BEDUG MERIAH Diskon 95%
Belajar Data 6 BULAN Bersertifikat hanya Rp150K!

0 Hari 1 Jam 18 Menit 31 Detik

Numpy Array : Kenali Join Array, Hal Basic yang Harus Dikuasai dalam Python

Belajar Data Science di Rumah 24-Januari-2021
https://dqlab.id/files/dqlab/cache/586c178f634f1e09c954634b7dbfe8be_x_Thumbnail800.jpg

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

2. Join Menggunakan Stack() Function

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]]

3. Stacking Rows dan Column

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!


Penulis : Gifa Delyani Nursyafitri

Editor : Annissawd


Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login