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

0 Hari 0 Jam 11 Menit 2 Detik

Membuat Bentuk Matriks dengan Numpy Array Python

Belajar Data Science di Rumah 28-Juni-2021
https://dqlab.id/files/dqlab/cache/c5cabafd7c6edd588acfde2cf1c73701_x_Thumbnail800.jpg

Siapa yang tidak kenal dengan bentuk matriks? Bentuk yang satu ini dapat kalian temui pada operasi matematika. Matriks sangat berperan penting dalam kehidupan sehari-hari, selain untuk memecahkan persoalan terkait matematika seperti persamaan linear, matriks juga mampu digunakan dalam mengatasi suatu masalah yang mengandung bermacam-macam variabel, mengingat matriks sebenarnya juga merupakan variabel yang dapat dioperasikan. Matriks dalam dunia matematika merupakan suatu bilangan, simbol, ataupun ekspresi yang disusun dalam baris dan kolom yang membentuk suatu bidang persegi/persegi panjang. Kumpulan data dalam matriks biasa disebut dengan elemen matriks. Elemen matriks dapat berisi bilangan, simbol, dan ekspresi matematika. Untuk membentuk matriks semua elemen ini diletakkan diantara kurung biasa ( . . . . ) atau kurung siku [ . . . . ]. Susunan elemen secara horizontal dalam matriks disebut baris (row) yang diwakilkan dengan huruf m. Sedangkan susunan elemen secara vertikal pada matriks disebut kolom (column) yang diwakilkan dengan huruf n. Selain kalian bisa membuat bentuk matriks secara manual, saat ini kalian juga bisa membuatnya dengan menggunakan bahasa pemrograman Python.


Pada bahasa pemrograman berbasis matriks (seperti Matlab, Octave, Julia, Scilab, dan Python NumPy), hampir semua kesalahan (error) yang ditemui oleh pemula adalah ketidaksesuaian ukuran matriks. Tentunya untuk bisa mengoperasikan dua buah matriks atau lebih, ukuran matriks-matriks tersebut harus bersesuaian. Hal mendasar pada pengubahan bentuk matriks pada NumPy adalah operasi tersebut hanya memengaruhi struktur larik (array), bukan datanya. Operasi tersebut umumnya dapat dilakukan tanpa menyalin memori. Artinya, operasi tersebut menghemat memori. Dari empat teknik yang akan dijelaskan untuk mengubah bentuk matriks, tiga teknik memproses array tanpa menyalin memori (transpose, reshape, flatten), sedang teknik terakhir, ravel, memproses array dengan menyalin memori. Kira-kira bagaimana mengubah bentuk matriks dengan menggunakan numpy array pada Python? Pada artikel DQLab kali ini, kita akan membahas mengenai cara membuat bentuk matriks dengan menggunakan fungsi numpy array pada Python. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!


1.Transpose

Operasi dasar 'membalik' matriks dinamakan transpose. Pada NumPy, operasi ini bisa dilakukan dengan tiga cara: .T, .transpose(), dan np.transpose(). Ketiganya sama, hanya berbeda namanya saja: .T adalah atribut, .transpose() merupakan metode, dan np.transpose() merupakan fungsi. Baik .T dan .transpose() tidak menerima argumen (input), hanya np.transpose() yang bisa menerima argumen.  Transpose matriks sendiri adalah proses mengubah baris ke 1 menjadi kolom ke 1, baris ke 2 menjadi kolom ke 2, baris ke 3 menjadi kolom ke 3, baris ke n menjadi kolom ke n pada sebuah matriks.

Perintah dasar untuk bentuk matriks menggunakan transpose adalah

a.T

a.transpose()

np.transpose(a)


Baca juga : Belajar Data Science: Kenali Dasar Bahasa Pemrograman Python yang Cocok bagi Pemula 


2.Reshape

Teknik kedua untuk mengubah bentuk matriks adalah reshape. Seperti halnya transpose, reshape bisa berupa perintah/fungsi (np.reshape()) atau metode (.reshape()). Sesuai namanya, fungsi/metode ini digunakan untuk mengubah bentuk matriks, misal dari ukuran (m, n) menjadi (n, m). Perlu diperhatikan bahwa perintah reshape tidak sama dengan transpose. Pada kasus reshape matrix A (m, n) menjadi B (n, m) hanya ukurannya yang dibalik, bukan matriksnya

Perintah dasar untuk bentuk matriks menggunakan reshape adalah

a.reshape(baris, kolom)

np.reshape(a, (baris, kolom)

Penggunaan reshape juga dibedakan menjadi dua berdasarkan bentuk matriksnya yaitu reshape (-1,1) dan (1,-1). Perintah reshape memiliki fitur yang unik, yakni reshape(-1, 1) untuk membentuk vektor kolom dan (1,-1) untuk membentuk vektor baris. Kedua fitur ini banyak dipakai dan mudah dipahami. Argumen -1 menunjukkan bentuk (shape)  yang tidak diketahui. Misal matriks aa berukuran (3, 2), maka reshape(-1, 1) menghasilkan matriks berukuran (6, 1) sedangkan reshape (1, -1) menghasilkan matriks berukuran (1, 6). 

Perintah dasar untuk bentuk matriks menggunakan reshape versi ini adalah

# perintah dasar:

a.reshape(-1, 1)      # membentuk matriks kolom

a.reshape(1, -1)      # membentuk matriks baris


3.Flatten

Flatten merupakan salah satu bentuk mengubah matriks dengan array ndarray.flatten(order='C'). Aturan main dalam mengubah matriks menggunakan flatten ialah menyalin matriks asli tanpa mengubah matriks asli itu sendiri. Parameter{'C', 'F', 'A', 'K'}, opsional 'C' berarti meratakan dalam urutan baris-utama (gaya-C). 'F' berarti meratakan dalam urutan kolom-utama (Fortran-style). 'A' berarti meratakan dalam urutan kolom-utama jika a adalah Fortran bersebelahan dalam memori, urutan baris-utama sebaliknya. 'K' berarti meratakan a dalam urutan elemen-elemen yang muncul dalam memori. 


4.Ravel

Baik perintah flatten dan ravel menghasilkan luaran yang sama: matrik 1D (alias vektor). Bedanya, flatten menyalin matriks asli sedangkan ravel tidak (jika memungkinkan). Sehingga, memodifikasi matriks hasil flatten tidak mengubah matriks asli sedangkan memodifikasi matrik hasil flatten mengubah matriks asli. Pengubahan matriks dengan ravel mensyaratkan fungsi array yang berdekatan. Parameter array_like. Elemen dalam a dibaca dalam urutan yang ditentukan berdasarkan urutan, dan dikemas sebagai larik 1-D.

pesanan{'C','F', 'A', 'K'}, opsional

Elemen a dibaca menggunakan urutan indeks ini. 'C' berarti mengindeks elemen dalam urutan baris-utama, gaya-C, dengan indeks sumbu terakhir berubah paling cepat, kembali ke indeks sumbu pertama berubah paling lambat. 'F' berarti mengindeks elemen dalam urutan kolom-utama, gaya Fortran, dengan indeks pertama berubah paling cepat, dan indeks terakhir berubah paling lambat. Perhatikan bahwa opsi 'C' dan 'F' tidak memperhitungkan tata letak memori dari larik yang mendasarinya, dan hanya merujuk pada urutan pengindeksan sumbu. 'A' berarti membaca elemen dalam urutan indeks seperti Fortran jika a adalah Fortran bersebelahan dalam memori, urutan seperti C sebaliknya. 'K' berarti membaca elemen dalam urutan kemunculannya di memori, kecuali untuk membalik data saat langkahnya negatif. Secara default, urutan indeks 'C' digunakan


Baca juga : Python : Kenali 3 Buku yang Akan Mempercepat Kamu Dalam Belajar Python


5.Perdalam Kemampuan Numpy Array Python Kamu Bersama DQLab

Dilansir dari Redmonk, perusahaan software asal Amerika Serikat meluncurkan 10 bahasa pemrograman terpopuler tahun 2021. Salah satu bahasa pemrograman yang masuk kedalam jajaran 5 besar adalah Python. Python merupakan bahasa pemrograman interpretatif multiguna. Tidak seperti bahasa lain yang susah untuk dibaca dan dipahami, python lebih menekankan pada keterbacaan kode agar lebih mudah untuk memahami sintaks. Hal ini membuat Python sangat mudah dipelajari baik untuk pemula maupun untuk yang sudah menguasai bahasa pemrograman lain. Jika kamu penasaran dengan python dan ingin memperdalam kemampuan numpy array python secara langsung, caranya mudah banget. Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id/signup. Nikmati pengalaman belajar data science yang menarik bersama DQLab yang seru dan menyenangkan dengan live code editor anti ribet. Kamu juga bisa cobain free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu. Kalian juga bisa mencoba studi kasus penerapan real case industry. Ayo persiapkan dirimu untuk berkarir sebagai praktisi data yang kompeten!


Penulis: Reyvan Maulid Pradistya


Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login