Modul 8 Array dan memanipulasi Array

(Menggunakan Package Numpy)

Persiapan :

1. PC dengan OS windows/Linuk/MAC
2. Python terinstal
3. Notepad ++

array NumPy disebut sebagai ndarray, atau dikenal juga dengan sebutan array. Catat bahwa numpy.array
tidak sama dengan array Standard Python array.array, yang hanya bisa digunakan untuk array satu
dimensi dan dengan fitur yang lebih sedikit. Atribut yang paling penting dari ndarray adalah:

• ndarray.ndim banyaknya axis atau dimensi dari array. Di Python, banyaknya dimensi disebut
sebagai rank.
• ndarray.shape dimensi dari array. Ini adalah pasangan bilangan bulat yang menunjukkan
ukuran array di setiap dimensi. Untuk matriks dengan n barisdan m kolom,bentuknyaadalah (n,
m). Panjang dari pasangan shape adalah rank, atau jumlah dimensi, ndim.
• ndarray.size jumlah elemen dari array. Ini sama dengan perkalian elemen dari shape.
• ndarray.dtype sebuah objek yang menggambarkan jenis elemen dalam array. Seseorang
dapat membuat atau menentukan jenis dtype menggunakan jenis Python standar. Selain itu
NumPy menyediakan jenisnya sendiri. contoh numpy.int32, numpy.int16, dan
numpy.float64.
• ndarray.itemsize ukuran dalam byte dari setiap elemen array. Sebagai contoh, sebuah
array dari elemen tipe float64 memiliki itemsize 8 (= 64/8), sedangkan satu dari tipe
complex32 memiliki itemsize 4 (= 32/8). Ini sama dengan ndarray.dtype.itemsize.
• ndarray.data buffer yang mengandung elemen sebenarnya dari array. Biasanya, kita tidak
perlu menggunakan atribut ini karena kita akan mengakses elemen dalam array menggunakan
fasilitas pengindekan.

Praktek 1 : Array arange pada numpy python

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> a=np.arange(3)
>>> a
array([0, 1, 2])
>>> print(a)
[0 1 2]
>>> b=np.arange(5)
>>> b
array([0, 1, 2, 3, 4])
>>> print(b)
[0 1 2 3 4]
>>> c=np.arange(100)
>>> c
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 1
 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
>>> print(c)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
96 97 98 99]
>>> d=np.arange(1000000)
>>> d
array([ 0, 1, 2, ..., 999997, 999998, 999999])
>>> print(d)
[ 0 1 2 ... 999997 999998 999999]
>>> x=np.arange(15).reshape(5,3)
>>> x
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[12, 13, 14]])
>>> print(x)
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]
[12 13 14]]
>>> y=np.arange(9).reshape(3,3)
>>> y
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> print(y)
[[0 1 2]
[3 4 5]
[6 7 8]]
>>> x.shape
(5, 3)
>>> print(x.shape)
(5, 3)
>>> print(x.ndim)
2
>>> x.dtype.name
'int32'
>>> print(y.ndim)
2
>>> print(y.shape)
(3, 3)
>>> x.itemsize
4
>>> y.itemsize
4
>>> y.size
9
>>> x.size
15
>>> type(x)
<class 'numpy.ndarray'>
>>> type(y)
<class 'numpy.ndarray'>
>>> z=np.array([0,1,2,3,4,5,6,7,8,9])
>>> z
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> print(z)
[0 1 2 3 4 5 6 7 8 9]

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 2
 >>> zz=np.arange(10)
>>> zz
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> print(zz)
[0 1 2 3 4 5 6 7 8 9]
>>>
3. Selesai

Praktek 2 : Membuat array

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> a=np.array([5,6,7,8])
>>> a
array([5, 6, 7, 8])
>>> print(a)
[5 6 7 8]
>>> a.dtype
dtype('int32')
>>> a.shape
(4,)
>>> print(a.shape)
(4,)
>>> x=np.arange(4)
>>> x
array([0, 1, 2, 3])
>>> x.shape
(4,)
>>> x=np.arange(4).reshape(4,1)
>>> x
array([[0],
[1],
[2],
[3]])
>>> y=np.arange(4).reshape(1,4)
>>> y
array([[0, 1, 2, 3]])
>>> x.shape
(4, 1)
>>> y.shape
(1, 4)
>>> print(x)
[[0]
[1]
[2]
[3]]
>>> print(y)
[[0 1 2 3]]
>>> a=np.arange(20).reshape(4,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 3
 [10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> b=np.arange(20).reshape(2,10)
>>> b
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19]])
>>> a.shape
(4, 5)
>>> b.shape
(2, 10)
>>> a.ndim
2
>>> b.ndim
2
>>> a.dtype.name
'int32'
>>> b.dtype.name
'int32'
>>> a.size
20
3. Selesai

Praktek 3 : Membuat array lanjut

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> a=np.array([(1.8,2,3),(5,6,7)])
>>> a
array([[1.8, 2. , 3. ],
[5. , 6. , 7. ]])
>>> a.size
6
>>> a.shape
(2, 3)
>>> a.dtype.name
'float64'
>>> a.ndim
2
>>> c=np.array([[4,5],[5,6]],dtype=complex)
>>> c
array([[4.+0.j, 5.+0.j],
[5.+0.j, 6.+0.j]])
>>> print(c)
[[4.+0.j 5.+0.j]
[5.+0.j 6.+0.j]]

3. Selesai

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 4
Seringkali, elemen dari sebuah array pada awalnya tidak diketahui, namun ukurannya diketahui. Oleh
karena itu, NumPy menawarkan beberapa fungsi untuk membuat array yang memuat nilai awal. Hal
tersebut dapat meminimalkan pertumbuhan memori yang diperlukan array, sebagai operasi yang
dianggap mahal. Fungsi zeros menciptakan sebuah array yang berisi angka nol, fungsi ones yang
menciptakan array yang berisi angka satu, dan fungsi empty men

ciptakan array yang isinya acak dan bergantung pada keadaan memori. Secara default, dtype dari array
yang dibuat adalah float64.

Praktek 4 : Membuat array lanjut

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> x=np.zeros((4,5))
>>> x
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
>>> print(x)
[[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]]
>>> y=np.ones((4,5))
>>> y
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
>>> z=np.ones((4,5,2))
>>> z
array([[[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]],

[[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]],

[[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]],

[[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]]])
>>> a=np.arange(10,40,5)
>>> a
array([10, 15, 20, 25, 30, 35])
>>> b=np.arange(10,40,2)
>>> b
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38])

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 5
 >>> c=np.arange(0,2,0.3)
>>> c
array([0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
>>> d=np.linspace(10,40,6)
>>> d
array([10., 16., 22., 28., 34., 40.])
>>> e=np.linspace(10,40,8)
>>> e
array([10. , 14.28571429, 18.57142857, 22.85714286, 27.14285714,
31.42857143, 35.71428571, 40. ])
>>> f=np.linspace(10,40,10)
>>> f
array([10. , 13.33333333, 16.66666667, 20. , 23.33333333,
26.66666667, 30. , 33.33333333, 36.66666667, 40. ])
>>> g=np.linspace(0,40,10)
>>> g
array([ 0. , 4.44444444, 8.88888889, 13.33333333, 17.77777778,
22.22222222, 26.66666667, 31.11111111, 35.55555556, 40. ])
>>> g=np.linspace(0,40,9)
>>> g
array([ 0., 5., 10., 15., 20., 25., 30., 35., 40.])
>>> from numpy import pi
>>> x=np.linspace(0,2,9)
>>> x
array([0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> y=np.linspace(0,2*pi,10)
>>> y
array([0. , 0.6981317 , 1.3962634 , 2.0943951 , 2.7925268 ,
3.4906585 , 4.1887902 , 4.88692191, 5.58505361, 6.28318531])
>>> f=np.sin(y)
>>> f
array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 8.66025404e-01,
3.42020143e-01, -3.42020143e-01, -8.66025404e-01, -9.84807753e-01,
-6.42787610e-01, -2.44929360e-16])
3. Selesai

Praktek 5 : Menampilkan array

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> x=np.arange(5) #1D 1 dimensi array
>>> x
array([0, 1, 2, 3, 4])
>>> x=np.arange(12).reshape(3,4) #2D 2 dimensi array
>>> x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> x=np.arange(24).reshape(2,3,4) #3D 3 dimensi array
>>> x
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],

[[12, 13, 14, 15],

[16, 17, 18, 19],
[20, 21, 22, 23]]])

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 6
 >>> print(x)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
>>> x=np.arange(1000000).reshape(100,10000)
>>> x
array([[ 0, 1, 2, ..., 9997, 9998, 9999],
[ 10000, 10001, 10002, ..., 19997, 19998, 19999],
[ 20000, 20001, 20002, ..., 29997, 29998, 29999],
...,
[970000, 970001, 970002, ..., 979997, 979998, 979999],
[980000, 980001, 980002, ..., 989997, 989998, 989999],
[990000, 990001, 990002, ..., 999997, 999998, 999999]])
>>>

3. Selesai

Praktek 5 : Menampilkan array

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> x=np.arange(5) #1D 1 dimensi array
>>> x
array([0, 1, 2, 3, 4])
>>> x=np.arange(12).reshape(3,4) #2D 2 dimensi array
>>> x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> x=np.arange(24).reshape(2,3,4) #3D 3 dimensi array
>>> x
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],

[[12, 13, 14, 15],

[16, 17, 18, 19],
[20, 21, 22, 23]]])
>>> print(x)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
>>> x=np.arange(1000000).reshape(100,10000)

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 7
 >>> x
array([[ 0, 1, 2, ..., 9997, 9998, 9999],
[ 10000, 10001, 10002, ..., 19997, 19998, 19999],
[ 20000, 20001, 20002, ..., 29997, 29998, 29999],
...,
[970000, 970001, 970002, ..., 979997, 979998, 979999],
[980000, 980001, 980002, ..., 989997, 989998, 989999],
[990000, 990001, 990002, ..., 999997, 999998, 999999]])
>>>

3. Selesai

Praktek 6 : Operasi-operasi Dasar pada Numpy package

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> >>> x=np.array([30,40,50,60])
>>> y=np.array([2,2,5,10])
>>> z=x-y
>>> print(z)
[28 38 45 50]
>>> y**2
array([ 4, 4, 25, 100], dtype=int32)
>>> z=x-y
>>> print(z)
[28 38 45 50]
>>> y=y**2
>>> z=x-y
>>> print(z)
[ 26 36 25 -40]
>>> 10*np.sin(x)
array([-9.88031624, 7.4511316 , -2.62374854, -3.04810621])
>>> t=z<30
>>> print(t)
[ True False True True]

3. Selesai

Praktek 7 : Menampilkan array dari hasil Penjumlahan Matrik, Perkalian dan dot matrik, maksimum,
minimum dan jumlah total elemen array

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> A=np.array([[1,1],[0,1]])
>>> A
array([[1, 1],
[0, 1]])
>>> B=np.array([[2,0],[3,4]])

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 8
 >>> B
array([[2, 0],
[3, 4]])
>>> C=A+B
>>> C
array([[3, 1],
[3, 5]])
>>> D=A*B
>>> D
array([[2, 0],
[0, 4]])
>>> E=A.dot(B)
>>> E
array([[5, 4],
[3, 4]])
>>> B*=10
>>> B
array([[20, 0],
[30, 40]])
>>> B+=5
>>> B
array([[25, 5],
[35, 45]])
>>> A
array([[1, 1],
[0, 1]])
>>> A*=B
>>> A
array([[25, 5],
[ 0, 45]])
>>> d=np.exp(B*1j)
>>> d
array([[ 0.99120281-0.13235175j, 0.28366219-0.95892427j],
[-0.90369221-0.42818267j, 0.52532199+0.85090352j]])
>>> B
array([[25, 5],
[35, 45]])
>>> B.sum()
110
>>> B.min()
5
>>> B.max()
45
>>> B.sum(axis=0) # jumlah masing2 kolom
array([60, 50])
>>> B.sum(axis=1) # jumlah masing2 baris
array([30, 80])
>>> x=np.arange(12).reshape(3,4)
>>> x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> x.cumsum(axis=1) #komulatif masing2 baris
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 9
 [ 8, 17, 27, 38]], dtype=int32)
>>>

3. Selesai

Praktek 8 : Mengunakan fungsi umum seperti sin, cos, exp dan seterusnya

1. Mulai
2. Buka python konsol, lalu ketik seperti dibawah ini
>>> import numpy as np
>>> x=np.arange(12).reshape(3,4)
>>> x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> x.cumsum(axis=1) #komulatif masing2 baris
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]], dtype=int32)
>>> B=np.arange(4)
>>> B
array([0, 1, 2, 3])
>>> C=np.exp(B)
>>> C
array([ 1. , 2.71828183, 7.3890561 , 20.08553692])
>>> D=np.array([2,-2,4,0])
>>> D
array([ 2, -2, 4, 0])
>>> E=np.add(B,D)
>>> E
array([ 2, -1, 6, 3])
>>>

3. Coba fungsi yang lain seperti : all, any, apply_along_axis, argmax, argmin,
argsort, average, bincount, ceil, clip, conj, corrcoef, cov,
cross, cumprod, cumsum, diff, dot, floor, inner, inv, lexsort,
max, maximum, mean, median, min, minimum, nonzero, outer, prod,
re, round, sort, std, sum, trace, transpose, var, vdot,
vectorize, where.
4. Selesai

Resume Fungsi dan Metode

• Array Creation : arange, array, copy, empty, empty_like, eye, fromfile,

fromfunction, identity, linspace, logspace, mgrid, ogrid, ones,
ones_like, r, zeros, zeros_like.
• Conversions : ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat
Manipulations array_split, column_stack, concatenate, diagonal,
dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel,
repeat, reshape, resize, squeeze, swapaxes, take, transpose,
vsplit, vstack.

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 10
 • Questions : all, any, nonzero, where.
• Ordering : argmax, argmin, argsort, max, min, ptp, searchsorted,
sort.
• Operations : choose, compress, cumprod, cumsum, inner, ndarray.fill,
imag, prod, put, putmask, real, sum Basic Statistics cov, mean,
std, var Basic Linear Algebra cross, dot, outer, linalg.svd, vdot

Latihan : (bisa latihan lain diberikan oleh asisten)

Modul Praktikum Metode Komputasi-Teknik Sipil-Itenas-Bandung

Kamaludin; Putra Al Kamal Modul 4 - 11