Python Tutorial NumPy untuk Pemula

Apa itu NumPy Python?

JumlahPy adalah sumber terbuka Python Pustaka untuk pemrograman matematika, sains, teknik, dan ilmu data. Ini adalah pustaka yang sangat berguna untuk operasi matematika dan statistik. PythonIni bekerja sempurna dengan array multidimensi dan perkalian matriks, serta mudah diintegrasikan dengan C/C++ ke Fortran.

Untuk proyek ilmiah apa pun, NumPy adalah alat yang perlu dikuasai. NumPy dirancang untuk array N-dimensi, aljabar linear, pembangkitan bilangan acak, transformasi Fourier, dan banyak lagi.

NumPy memberikan Python Dukungan kelas satu untuk array dan matriks multidimensi, ditambah sejumlah besar operasi matematika yang bekerja padanya. Dalam panduan ini, kita akan meninjau fungsi-fungsi penting yang perlu Anda ketahui sebelum melanjutkan ke tutorial tentang 'TensorFlow. "

Mengapa menggunakan NumPy?

NumPy efisien dalam penggunaan memori, sehingga dapat menangani volume data numerik yang besar dengan lebih mudah daripada algoritma murni. Python daftar. Ini juga sangat nyaman untuk perkalian matriks dan pembagian ulang.ping, dan prosesnya cepat karena pekerjaan berat didelegasikan ke rutin C yang dikompilasi. Bahkan, pustaka seperti TensorFlow, PyTorch, dan Scikit-learn mengandalkan array NumPy untuk perhitungan matriks di bagian belakangnya, yang menjadikan NumPy sebagai mesin penggerak yang tak terlihat di balik sebagian besar alur kerja ilmu data dan AI modern.

Cara Memasang NumPy

Untuk menginstal pustaka NumPy, lihat tutorial kami. Cara memasang TensorFlow. NumPy diinstal secara default dengan Anaconda.

Jika NumPy belum terinstal (kasus yang jarang terjadi), gunakan salah satu opsi di bawah ini.

Anda dapat menginstal NumPy menggunakan Anaconda:

conda install -c anaconda numpy

• In Jupyter Buku catatan:

import sys
!conda install --yes --prefix {sys.prefix} numpy

Pengguna Pip dapat menginstal atau memperbarui dengan satu perintah:

pip install --upgrade numpy

Impor NumPy dan Periksa Versi

Perintah untuk mengimpor numpy adalah:

import numpy as np

Baris di atas mengubah nama namespace NumPy menjadi npPintasan ini memungkinkan Anda untuk menambahkan awalan pada fungsi, metode, dan atribut NumPy. np. alih-alih typing numpy., dan ini adalah konvensi standar yang akan Anda temukan di seluruh ekosistem NumPy.

Untuk memeriksa versi NumPy yang terpasang, gunakan perintah di bawah ini:

print(np.__version__)

Keluaran:

2.1.3

NumPy 2.0 dirilis pada Juni 2024 dan merupakan seri utama stabil saat ini. Jika proyek Anda masih bergantung pada API 1.x, tetap gunakan versi tersebut. numpy<2 di file persyaratan Anda karena beberapa alias lama seperti np.float dihapus di versi 2.0.

Apa itu Python Array NumPy?

Array NumPy terlihat agak seperti ini Python Sekilas tampak seperti daftar, tetapi cara kerjanya sangat berbeda. Bagi pembaca yang baru mengenal topik ini, mari kita jelaskan apa itu ndarray dan mengapa hal itu penting.

Sesuai namanya, array NumPy adalah struktur data utama dari pustaka NumPy. Nama itu sendiri merupakan singkatan dari "Numeric" (Numeric). Python” atau “Numerik Python”, dan ndarray adalah blok memori homogen berukuran tetap dengan bentuk dan tipe data yang diketahui.

Membuat Array NumPy

Cara paling sederhana untuk membuat array di NumPy adalah dengan memulai dari sebuah Python Daftar.

myPythonList = [1,9,8,3]

mengkonversi Python daftar ke array NumPy menggunakan np.array.

numpy_array_from_list = np.array(myPythonList)

Tampilkan isi dari array tersebut.

numpy_array_from_list

Keluaran:

array([1, 9, 8, 3])

Dalam praktiknya, tidak perlu mendeklarasikan a Python Daftar terlebih dahulu. Kedua langkah tersebut dapat digabungkan.

a = np.array([1,9,8,3])

CATATAN: Dokumentasi NumPy juga menyebutkan np.ndarray, tapi np.array adalah fungsi pabrik yang direkomendasikan untuk penggunaan sehari-hari.

Anda juga dapat membuat array NumPy dari tuple dengan cara yang sama.

Matematis Operations pada Array

Anda dapat melakukan operasi matematika seperti penjumlahan, pengurangantracPembagian, perkalian, dan operasi lainnya pada sebuah array. Sintaksnya adalah nama array, diikuti oleh operator (+, -, *, /), diikuti oleh operand. Operasi-operasi ini di-vektorisasi, yang berarti NumPy menerapkannya ke setiap elemen tanpa perlu instruksi eksplisit. Python Loop.

Contoh:

numpy_array_from_list + 10

Keluaran:

array([11, 19, 18, 13])

Operasi ini menambahkan 10 ke setiap elemen array NumPy.

Bentuk Array

Anda dapat memeriksa bentuk array dengan shape atribut, diakses dengan menambahkan atribut tersebut ke nama array. Dengan cara yang sama, Anda dapat memeriksa tipenya dengan dtype.

import numpy as np
a = np.array([1,2,3])
print(a.shape)
print(a.dtype)

(3,)
int64

Bilangan bulat adalah nilai tanpa titik desimal. Jika Anda membuat array dengan angka desimal, tipe datanya berubah menjadi float.

#### Different type
b = np.array([1.1,2.0,3.2])
print(b.dtype)

float64

Array 2 Dimensi

Anda dapat menambahkan dimensi dengan koma di dalam tanda kurung.

Perhatikan bahwa tupel bagian dalam harus berada di dalam tanda kurung luar. [].

### 2 dimension
c = np.array([(1,2,3),
              (4,5,6)])
print(c.shape)
(2, 3)

Array 3 Dimensi

Dimensi yang lebih tinggi dapat dibangun dengan cara yang sama.

### 3 dimension
d = np.array([
    [[1, 2,3],
        [4, 5, 6]],
    [[7, 8,9],
        [10, 11, 12]]
])
print(d.shape)
(2, 2, 3)

Tujuan	Code
Buat susunan	susunan([1,2,3])
mencetak bentuknya	susunan([.]).bentuk

Apa itu numpy.zeros()?

jumlah.nol() or np.zeros adalah Python Fungsi yang digunakan untuk membuat matriks yang diisi dengan angka nol. numpy.zeros() Berguna ketika Anda perlu menginisialisasi bobot selama iterasi pertama di TensorFlow atau menyiapkan buffer placeholder untuk tugas statistik lainnya.

Sintaks fungsi numpy.zeros()

numpy.zeros(shape, dtype=float, order='C')

Python numpy.zeros() Parameter

Di sini,

• Bentuknya: bentuk array nol NumPy.
• Tipe D: tipe data elemen. Ini opsional, dan nilai defaultnya adalah float64.
• Memesan: defaultnya adalah C, yang merupakan tata letak baris-utama yang digunakan oleh numpy.zeros() in Python.

Python numpy.zeros() Contoh

import numpy as np
np.zeros((2,2))

Keluaran:

array([[0., 0.],
          [0., 0.]])

Contoh numpy zero dengan Datatype

import numpy as np
np.zeros((2,2), dtype=np.int16)

Keluaran:

array([[0, 0],
         [0, 0]], dtype=int16)

Apa itu numpy.ones()?

fungsi np.ones() menciptakan matriks yang diisi dengan angka satu. numpy.ones() in Python Berguna saat Anda menginisialisasi bobot selama iterasi pertama di TensorFlow dan untuk tugas statistik lainnya.

Python Sintaks numpy.ones()

numpy.ones(shape, dtype=float, order='C')

Python numpy.ones() Parameter

Di sini,

• Bentuknya: bentuk np.ones Python susunan.
• Tipe D: tipe data elemen. Ini opsional, dan nilai defaultnya adalah float64.
• Memesan: defaultnya adalah C, yang merupakan tata letak baris-utama.

Python numpy.ones() Array 2D dengan Contoh Tipe Data

import numpy as np
np.ones((1,2,3), dtype=np.int16)

Keluaran:

array([[[1, 1, 1],
       [1, 1, 1]]], dtype=int16)

numpy.reshape() berfungsi di Python

Python Bentuk Ulang NumPy Mengubah bentuk array tanpa mengubah datanya. Anda mungkin perlu mengubah bentuk data dari format lebar ke format panjang, atau memindahkannya dari vektor 1D ke matriks 2D sebelum memasukkannya ke dalam model. np.reshape Fungsi ini menangani hal ini dalam satu panggilan.

Sintaks np.reshape()

numpy.reshape(a, newShape, order='C')

Di sini,

a: array yang ingin Anda ubah bentuknya.

Bentuk baru: bentuk baru yang diinginkan.

Memesan: defaultnya adalah C, tata letak baris-utama.

Contoh Bentuk Ulang NumPy

import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
e.reshape(3,2)

Keluaran:

 // Before reshape
[[1 2 3]
 [4 5 6]]

//After Reshape
array([[1, 2],
	[3, 4],
	[5, 6]])

numpy.flatten() di Python

Python Ratakan NumPy Mengembalikan salinan array yang dikompres menjadi satu dimensi. Saat Anda bekerja dengan jaringan saraf seperti convnet, Anda sering perlu meratakan tensor gambar sebelum meneruskannya ke lapisan dense. np.flatten() Fungsi ini menangani hal tersebut dalam satu panggilan.

Sintaks np.flatten()

numpy.flatten(order='C')

Di sini,
Memesan: defaultnya adalah C, tata letak baris-utama.

Contoh NumPy Ratakan

e.flatten()

Keluaran:

array([1, 2, 3, 4, 5, 6])

Apa yang dimaksud dengan numpy.hstack() Python?

numpy.hstack adalah Python Fungsi yang digunakan untuk menumpuk urutan array input secara horizontal menjadi satu array tunggal. Dengan hstack()Anda menambahkan data di sepanjang sumbu kolom. Ini adalah alat bantu yang sangat praktis di NumPy ketika Anda perlu menggabungkan vektor fitur berdampingan.

Mari kita belajar hstack in Python dengan sebuah contoh.

Contoh:

## Horizontal Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Horizontal Append:', np.hstack((f, g)))

Keluaran:

Horizontal Append: [1 2 3 4 5 6]

Apa yang dimaksud dengan numpy.vstack() Python?

numpy.vstack adalah Python Fungsi yang digunakan untuk menumpuk urutan array input secara vertikal menjadi satu array tunggal. Dengan vstack()Anda menambahkan data di sepanjang sumbu baris, yang berguna ketika Anda ingin menggabungkan beberapa kelompok sampel.

Mari kita pelajari dengan sebuah contoh.

Contoh:

## Vertical Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Vertical Append:', np.vstack((f, g)))

Keluaran:

Vertical Append: [[1 2 3]
 [4 5 6]]

Setelah mempelajari NumPy vstack ke hstackMari kita lihat contoh yang menghasilkan angka acak di NumPy.

Hasilkan Acak Numbers menggunakan NumPy

Untuk menghasilkan angka acak dari distribusi Gaussian, gunakan:

numpy.random.normal(loc, scale, size)

Di sini,

• locRata-rata. Pusat distribusi.
• Skala: simpangan baku.
• Ukuran: jumlah sampel yang dikembalikan.

Contoh:

## Generate random numbers from a normal distribution
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)
[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Jika diplot, distribusinya akan mirip dengan grafik berikut.

Perhatikan bahwa kode yang lebih baru semakin banyak menggunakan API generator modern, np.random.default_rng(), yang merupakan pengganti yang direkomendasikan untuk versi lama. np.random.normal panggilan di NumPy 2.x.

Fungsi Asarray NumPy

The asarray() Fungsi ini mengkonversi input menjadi array. Input dapat berupa list, tuple, ndarray, atau urutan serupa.

sintaks:

numpy.asarray(data, dtype=None, order=None)

Di sini,

data: data yang ingin Anda konversi menjadi array.

tipe d: opsional. Jika tidak ditentukan, tipe data akan disimpulkan dari data masukan.

Memesan: defaultnya adalah C, tata letak baris-utama. Pilihan lainnya adalah F (Fortra(kolom mayor gaya n).

Contoh:

Perhatikan matriks 2D berikut dengan empat baris dan empat kolom, yang diisi dengan angka 1.

import numpy as np
A = np.matrix(np.ones((4,4)))

Jika Anda mencoba mengubah nilai dalam matriks melalui np.array, versi aslinya tidak dimodifikasi. Alasannya adalah bahwa np.array membuat salinan matriks.

np.array(A)[2]=2
print(A)
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

Matriksnya tidak berubah. Gunakan asarray Saat Anda ingin memodifikasi array asli di tempatnya. Mari kita lihat apa yang terjadi ketika Anda mengatur baris ketiga ke nilai 2.

np.asarray(A)[2]=2
print(A)

Code Penjelasan:

np.asarray(A) mengubah matriks A ke tampilan array.

[2] memilih baris ketiga.

Keluaran:

[[1. 1. 1. 1.]
      [1. 1. 1. 1.]
      [2. 2. 2. 2.] # new value
      [1. 1. 1. 1.]]

Apa itu numpy.arange()?

numpy.arange() adalah fungsi bawaan NumPy yang mengembalikan ndarray yang berisi nilai-nilai yang berjarak sama dalam interval yang ditentukan. Misalnya, untuk membuat nilai dari 1 hingga 10, Anda dapat memanggil np.arange() in Python.

sintaks:

numpy.arange(start, stop, step, dtype)

Python Parameter pengaturan NumPy:

• Start: awal interval untuk np.arange in Python.
• berhenti: akhir interval.
• LangkahJarak antar nilai. Langkah default adalah 1.
• Tipe D: tipe array keluaran untuk NumPy arange.

Contoh:

import numpy as np
np.arange(1, 11)

Keluaran:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

Contoh:

Untuk mengubah langkah di NumPy ini arange Contohnya, tambahkan angka ketiga ke dalam tanda kurung. Ini akan mengubah ukuran langkah.

import numpy as np
np.arange(1, 14, 4)

Keluaran:

array([ 1,  5,  9, 13])

Fungsi NumPy Linspace

linspace Mengembalikan sampel yang berjarak sama antara dua titik akhir.

sintaks:

numpy.linspace(start, stop, num, endpoint)

Di sini,

• Start: nilai awal dari urutan tersebut.
• berhenti: nilai akhir dari urutan tersebut.
• Di: jumlah sampel yang akan dihasilkan. Nilai default adalah 50.
• Titik akhir: jika True (Default), stop adalah nilai terakhir. Jika False, stop tidak termasuk.

Contoh:

Sebagai contoh, ini dapat digunakan untuk membuat 10 nilai yang berjarak sama dari 1 hingga 5.

import numpy as np
np.linspace(1.0, 5.0, num=10)

Keluaran:

array([1.        , 1.44444444, 1.88888889, 2.33333333, 2.77777778,       3.22222222, 3.66666667, 4.11111111, 4.55555556, 5.        ])

Jika Anda tidak ingin menyertakan digit terakhir dalam interval, atur endpoint untuk False.

np.linspace(1.0, 5.0, num=5, endpoint=False)

Keluaran:

array([1. , 1.8, 2.6, 3.4, 4.2])

Fungsi LogSpace NumPy di Python

logspace Mengembalikan angka-angka yang berjarak sama pada skala logaritmik. logspace memiliki parameter yang sama dengan np.linspace.

sintaks:

numpy.logspace(start, stop, num, endpoint)

Contoh:

np.logspace(3.0, 4.0, num=4)

Keluaran:

array([ 1000. ,  2154.43469003,  4641.58883361, 10000.        ])

Terakhir, jika Anda ingin memeriksa ukuran memori dari satu elemen dalam sebuah array, Anda dapat menggunakan itemsize.

x = np.array([1,2,3], dtype=np.complex128)
x.itemsize

Keluaran:

16

Setiap elemen membutuhkan 16 byte.

Mengindeks dan Mengiris Python

Memotong data sangat mudah dengan NumPy. Kita akan memotong matriks tersebut. e. di PythonAnda menggunakan tanda kurung siku untuk mengembalikan baris atau kolom.
Contoh:

## Slice
import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
[[1 2 3]
 [4 5 6]]

Ingatlah bahwa di NumPy, indeks array pertama dimulai dari 0.

## First row
print('First row:', e[0])

## Second row
print('Second row:', e[1])

Keluaran:

First row: [1 2 3]
Second row: [4 5 6]

In Python, seperti halnya dalam banyak bahasa lain,

• Nilai sebelum koma menunjukkan jumlah baris.
• Nilai setelah koma mewakili kolom.
• Jika Anda ingin memilih kolom, tambahkan : sebelum indeks kolom.
• : Artinya Anda menginginkan semua baris dari kolom yang dipilih.

print('Second column:', e[:,1])

Second column: [2 5]

Untuk mengembalikan dua nilai pertama dari baris kedua, gunakan : untuk memilih semua kolom hingga indeks kedua.

## Second Row, two values
print(e[1, :2])
[4 5]

Fungsi Statistik di Python

NumPy menyediakan serangkaian fungsi statistik yang berguna untuk menemukan nilai minimum, maksimum, persentil, deviasi standar, varians, dan banyak lagi dari sebuah array yang diberikan. Fungsi-fungsi yang paling umum tercantum di bawah ini.

NumPy dilengkapi dengan berbagai fitur bantu statistik yang handal, yang dirangkum dalam tabel berikut.

fungsi	lumpuh
Min	np.min()
max	np.max()
Berarti	np.berarti()
rata-rata	np.median()
Standar deviasi	np.std()

Perhatikan susunan berikut:

Contoh:

import numpy as np
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)

Keluaran:

[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Contoh fungsi statistik NumPy

### Min
print(np.min(normal_array))

### Max
print(np.max(normal_array))

### Mean
print(np.mean(normal_array))

### Median
print(np.median(normal_array))

### Sd
print(np.std(normal_array))

Keluaran:

4.467042435266913
5.612113171990201
4.934841002270593
4.846995625786663
0.3875019367395316

Apa itu produk numpy dot?

numpy.dot adalah fungsi yang ampuh untuk komputasi matriks. Misalnya, Anda dapat menghitung hasil perkalian titik dengan np.dot. numpy.dot mengembalikan hasil perkalian titik dari a ke b, dan menangani array 1D dan 2D. Untuk input 2D, ia melakukan perkalian matriks.

sintaks:

numpy.dot(x, y, out=None)

Parameter Teknis

Di sini,

x, y: array input. x ke y keduanya harus berupa 1D atau 2D untuk np.dot() untuk berfungsi sebagai hasil perkalian titik atau perkalian matriks.

di luar: argumen keluaran opsional yang digunakan untuk menangkap hasilnya. Jika tidak, akan dikembalikan sebuah ndarray.

Pengembalian

Fungsi numpy.dot() mengembalikan hasil perkalian titik (dot product) dari dua array x ke yFungsi ini mengembalikan nilai skalar jika keduanya berdimensi 1, jika tidak, akan mengembalikan array. Jika out Jika diberikan, maka array tersebut akan dikembalikan.

Meningkatkan

Hasil perkalian titik di Python memunculkan a ValueError jika dimensi terakhir dari x tidak sesuai dengan dimensi kedua terakhir dari y.

Contoh:

## Linear algebra
### Dot product: product of two arrays
f = np.array([1,2])
g = np.array([4,5])
### 1*4+2*5
np.dot(f, g)

Keluaran:

14

Perkalian Matriks di Python

NumPy matmul() Fungsi ini mengembalikan hasil perkalian matriks dari dua array. Berikut cara kerjanya.

1) Untuk array 2D, fungsi ini mengembalikan hasil perkalian matriks biasa.

2) Untuk dimensi yang lebih besar dari 2, produk tersebut diperlakukan sebagai tumpukan matriks.

3) Sebuah array 1D pertama-tama diubah menjadi matriks, kemudian hasil perkaliannya dihitung.

Sisipan @ operator, tersedia sejak Python 3.5, adalah singkatan dari matmul dan banyak digunakan dalam kode modern.

sintaks:

numpy.matmul(x, y, out=None)

Di sini,

x, y: array input. Skalar tidak diperbolehkan.

di luar: parameter opsional. Biasanya output disimpan dalam ndarray.

Contoh:

Dengan cara yang sama, Anda dapat menghitung perkalian matriks dengan np.matmul.

### Matmul: matrix product of two arrays
h = [[1,2],[3,4]]
i = [[5,6],[7,8]]
### 1*5+2*7 = 19
np.matmul(h, i)

Keluaran:

array([[19, 22],
            [43, 50]])

penentu

Jika Anda perlu menghitung determinan suatu matriks, gunakan np.linalg.det()NumPy akan menangani dimensi untuk Anda.

Contoh:

## Determinant 2*2 matrix
### 5*8-7*6
np.linalg.det(i)

Keluaran:

-2.000000000000005

Penjelasan tentang NumPy Broadcasting

Broadcasting adalah aturan yang memungkinkan NumPy melakukan aritmatika pada array dengan bentuk berbeda tanpa menyalin data. Saat Anda menambahkan skalar ke vektor 1D, atau vektor 1D ke matriks 2D, NumPy meregangkan operan yang lebih kecil di sepanjang sumbu yang hilang sehingga bentuknya sejajar. Ini menghindari penyalinan data secara eksplisit. Python Perulangan adalah salah satu alasan utama mengapa kode NumPy terasa cepat dan ringkas.

Dua bentuk dikatakan kompatibel untuk penyiaran jika, jika dibandingkan dari kanan ke kiri, setiap pasangan dimensi sama atau salah satunya sama dengan 1. Misalnya, matriks berbentuk (3, 4) siaran melawan deretan bentuk (4,) atau kolom berbentuk (3, 1)Logika yang sama mendasari normalisasi dalam pembelajaran mesin, di mana Anda melakukan substitusi.tracVektor rata-rata per fitur dari sekumpulan sampel dalam satu baris. Broadcasting juga merupakan model konseptual yang digunakan oleh pustaka tensor seperti Py.Torch, TensorFlow, dan JAX, jadi aturan yang Anda pelajari di sini dapat langsung diterapkan pada kode GPU.

Bagaimana NumPy Memberdayakan AI dan Pembelajaran Mesin

NumPy menjadi dasar hampir setiap perangkat lunak modern. Python Tumpukan AI.PyTorTensor ch, tensor eager TensorFlow, dan array JAX mengekspos penyiaran, pemotongan, dan pembagian ulang yang sama.ping API yang Anda pelajari pada ndarray NumPy. Banyak tutorial masih memasukkan array NumPy yang telah diproses sebelumnya ke dalam loop pelatihan model, dan framework menerimanya tanpa konversi apa pun.

Tiga pola konkret menunjukkan bagaimana NumPy terhubung dengan pekerjaan AI saat ini. Pertama, insinyur data membentuk fitur mentah menjadi array NumPy sebelum menyerahkannya ke pipeline scikit-learn atau ke dataset Hugging Face. Kedua, peneliti menggunakan NumPy sebagai dasar CPU dan kemudian menggantinya dengan CuPy, yang menyediakan API yang hampir identik tetapi berjalan pada GPU NVIDIA melalui CUDA. Ketiga, JAX dibangun di atas API NumPy untuk menambahkan diferensiasi otomatis dan kompilasi just-in-time, sehingga kode yang sama yang berjalan di laptop dapat berjalan di TPU di cloud. Intinya adalah keterampilan array yang Anda bangun dengan NumPy dapat diterapkan ke setiap toolkit deep learning utama, yang menjadikan tutorial ini langkah yang berguna dalam pengembangan AI.

Pertanyaan Umum Demo Slot