Tutorial Menggunakan Fungsi Array Python, Ilmu Dasar Bagi Pemula

Sesuatu yang kompleks pasti disusun dengan beberapa hal yang sederhana. Para pemula dapat mengimplementasikan array Python untuk menghasilkan sesuatu hal sederhana menjadi kompleks. Tentu saja harus mengetahui dasar dasar yang akan membantu dalam proses pengembangannya. Dalam Data Science, data dapat diproses dengan mudah ketika telah berbentuk data frame atau list.

Array Python adalah struktur data seperti list. Array berisi sejumlah objek yang dapat terdiri dari tipe data yang berbeda yang dapat diulang dan memiliki fungsi given untuk mengolahnya. Array digunakan untuk menyimpan, mengatur, dan mengelola data. Kita bisa memanfaatkan fitur bawaan dari Python untuk mengolah, mengambil, dan mengubah struktur data ini. Misalnya, kita bisa menyimpan daftar nama karyawan dalam bentuk array.

Array Python sangat berguna saat kita bekerja dengan banyak tipe data yang sama. Setiap proses menggunakan fungsi yang berbeda sehingga kita harus memahami setiap fungsi yang diperlukan untuk mengolah array. Pada artikel kali ini kita akan membahas apa saja fungsi tersebut dan bagaimana contoh penggunaannya. Jadi tunggu apa lagi, yuk simak artikel ini sampai akhir!

1. Mengenal NumPy Array

Library populer milik Python ini merupakan singkatan dari Numerical Python. Fungsi dari modul ini untuk membantu para Data Scientist menangani permasalahan angka-angka. Berfokus pada scientific computing, NumPy memiliki kemampuan dalam membentuk objek N-dimensional array yang mirip dengan MATLAB. NumPy memudahkan penggunanya dalam operasi Aljabar Linear seperti Vektor dan Matriks.

NumPy merupakan salah satu library terpenting dalam bahasa pemrograman Python. Fungsi NumPy array mirip dengan manipulasi data pada Python. Beberapa manipulasi array dasar adalah atribut array, pengindeksan array, pembentukan baris, dan penggabungan-pemisahan array.

Manipulasi array yang biasanya banyak digunakan adalah menggabungkan beberapa array menjadi satu atau memisahkan satu array menjadi beberapa bagian.

Langkah pertama saat ingin menggunakan library NumPy adalah melakukan import dengan menggunakan coding library numpy as np. Penggunaan as disini, artinya kita menggantikan pemanggilan numpy dengan prefix np untuk proses berikutnya.

Untuk melakukan pengecekan tipe pada array menggunakan fungsi type() seperti gambar di bawah ini

Array df memiliki tipe data int32 dan int64 yang keduanya sama-sama bertipekan integer. Perbedaan keduanya pada kapasitas penyimpanan data.

Baca juga: Belajar Python: Mengenal Array pada Bahasa Pemrograman Python

2. Fungsi yang Sering Digunakan dengan Array

Di dalam NumPy Array terdapat beberapa fungsi yang dapat digunakan bersama untuk mengolah data dan manipulasi data. Beberapa fungsi yang sering digunakan dengan NumPy Array yaitu sebagai berikut:

• .arrange() untuk membuat array

• .reshape() untuk membuat atau merubah baris kolom

• .type() untuk mengecek tipe data pada suatu array yang mana tipe data yang umum pada numpy yaitu boolean, string, integer, float, dan complex.

• .append() untuk menambahkan elemen dari urutan belakang

• .insert() untuk menambahkan elemen dari index tertentu

• .remove() untuk menghapus elemen

• .len() untuk melihat panjang suatu array atau list

• .sorted() untuk mengurutkan nilai

• .reverse() untuk mengembalikan urutan nilai array

• .pop() untuk menghapus item pada index tertentu

3. List : Langkah Awal untuk Membuat Array

Ternyata, implementasi untuk membuat list pada Python dapat digunakan melalui definisi variabel numerik biasa dengan mengubahnya terlebih dahulu menjadi list lalu diubah menjadi numpy array. Contohnya sebagai berikut:

listname = [[A, B, C],[D, E, F, G]]

arrname = np.array([listname)

arrname

listname merupakan variabel yang menampung data di dalam kurung siku. Nilai nilai yang dapat ditampung dapat berupa nilai numerik atau bahkan nilai string. Sementara setiap setiap kurung siku mampu menampung size yang sudah dikehendaki.

Dengan demikian, setiap elemen yang ditampung menentukan kuantitas atau jumlah yang dapat ditampung dalam element list. Nah, untuk mengisi nilai yang ada pada listname maka digunakan index list. Index List merupakan implementasi "array python". Contohnya, [A, B, C] merupakan list index ke 1 dengan size 3.

Kebanyakan dataset pada real case industri memiliki tipe data yang beragam misalnya tipe data int, string, dan float terdapat pada satu dataset. Nah tentunya kalian harus mempelajari bagaimana cara implementasi input data yang memiliki tipe data berbeda. Seperti contoh pada tipe data yang ada pada list di bawah ini yaitu, string, integer, dan float.

aksara = ["module", 2, 9.20]

Kombinasi berbagai tipe data menunjukkan bahwa dataset yang kalian miliki adalah dataset yang kaya, sehingga pengolahan datanya akan lebih menimbulkan challenge atau tantangan yang cukup seru, terutama pada bagian cleansing data dan transform data.

4. Contoh Penggunaan Fungsi-Fungsi pada Array

Berikut ini kita akan mencoba menerapkan beberapa fungsi yang dimiliki array Python. Fungsi pertama yaitu menggabungkan array dengan metode append(). Fungsi ini pada dasarnya memiliki formula,

Numpy.append(array, values, axis = None)

Agar mudah dipahami, yuk simak contoh di bawah ini!

Fungsi array yang kedua adalah concatenate(). Fungsi ini juga digunakan untuk menggabungkan dua array atau lebih. Secara umum, rumus untuk menggabungkan array dengan metode concatenate() adalah,

numpy.concatenate((arr1, arr2, ¦), axis=0, out=None)

Selanjutnya ada fungsi hstack(), dimana fungsi ini digunakan untuk menggabungkan array secara berurutan dan horizontal. Secara umum, rumus untuk menggabungkan array dengan metode ini adalah numpy.hstack(tuple). Tuple berisi array yang akan digabungkan. Array harus memiliki bentuk yang sama.

Metode yang terakhir adalah column_stack() digunakan untuk menggabungkan array menjadi kolom dan diubah menjadi array 2-D. Secara umum, rumus untuk menggunakan metode ini adalah column_stack(array).

Baca juga: Array Python : Array VS List Serupa Namun Tak Sama, Yuk, Kenali Perbedaannya

Tertarik mempelajari bahasa pemrograman python lebih dalam? Yuk belajar dengan modul Python dari DQLab! Modul DQLab disusun secara terstruktur oleh expert di bidang Data Science sehingga topik yang akan dipelajari merupakan topik yang banyak digunakan di dunia industri. 

Selain itu, level kesulitan dan pemahaman setiap modul juga diperhatikan sehingga terdapat modul untuk beginner hingga pengaplikasian di berbagai bidang industri.

Yuk klik button di bawah ini atau Sign Up melalui DQLab.id untuk mengakses modul gratis "Introduce to Data Science" untuk mencoba Live Code Editor dari DQLab dan nikmati juga ebook gratis sebagai fasilitas penunjang belajar.

Penulis : Salsabila MR

Editor : Annisa Widya Davita

Tags