh: Menambahkan skalar ke array secara otomatis menerapkannya ke semua elemen.

4️⃣ Operasi Vektor (Tidak Perlu Loop)
Mengaktifkan operasi berdasarkan elemen pada array tanpa menggunakan loop Python yang lambat.

Contoh:
ular piton
Menyalin
Sunting
impor numpy sebagai np
arr = np.array([1, 2, 3])
mencetak(arr * 2) # Keluaran: [2 4 6]

5️⃣ Efisiensi Memori
NumPy menggunakan penyimpanan memori yang berdekatan, membuatnya lebih efisien daripada daftar Python.

6️⃣ Fungsi Matematika Bawaan
Termasuk fungsi trigonometri, logaritma, eksponen, dan pembulatan.
ular piton
Menyalin
Sunting
np.dosa(30), np.log(10), np.exp(3)

7️⃣ Pembuatan Angka Acak
NumPy memiliki modul acak yang kuat untuk menghasilkan angka acak, berguna dalam simulasi dan pembelajaran mesin.
ular piton
Menyalin
Sunting
np.random.rand(3,3) # Menghasilkan matriks bilangan acak berukuran 3×3

8️⃣ Fungsi Aljabar Linier
NumPy mendukung operasi matriks, determinan, nilai eigen, dan penyelesaian persamaan.
ular piton
Menyalin
Sunting
np.linalg.inv(matriks) # Invers matriks
np.linalg.det(matriks) # Penentu suatu matriks

9️⃣ Dukungan Transformasi Fourier
Menyediakan Fast Fourier Transform (FFT) untuk pemrosesan sinyal.

🔟 Fungsi Statistik & Probabilitas
Mendukung mean, median, varians, deviasi standar, dan banyak lagi.
ular piton
Menyalin
Sunting
np.berarti(arr), np.std(arr), np.var(arr)

1️⃣1️⃣ Menyortir & Mencari
Algoritme penyortiran cepat untuk pemrosesan data yang efisien.
ular piton
Menyalin
Sunting
np.sort(arr), np.searchsorted(arr, 5)

1️⃣2️⃣ Manipulasi Bentuk
Membentuk ulang, meratakan, dan mengubah posisi array dengan mudah.
ular piton
Menyalin
Sunting
arr.reshape(3,2), arr.T # Bentuk ulang dan ubah posisi

1️⃣3️⃣ Penggabungan & Pemisahan
Gabungkan atau pisahkan array di sepanjang sumbu yang berbeda.
ular piton
Menyalin
Sunting
np.gabungan((arr1, arr2)), np.split(arr, 2)

1️⃣4️⃣ Masukan/Keluaran Berkas (I/O)
Simpan dan muat array menggunakan format .npy atau .csv.
ular piton
Menyalin
Sunting
np.simpan(‘data.npy’, arr), np.beban(‘data.npy’)

1️⃣5️⃣ Menyamarkan & Memfilter Data
Gunakan kondisi untuk memfilter elemen dalam array.
ular piton
Menyalin
Sunting
arr[arr > 5] # Mengembalikan elemen yang lebih besar dari 5

1️⃣6️⃣ Menangani Data yang Hilang
Gunakan fungsi penanganan NaN (Bukan Angka).
ular piton
Menyalin
Sunting
np.isnan(arr) # Memeriksa nilai NaN

1️⃣7️⃣ Integrasi dengan Perpustakaan Lain
Bekerja dengan Pandas, SciPy, Matplotlib, TensorFlow, dan Scikit-learn.

1️⃣8️⃣ Dukungan Multi-Threading
Menggunakan pemrosesan paralel untuk mempercepat komputasi pada kumpulan data besar.

1️⃣9️⃣ Operasi Matriks Berkinerja Tinggi
Dioptimalkan untuk perkalian matriks, perkalian titik, dan operasi tensor.
ular piton
Menyalin
Sunting
np.dot(arr1, arr2) # Perkalian matriks

2️⃣0️⃣ Sumber Terbuka & Berbasis Komunitas
Gratis untuk digunakan, dipelihara secara aktif, dan terus ditingkatkan.

💡 Mengapa Menggunakan NumPy?

✔ Lebih cepat dari daftar Python – Performa sangat optimal.
✔ Hemat memori – Menggunakan lebih sedikit memori untuk kumpulan data besar.
✔ Penting untuk Ilmu Data & Pembelajaran Mesin – Ketergantungan inti untuk TensorFlow, Pandas, dan Scikit-learn.
✔ Mendukung Perhitungan Matematika yang Kompleks – Digunakan dalam aplikasi ilmiah dan teknik.

FAQ NumPy – Pertanyaan Umum

Berikut adalah 20 pertanyaan umum tentang NumPy, yang mencakup instalasi, fitur, kinerja, dan pemecahan masalah.

🔹 Pertanyaan Umum

1️⃣ Apa itu NumPy?
NumPy (Numerical Python) adalah perpustakaan Python untuk komputasi numerik. Ini menyediakan array multi-dimensi (ndarray) yang cepat dan hemat memori serta fungsi matematika untuk komputasi ilmiah.

2️⃣ Mengapa NumPy lebih cepat dari daftar Python?
Array NumPy disimpan dalam memori yang berdekatan (tidak seperti daftar).
Operasi dijalankan dalam kode C dan Fortran yang dikompilasi.
Ini mendukung operasi vektorisasi, menghilangkan kebutuhan akan loop Python yang lambat.

3️⃣ Apakah NumPy gratis untuk digunakan?
Ya! NumPy sepenuhnya gratis dan bersumber terbuka.

4️⃣ Apa aplikasi utama NumPy?
Ilmu Data – Digunakan dengan Pandas, Scikit-learn, TensorFlow.
✅ Pembelajaran Mesin – Bekerja dengan kerangka pembelajaran mendalam.
✅ Komputasi Ilmiah – Penting untuk fisika, biologi, dan teknik.
✅ Keuangan & Statistik – Analisis risiko, simulasi, dan pemodelan data.

5️⃣ Bagaimana cara menginstal NumPy?
Jalankan perintah berikut di terminal atau command prompt Anda:

pesta
Menyalin
Sunting
pip instal numpy
Untuk pengguna Anaconda:

pesta
Menyalin
Sunting
conda instal numpy

🔹 Fitur & Fungsi NumPy

6️⃣ Apa itu ndarray di NumPy?
ndarray adalah objek array multidimensi inti NumPy. Ini mendukung operasi vektor cepat dan komputasi numerik tingkat lanjut.

7️⃣ Bagaimana cara membuat array NumPy?
ular piton
Menyalin
Sunting
impor numpy sebagai np
arr = np.array([1, 2, 3, 4, 5])
mencetak(arr) # Keluaran: [1 2 3 4 5]

8️⃣ Bagaimana cara menghasilkan matriks nol atau satu?
ular piton
Menyalin
Sunting
np.zeros((3, 3)) # matriks 3×3 nol
np.ones((2, 4)) # matriks satuan 2×4

9️⃣ Apa itu siaran NumPy?
Penyiaran memungkinkan operasi berdasarkan elemen pada array dengan bentuk berbeda tanpa perulangan eksplisit.
Contoh:

ular piton
Menyalin
Sunting
arr = np.array([1, 2, 3])
mencetak(arr + 5) # Keluaran: [6 7 8]

🔟 Bagaimana cara membentuk ulang array di NumPy?
ular piton
Menyalin
Sunting
arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3) # Mengubah array 1D menjadi 2D

🔹 Kinerja & Optimasi

1️⃣1️⃣ Bagaimana cara memeriksa ukuran array NumPy?
ular piton
Menyalin
Sunting
arr.size # Mengembalikan jumlah total elemen

1️⃣2️⃣ Bagaimana cara mencari bentuk dan dimensi suatu array?
ular piton
Menyalin
Sunting
arr.shape # Pengembalian (baris, kolom)
arr.ndim # Mengembalikan jumlah dimensi

1️⃣3️⃣ Apakah NumPy mendukung pemrosesan paralel?
Ya! NumPy dapat menggunakan multi-threading untuk meningkatkan kinerja. Fungsi seperti operasi perkalian titik dan matriks secara otomatis dioptimalkan untuk kecepatan.

1️⃣4️⃣ Bagaimana cara mempercepat komputasi NumPy?
Aktifkan OpenCL (akselerasi GPU).
Gunakan operasi yang divektorkan alih-alih loop.
Tingkatkan memori cache untuk kumpulan data besar.

🔹 Bilangan Acak & Operasi Matematika

1️⃣5️⃣ Bagaimana cara menghasilkan angka acak di NumPy?
ular piton
Menyalin
Sunting
np.random.rand(3, 3) # 3×3 matriks bilangan acak antara 0 dan 1
np.random.randint(1, 100, 5) #5 bilangan bulat acak antara 1 dan 100

1️⃣6️⃣ Bagaimana cara melakukan operasi matematika dasar di NumPy?
ular piton
Menyalin
Sunting
arr = np.array([1, 2, 3])
mencetak(arr * 2) # Keluaran: [2 4 6]
mencetak(arr + 5) # Keluaran: [6 7 8]

1️⃣7️⃣ Bagaimana cara menghitung mean, median, dan deviasi standar?
ular piton
Menyalin
Sunting
np.berarti(arr), np.median(arr), np.std(arr)

1️⃣8️⃣ Bagaimana cara menghitung perkalian titik dari dua larik?
ular piton
Menyalin
Sunting
np.dot(arr1, arr2) # Melakukan perkalian matriks

🔹 Pemecahan Masalah & Kesalahan

1️⃣9️⃣ Mengapa saya mendapatkan pesan error “AttributeError: module ‘numpy’ has no atribut”?
Hal ini biasanya terjadi karena:

Konflik dengan file bernama numpy.py di direktori kerja Anda.
Instalasi rusak. Perbaiki dengan menginstal ulang NumPy:
pesta
Menyalin
Sunting
pip hapus instalan numpy
pip instal numpy

2️⃣0️⃣ Bagaimana cara memeriksa versi NumPy saya?
ular piton
Menyalin
Sunting
impor numpy sebagai np
print(np.__version__) # Menampilkan nomor versi