Slide 1

MODUL 2

PYTHON FOR DATA ANALYSIS

Numpy
Arrays
Slide 2

Outline

• What is array ?
• Numpy ?
• Attributes and methods for numpy array

Pada sesi ini, kita akan belajar tentang array, numpy, serta atribut dan method untuk numpy array.
Slide 3

What is Array?

Pertama kita pelajari tentang Array

Slide 4

What is Array?

• Array is a structured data type that store multiple value with the same type.
• Array is mutable
• Array has index and started from 0
• Array has many form : 1D, 2D, 3D, …, nD

• Array adalah tipe data terstruktur yang menyimpan banyak value bertipe sama.
• Array bisa diubah dan memiliki index yang dimulai dari 0.
• Array memiliki berbagai bentuk dan ukuran, yang biasa bisa diindikasikan dengan jumlah dimensi array tersebut.
Slide 5

Terminologies in Array

• Dimensi adalah jumlah index yang dibutuhkan untuk memanggil suatu elemen.
• Array 1 dimensi hanya memiliki 1 index, 2 dimensi memiliki 2 indek dan seterusnya.
• Array 1 dimensi disebut vector, array 2 dimensi disebut matriks, array 3 dimensi disebut 3D array dan lebih dari itu ND array.
• Data array dengan banyak dimensi memudahkan kita untuk merapihkan data menjadi subgroup.
Slide 6

Numpy

Selanjutnya kita berkenalan dengan Numpy.

Slide 7

NumPy

● NumPy is a python library used for working with

array
● NumPy also can be used to work with linear
algebra, matrix operation, and any advance math
operation
● NumPy stand for = Numerical Python

How to use NumPy in python ?

• Numpy adalah library di python untuk mengolah data array.

• Selain itu, numpy juga bisa dipakai untuk aljabar linear, operasi matrix dan operasi matematika tingkat lanjut.
• Numpy merupakan singkatan untuk numerical python.
• Untuk memulai menggunakan numpy di python ketik command import numpy as np.
Slide 8

Why should we use NumPy?

• Array are 50x faster than python list

• Numpy array has a lot of supported function
• Array area frequently used in data science, where speed
and resource are very important

• Mengapa kita menggunakan array dan bukan list?

• Proses dalam numpy array 50 kali lebih cepat dibanding list pada python.
• Numpy array juga memiliki lebih banyak fungsi pendukung dalam data science.
Slide 9

How faster is NumPy?

• Berikut ini contoh code untuk membandingkan kecepatan pengolahan data menggunakan numpy array dan python list.
• Masing-masing memiliki 1 juta data.
• Dapat kita lihat, python list membutuhkan 0.1945 detik, sementara numpy array hanya 0.005 detik.
• Numpy array 38,7 kali lebih cepat dibanding python list.
Slide 10

Creating NumPy Arrays

From a Python List

1D Array

2D Array

10

• Ada beberapa cara untuk membuat array.

• Pertama menggunakan np.array pada list.
• Jumlah tingkat pada list akan menjadi dimensi array yang terbentuk.
• Misalnya, kita membuat array dari list berisi 3 angka, maka terbentuk array 1 dimensi.
• Apabila list memiliki 2 tingkat, maka terbentuk array 2 dimensi.
Slide 11

Creating NumPy Arrays

From a Python List

3D Array

11

• Pada contoh berikut ini, kita membuat array dari list 3 tingkat
• Maka array yang terbentuk adalah array 3 dimensi.
Slide 12

Creating NumPy Arrays

arange

12

• np.arange dipakai untuk membuat array dengan angka yang berurutan.

• Ada 3 parameter. Parameter start adalah angka pertama array. Parameter stop menentukan di angka berapa array akan berhenti. Lalu,
parameter step menentukan jarak antar angka di dalamnya.
• Metode arange dipakai untuk membuat array berisi angka yang berurutan dengan jarak tertentu.
• Misalnya, np.arrange(0,11,2) akan menghasilkan array berisi angka genap dari 0 sampai 11.
Slide 13

Creating NumPy Arrays

zeros and ones

13

• Metode zeros dipakai untuk membuat array yang berisikan hanya angka 0 saja.
• Sedangkan metode ones dipakai untuk membuat array berisikan angka 1 saja.
• Kedua metode ini biasa digunakan untuk membuat contoh dataset yang berisi hanya angka nol atau satu.
Slide 14

Creating NumPy Arrays

eye

14

• Metode numpy eye digunakan untuk membuat array dua dimensi dengan angka 1 di posisi diagonal array dan angka 0 di posisi yang lainnya.
• Numpy eye banyak diaplikasikan untuk data engineering dan perhitungan aljabar linear.
Slide 15

Creating NumPy Arrays

linspace

15

• Selanjutnya, metode linspace dipakai untuk membuat array berurutan dengan jarak tertentu.
• Memang mirip dengan arrange, tapi parameter di linspace adalah, start, end, dan num.
• Start adalah angka pertama, end adalah angka terakhir, dan num adalah jumlah angka yang diinginkan dalam array.
• Contoh: np.linspace (0,10,50), maka terbentuk array berjarak sama dari 0 sampai10 sebanyak 50 angka.
• Metode linspace digunakan untuk membuat array berisi angka berurutan berjarak sama, dengan jarak dan jumlah yang kita inginkan.
Slide 16

Creating NumPy Arrays

random.rand

16

• Numpy random.rand dipakai untuk membuat array berisi angka float acak antara 0 sampai 1.
• Parameter yang dipakai menentukan bentuk array yang terbentuk.
• Misalnya, np.random.rand (2) menghasilkan array 1 dimensi berisikan 2 angka random.
• np.random,rand (5,5) membentuk array 2 dimensi berukuran 5x5.
Slide 17

Creating NumPy Arrays

random.randn

17

• Mirip dengan random.rand, numpy random.randn juga menghasilkan array berisi angka float acak.
• Bedanya, array dari random.randn berdistribusi normal, sehingga, angka acak yang dihasilkan bisa bernilai negatif dan tidak terbatas di 0-1.
• Parameter yang dipakai pada random.randn juga menentukan bentuk dan dimensi array yang dihasilkan.
Slide 18

Creating NumPy Arrays

random.randint

18

• Fungsi numpy terakhir untuk membuat array adalah numpy random.randint.

• Fungsi ini menghasilkan array berisikan angka integer acak.
• Ada 3 parameter. Dua parameter awal adalah rentang nilai untuk memilih angka acak, dan parameter ketiga adalah jumlah angka acak yang
diinginkan.
• Contohnya, np.random.randint (1,100,10) akan menghasilkan 10 angka integer acak di antara 1-100.
• numpy random.rand, random.randn dan random.randint banyak digunakan untuk membuat contoh dataset pada machine learning.
Slide 19

Attributes and Methods for Numpy Array

• Selain membuat array, kita juga bisa mempelajari atribut dan memanipulasi array dengan Numpy.
• Mari kita pelajari beberapa metode dan atribut yang sering dipakai dalam numpy.
Slide 20

Array Attributes and Methods

shape

20

• Shape digunakan untuk melihat ukuran array pada tiap dimensinya.

• Pada contoh di atas, ukuran array_1d adalah (3, ). Artinya array 1 dimensi berisikan 3 nilai.
• Lalu, array_2d memiliki ukuran (3,3). Artinya di dimensi 1 dan 2, sama-sama memiliki 3 nilai.
• Terakhir, array_3d memiliki ukuran (3,3,3). Artinya di dimensi 1, 2, dan 3, sama-sama memiliki 3 nilai.
Slide 21

Array Attributes and Methods

reshape

21

• Selanjutnya mari kita pelajari, reshape

• array arr memiliki 1 dimensi dengan 25 nilai di dalamnya.
• Metode reshape dapat kita gunakan untuk mengubah array arr menjadi array 2 dimensi.
• Dapat kita lihat, array arr berubah menjadi ukuran (1,25).
• Artinya di dimensi 1 memiliki 1 nilai dan dimensi 2 memiliki 25 nilai.
• Array yang baru mungkin terlihat sama dengan sebelumnya. Tapi perhatikan bahwa kurung siku bertambah menjadi 2 set yang menandakan
array 2 dimensi.
Slide 22

Array Attributes and Methods

reshape

22

• Berikut ini contoh lain reshape.

• Misalnya array arr kita ubah bentuknya menjadi 5x5. Maka hasilnya dapat kita lihat di tampilan berikut.
Slide 23

Array Attributes and Methods

reshape

23

• Berikut ini contoh arr kita ubah bentuknya menjadi 25 x 1.

Slide 24

Array Attributes and Methods

reshape

24

• Ketika menentukan bentuk baru array, kita harus memperhatikan bentuk lamanya atau jumlah anggotanya.
• Misalnya bentuk array lama adalah (25, ), maka bentuk (25, 1), (5,5) atau (1,25) bisa dipakai sebagai bentuk baru, karena jumlahnya sesuai.
• Jika memakai (4,6), akan error karena bentuk baru tidak sesuai.
• Kita bisa memakai reshape (-1) supaya numpy menentukan bentuk baru yang sesuai bentuk lamanya.
• Cara ini sangat membantu ketika kita memiliki banyak data.
• Pada contoh berikut, dapat kita lihat contoh penggunaan reshape(-1)
Slide 25

Array Attributes and Methods

max, min, argmax, argmin

25

• Numpy memiliki metode numerikalnya sendiri.

• max( ) untuk mencari nilai terbesar di suatu array dan argmax( ) untuk mencari posisi nilai terbesar itu.
• Min() dan argmin( ) bisa digunakan untuk mencari nilai terkecil dan posisinya.
• Keempat metode ini bisa dipakai untuk mencari nilai ekstrem terkecil atau terbesar, beserta posisinya.
Slide 26

Array Attributes and Methods

dtype

26

• Dtype dipakai untuk mengetahui tipe dan bit data di dalam array.
• Pada contoh berikut, kita mengecek tipe data berupa integer dan float.
• Mengetahui tipe data ini penting untuk memilih metode atau fungsi yang tepat dalam Python.
Slide 27

Array Dimension

• Selanjutnya kita pelajari array 1 dimensi, 2 dimensi dan 3 dimensi.

Slide 28

1D Array

Value 5 11 34 1 4

Index 0 1 2 3 4

28

• Selanjutnya mari kita berkenalan array 1 dimensi, 2 dimensi, dan 3 dimensi.

• Pada tampilan ini, kita bisa melihat pada array 1 dimensi, setiap nilai memiliki 1 indeks.
• Misalnya, nilai 5 memiliki index 0, value 11 memiliki index 1, dst.
Slide 29

2D Array

1 5 -6 12 0

2 -23 23 -7 1

0 43 77 3 2

32 -22 88 2 3

0 1 2 3 Index

29

• Lalu pada array 2 dimensi, masing-masing value memiliki 2 index.

• Contohnya nilai 1 memiliki index pertama 0 dan index kedua 0, nilai -22 memiliki index pertama 3 dan index kedua 1.
Slide 30

3D Array

0 1

0 1 2 Index
30

• Begitu pula array 3 dimensi, setiap nilai memiliki 3 index.

• Pada tampilan berikut, nilai 7 bisa memiliki index [0,0,0] atau [3,2,1].
• Data array banyak dimensi memudahkan kita saat ingin merapikan data. Misalnya dengan array 2 dimensi kita dapat menentukan baris dan
kolomnya (subgroup).