REFERENSI CEPAT NUMPY
Pembuatan array, matematika, aljabar linear, dan lainnya
Pembuatan Array
Dari List
import numpy as np
a = np.array([1, 2, 3]) # 1D
b = np.array([[1, 2], [3, 4]]) # 2D
Konstruktor Bawaan
np.zeros((2, 3)) # 2x3 berisi nol
np.ones((3, 3)) # 3x3 berisi satu
np.eye(4) # matriks identitas 4x4
np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
np.linspace(0, 1, 5) # 5 titik berspasi merata
Properti Array
| a.shape | Dimensi sebagai tuple: (3, 4) |
| a.ndim | Jumlah dimensi |
| a.size | Total jumlah elemen |
| a.dtype | Tipe data: float64, int32, dll. |
Indexing & Slicing
Indexing Dasar
a = np.array([[1, 2, 3], [4, 5, 6]])
a[0, 1] # 2 (baris 0, kolom 1)
a[1] # [4, 5, 6] (baris 1)
a[:, 0] # [1, 4] (semua baris, kolom 0)
Slicing
a[0, 1:] # [2, 3] (baris 0, kolom 1 ke atas)
a[:, :2] # 2 kolom pertama
a[::2] # setiap baris lainnya
Boolean Indexing
a = np.array([10, 20, 30, 40])
a[a > 15] # [20, 30, 40]
a[a % 20 == 0] # [20, 40]
Operasi Array
Operasi Element-wise
a = np.array([1, 2, 3])
a + 10 # [11, 12, 13]
a * 2 # [2, 4, 6]
a ** 2 # [1, 4, 9]
a + a # [2, 4, 6]
Perbandingan
a = np.array([1, 2, 3, 4])
a > 2 # [False, False, True, True]
np.where(a > 2, a, 0) # [0, 0, 3, 4]
Agregasi
| a.sum() | Jumlah semua elemen |
| a.mean() | Rata-rata aritmetika |
| a.std() | Standar deviasi |
| a.min() / a.max() | Nilai min / maks |
| a.argmin() / a.argmax() | Indeks min / maks |
| a.cumsum() | Jumlah kumulatif |
Tambahkan `axis=0` (kolom) atau `axis=1` (baris) untuk hasil per sumbu
Fungsi Matematika
Fungsi Umum
| np.sqrt(a) | Akar kuadrat setiap elemen |
| np.abs(a) | Nilai absolut |
| np.exp(a) | e^x untuk setiap elemen |
| np.log(a) | Logaritma natural (ln) |
| np.log10(a) | Logaritma basis-10 |
| np.sin(a) / np.cos(a) | Fungsi trigonometri (radian) |
| np.round(a, 2) | Bulatkan ke 2 desimal |
| np.clip(a, lo, hi) | Batasi nilai ke [lo, hi] |
Aljabar Linear
Operasi Matriks
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
A @ B # perkalian matriks
np.dot(A, B) # sama dengan A @ B
A.T # transpose
Dekomposisi & Penyelesaian
np.linalg.inv(A) # invers
np.linalg.det(A) # determinan
np.linalg.eig(A) # nilai/vektor eigen
np.linalg.solve(A, b) # selesaikan Ax = b
Random
Pembangkitan Bilangan Acak
rng = np.random.default_rng(42) # dengan seed
rng.random((2, 3)) # seragam [0, 1)
rng.integers(1, 10, 5) # 5 int dalam [1, 10)
rng.normal(0, 1, 100) # 100 dari N(0,1)
rng.choice([1, 2, 3], size=2) # sampel
API Lama
np.random.seed(42)
np.random.rand(3, 3) # seragam 3x3
np.random.randn(3, 3) # normal standar
np.random.shuffle(arr) # acak di tempat
Reshaping
Manipulasi Bentuk
a = np.arange(12)
a.reshape(3, 4) # matriks 3x4
a.reshape(3, -1) # inferensi kolom
a.flatten() # kembali ke 1D (salinan)
a.ravel() # kembali ke 1D (view)
Penggabungan & Pemisahan
np.vstack([a, b]) # susun vertikal
np.hstack([a, b]) # susun horizontal
np.concatenate([a, b], axis=0)
np.split(a, 3) # pisah menjadi 3 bagian
Broadcasting
Cara Kerja Broadcasting
a = np.array([[1, 2, 3],
[4, 5, 6]]) # shape (2,3)
b = np.array([10, 20, 30]) # shape (3,)
a + b # b di-broadcast ke (2,3)
Aturan
| Aturan 1 | Tambahkan 1 di depan shape yang lebih pendek hingga rank sama |
| Aturan 2 | Dimensi cocok jika sama atau salah satunya adalah 1 |
| Aturan 3 | Dimensi berukuran 1 diregangkan untuk cocok dengan yang lain |
File I/O
Binary NumPy
np.save("data.npy", arr) # array tunggal
arr = np.load("data.npy")
np.savez("data.npz", a=x, b=y) # multiple
d = np.load("data.npz"); d["a"]
File Teks
np.savetxt("data.csv", arr, delimiter=",")
arr = np.loadtxt("data.csv", delimiter=",")
arr = np.genfromtxt("data.csv", delimiter=",",
skip_header=1)
Pola Umum
Normalisasi ke [0, 1]
normalized = (a - a.min()) / (a.max() - a.min())
Jarak Euclidean
dist = np.sqrt(np.sum((a - b) ** 2))
# atau: np.linalg.norm(a - b)
Nilai Unik & Hitungan
vals, counts = np.unique(a, return_counts=True)
dict(zip(vals, counts))
Pengurutan
np.sort(a) # salinan terurut
idx = np.argsort(a) # indeks yang mengurutkan
a[idx] # terapkan urutan sort