PERTEMUAN 10

Array dengan NumPy Python

NumPy merupakan salah satu library Python yang banyak digunakan dalam
proses analisis data karena fiturnya yang hebat NumPy hampir menyerupai List
pada Python tetapi lebih powerful. Ada beberap kelebihan NumPy
dibandingkan List seperti size, performance dan functionally
Struktur data NumPy lebih membutuhkan ukuran yang lebih kecil dibandingkan
dengan List tetapi mempunyai performa yang lebih cepat.
Cara install Numpy dengan PIP Python
PIP adalah Manajemen Paket untuk mengelola dan menginstall software yang
ditulis dengan bahasa pemrograman Python. Bagaimana cara menginstall PIP?
mudah saja caranya :
1. Pertama , buka terminal atau command prompt
2. Kedua , ketik pip install pip
Tunggu hingga proses instalasi selesai.
Lalu, Bagaimana cara install package atau library Numpy menggunakan PIP
(Menggunakan OS linux)?
1. Pertama, Buka Terminal
2. Kedua, Ketik pip3 install numpy dan tekan enter
3. Jika menggunakan python versi 2 maka ketik pip install numpy
4. Tunggu hingga installasi package selesai
5. Terakhir, cek list package atau library yang telah terpasang dengan mengetik-
kan pip3 / pip list dan tekan enter
Cara Menginstall NumPy di Windows 10
Pada tutorial kali ini kita akan menginstall NumPy di Windows 10. NumPy atau
Numerical Python adalah sebuah library opensource untuk bahasa pemrograman
python yang digunakan untuk kepentingan komputasi dan manipulasi array.
Untuk menginstall di Windows 10, kita akan gunakan bantuan tool bernama PIP
(Python Installer)
1. silakan download dan install dulu PIP dari halaman ini:
https://bootstrap.pypa.io/get-pip.py
2. kemudian jalankan dengan python:
python get-pip.py
3. untuk melakukan check, silakan jalankan perintah: pip –version
4. kemudian untuk menginstall NumPy tinggal menggunakan PIP:
pip3 install numpy
5. tunggu sampai proses instalasi selesai.
bagi yang ingin mengupdate PIP terlebih dulu, silakan lakukan dengan cara:
python -m pip install –upgrade pip

Fungsi Numpy Yang Umum Digunakan

NumPy adalah library Python yang digunakan para data scientist. Berguna
untuk mengolah data numerical.
Berikut adalah beberapa fungsi dari NumPy yang sering digunakan. Tanda #
adalah komentar untuk menjelaskan maksud dari perintah yang dimaksud.
import numpy as np
my_list = [0, 1, 2, 3, 4]
arr = np.array(my_list)
# mengubah list menjadi array
# array([0, 1, 2, 3, 4])
np.arange(0, 10)
# array mulai dari 0 sampai 9
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(0, 10, 2)
#array mulai dari 0 - 9 dengan step 2
# array([0, 2, 4, 6, 8])
np.random.randint(0, 10)
# 7 (berbeda setiap dipanggil, angka random antara 0 s/d 9)
np.random.randint(0,10,(3,3))
# array 3 x 3 dengan isi random interger dari 0 - 9
#array([[9, 7, 8],
# [0, 3, 5],
# [2, 6, 7]])

arr = np.random.randint(0, 100, 10)

# array([95, 11, 81, 70, 63, 87, 75, 9, 77, 40])
# array dengan isi random integer sebanyak 10

arr.max()
# return max value dari variable arr
# 95

arr.min()
#return min value dari variable arr
#9

arr.mean()
# return mean atau rata-rata dari variable arr
# 60.799999999999997

arr.reshape(2,5)
# reshape array (row, column), harus memuat 10 item dari variable arr
(variable arr memiliki 10 item)
#array([[95, 11, 81, 70, 63],
# [87, 75, 9, 77, 40]])

mat = np.arange(0,100).reshape(10,10)
#array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
# [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
# [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
# [40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
# [50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
# [60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
# [70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
# [80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
# [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])

mat[0, 9]
# indeks array adalah [row, col] dengan zero based indexing
#9
mat[:, 1]
# slicing, semua item dari kolom ke 1
# array([ 1, 11, 21, 31, 41, 51, 61, 71, 81, 91])
mat[0, :]
# slicing, semua item dari row ke 0
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
mat[0:3, 0:3]
#slicing, semua item dari row 0 s/d 2 dan col 0 s/d 2
#array([[ 0, 1, 2],
# [10, 11, 12],
# [20, 21, 22]])
mat[mat>50]
# masking, menampilkan array dengan value lebih besar dari 50
# array([51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
# 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
# 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
NumPy
NumPy (Numerical Python) adalah library Python yang fokus pada scientific
computing. NumPy memiliki kemampuan untuk membentuk objek N-dimen-
sional array, yang mirip dengan list pada Python. Keunggulan NumPy array
dibandingkan dengan list pada Python adalah konsumsi memory yang lebih
kecil serta runtime yang lebih cepat. NumPy juga memudahkan kita pada
Aljabar Linear, terutama operasi pada Vector (1-d array) dan Matrix (2-d array).
List pada Python tidak mendukung penuh kemudahan scientific computing,
sebagai contoh kita akan lakukan operasi penjumlahan pada 2 list.
Ketika kita ingin menjumlahkan tiap elemen pada list a dan list b, hasilnya
dengan operator + adalah penggabungan (concat) keduanya. Tentu tidak sesuai
yang diharapkan, maka kita harus menggunakan perulangan for untuk
menambahkan tiap elemen pada list a dan list b. Proses penjumlahan list yang
menggunakan perulangan for membutuhkan waktu yang lama dan tidak efisien
dari sisi pe-nulisan code.
Pengenalan NumPy Arrays
Membuat Array
Lakukan import terlebih dahulu library numpy as np. Penggunaan as disini,
artinya kita menggantikan pemanggilan numpy dengan prefix np untuk proses
berikutnya.

Untuk membuat sebuah array, kita menggunakan fungsi array() yang terdapat
pada NumPy. Pada NumPy, terdapat upcasting, yaitu ketika tipe data element
array tidak sama, dilakukan penyamaan tipe data pada yang lebih tinggi.
Misalkan kita membuat array numeric dengan semua element bertipe integer,
kecuali 1 element bertipe float, maka otomatis akan dilakukan upcasting
menjadi tipe float pada semua element array.

Cek Tipe
Untuk melakukan pengecekan tipe pada array menggunakan fungsi type().
NumPy array merupakan sebuah objek ndarray, yang merupakan singkatan dari
n-dimensional array.
Tipe Data untuk Element
Pengecekan tipe data element pada array menggunakan fungsi dtype.
Dalam membuat sebuah array, kita dapat menetapkan tipe data dengan
menambahkan parameter dtype.

Array a memiliki tipe data int32 dan int64 yang keduanya sama-sama
bertipekan integer. Perbedaan keduanya pada kapasitas penyimpanan data.
Pada int32 mampu menampung hingga (-2,147,483,648 to +2,147,483,647)
sedangkan int64 mampu menampung hingga (-9,223,372,036,854,775,808 to
+9,223,372,036,854,775,807).
Penting bagi kita memperhatikan tipe data beserta kapasitas penyimpanannya
agar dapat mengalokasikan memory penyimpanan dengan baik. Beberapa tipe
data standar yang terdapat pada NumPy adalah sebagai berikut:
Jumlah Dimensi
NumPy array memiliki keunggulan mendukung operasi pada data dimensional
seperti Vektor dan Matriks. Untuk mengetahui jumlah dimensi pada data
menggunakan fungsi ndim.

Array a memiliki jumlah dimensi 1. Jika kita membentuk array dengan 2-

dimensi, maka jumlah dimensinya adalah 2, begitu juga dengan dimensi yang
lebih besar.
Array Shape
Pada fungsi shape menghasilkan sebuah tuple yang berisikan panjang sebuah
array pada tiap dimensi.

Array a memiliki shape 3, yaitu panjang array pada 1-dimensi array.

Operasi pada Array
NumPy memudahkan kita untuk operasi elementwise pada Vektor dan Matriks
seperti penjumlahan, perkalian, pangkat, dan operasi lainnya.
Pada NumPy telah disediakan universal functions (ufunc) yaitu fungsi yang
dapat melakukan operasi pada NumPy array dengan eksekusi elemen-demi-
elemen. ufunc merupakan sebuah ‘vectorized’ wrapper untuk sebuah fungsi
yang memiliki input dan output yang sepesifik. Contoh dari ufunc misalkan
fungsi sin dan cos.
Element pada Array
Array Indexing
Indeks pada suatu array dimulai pada indeks ke-0. Untuk mengakses element
pada array, kita menggunakan indeks sebagai alamat elemen pada array.
Indeks pada suatu array dimulai pada indeks ke-0. Untuk mengakses element
pada array, kita menggunakan indeks sebagai alamat elemen pada array.

Kita dapat melakukan assign nilai baru pada suatu element berdasarkan alamat
indeks. Maka, setelah dilakukan assign nilai element pada indeks ke-0 berganti
menjadi 10.
Perlu kita perhatikan jika dtype pada array adalah integer, misalkan int32.
Kemudian kita assign nilai baru pada salah satu elemen dengan tipe data float.
Maka, nilai baru tersebut akan dipaksa menjadi tipe int32 sesuai dengan tipe
data pada array.

Multi-Dimensional Arrays
NumPy array memudahkan kita untuk membuat array multi-dimensi.

Untuk mengetahui jumlah elemen pada array multi-dimensi menggunakan

fungsi size.
Untuk mengetahui jumlah dimensi dari array multi-dimensi menggunakan
fungsi ndim. Jumlah dimensi pada array a adalah 2, karena merupakan array 2-
dimensi.

Pada array multi-dimensi kita dapat mengakses nilai elemen berdasarkan indeks
dengan pemisah tanda koma [,]. Misalkan kita ingin mendapatkan data pada
baris ke-1 dan kolom ke-3 dari array a, maka dilakukan perintah a[1, 3].

Misalkan, kita akan mengganti data pada baris ke-1 dan kolom ke-3 pada array
a dengan nilai -1, kita dapat langsung assign nilai baru tersebut pada indeks.
Slicing
Selain kita dapat mengambil sebuah element array dengan cara indexing seperti
cara di atas, kita dapat melakukan slicing, yaitu melakukan ekstraksi elemen
atau beberapa elemen pada array, dengan menggunakan tanda [:].
var[lower:upper:step]
Perlu kita perhatikan, elemen pada lower akan dimasukkan hasil slicing,
sedangkan element pada upper TIDAK dimasukkan hasil slicing, dan step
adalah jarak antar elemen.

Kita dapat mendefinisikan indeks dengan nilai negatif. Misalkan indeksnya

adalah [-1], maka indeks terdapat pada elemen ke-1 yang dari lokasi akhir
elemen suatu array.
NumPy masih menyediakan banyak sekali fungsi yang sangat memudahkan kita
untuk scientific computing. Untuk mempelajari lebih jauh dapat mengakses
dokumentasi NumPy.
Sebelum menggunakan NumPy di Python, terlebih dahulu library ini harus
diimport
import numpy as np
1 Membuat Array NumPy
2 Multidimensional Array
3 Indexing dan Slicing
4 Operasi Aritmatika
5 Operasi Matematika

1. Membuat Array NumPy

Kita bisa membuat Array menggunakan NumPy dengan membungkusnya
terlebih dahulu di List dan dirubah menjadi numpy array.
listku = [1,2,3,4,5]
arrku = np.array([listku])
arrku
atau langsung tanpa membuat variabel list terlebih dahulu
arrku = np.array([1,2,3,4,5])
arrku
Hasilnya akan seperti ini
array([1, 2, 3, 4, 5])
Ada beberapa fungsi lagi yang dapat digunakan dalam membuat array antara
lain zeros(), ones(), arange(), linspace(), logspace(),
zeros() -> Membuat array dengan nilai 0
ones() -> Membuat array dengan nilai 1
arange() -> Membuat array dengan nilai dalam range
linspace() -> Membuat array dengan nilai dalam interval
logspace() -> Membuat array dengan nilai log Base10 dalam interval
Berikut contohnya :
np.zeros(5) # membuat array dengan nilai 0 sebanyak 5
np.ones(5) # membuat array dengan nilai 1 sebanyak 5
np.arange(1, 10, 2) #arange(start, stop, step)
np.linspace(1, 10, 2) # linespace(start, stop, number)
np.logspace(1, 10, 2) # logspace(start, stop, number)
Hasilnya
[0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1.]
[1 3 5 7 9]
[ 1. 10.]
[1.e+01 1.e+10]
2. Multidimensional Array
Salah satu fitur menarik dari NumPy adalah dia mampu membuat multi
dimensional array dan melakukan manipulasi array dengan mudah dan cepat
Multidimensional array adalah array yang berbentuk lebih dari 1 dimensi
(1D), bisa 2D, 3D, 4D dan seterusnya
Cara membuat multidimensional array sama dengan membuat array 1
dimensi, perbedaannya hanya pada parameter yang digunakan
Berikut contohnya membuat array 2 dimensi
arrku = np.array([[1,2,3,4,5], [2,4,6,8,10]])
Hasilnya:
array([[ 1, 2, 3, 4, 5],
[ 2, 4, 6, 8, 10]])

Array diatas adalah berbentuk (2,5) artinya mempunyai 2 baris dan 5 kolom
Kita bisa melihat jumlah elemen di setiap dimensi dengan
menggunakan shape
arrku.shape
3. Indexing dan Slicing
Kita juga dapat melakukan indexing dan slicing terhadap array dengan mudah
Indexing dimulai dari 0 dan dimulai dengan notasi bracket “[ ]” Misal
kita
ingin mencari nilai yang berada di index 0, 2, dan 4
print(arr_A[0])
print(arr_A[2])
print(arr_A[4])
Hasilnya
1
3
5
Untuk mengambil nilai berderet tambahkan “:”
arr_A = np.array([1,2,3,4,5])
print(arr_A[0:4])
Kita juga dapat melakukan slicing di multidimensional array
 arr_A = np.array([[1,2,3,4,5], [2,4,6,8,10]])
print(arr_A)
print(arr_A[1,1])
Nilai pada kolom index ke-1 dan baris index ke-1 adalah 4
4. Operasi Aritmatika
Kita bisa menggunakan operasi aritmatika seperti penjumlahan, pengurangan,
perkalian, pembagian dan perpangkatan
Operator yang digunakan adalah +, -, *, / dan **
Berikut contoh operasi aritmatika pada array
arr_A = np.array([1,2,3,4,5])
arr_B = np.array([2,2,2,2,2])
print("Penjumlahan = ", arr_A + arr_B)
print("Pengurangan = ", arr_A - arr_B)
print("Perkalian = ", arr_A * arr_B)
print("Pembagian = ", arr_A / arr_B)
print("Perpangkatan = ", arr_A ** arr_B)
Hasilnya adalah
Penjumlahan = [3 4 5 6 7]
Pengurangan = [-1 0 1 2 3]
Perkalian = [ 2 4 6 8 10]
Pembagian = [0.5 1. 1.5 2. 2.5]
Perpangkatan = [ 1 4 9 16 25]
Untuk lebih jelas operasi aritmatika buka halaman ini
Operasi Matematika
NumPy mempunyai fungsi matematika yang dapat digunakan pada Array
Beberapa contoh fungsi statistik antara lain min(), max(), mean(), sum(),
std()
arrku = np.array([1,2,3,4,5])
print("Nilai minimal = ", arrku.min())
print("Nilai maksimal = ", arrku.max())
print("Nilai rata-rata = ", arrku.mean())
print("Total nilai = ", arrku.sum())
print("Standar Deviasi = ", arrku.std())
Hasilnya adalah
Nilai minimal = 1
Nilai maksimal = 5
 Nilai rata-rata = 3.0
Total nilai = 15
Standar Deviasi = 1.4142135623730951
Ada juga fungsi argmin() dan argmax() untuk mendapatkan index dari nilai
minimum dan maksimum
print("Index nilai niminal = ", arrku.argmin())
print("Index nilai maksimal = ", arrku.argmax())
Hasilnya
Index nilai niminal = 0
Index nilai maksimal = 4
Fungsi ndim :

Kita dapat menemukan dimensi dari larik tersebut, apakah itu larik dua dimensi
atau larik berdimensi tunggal. Jadi, mari kita lihat ini secara praktis bagaimana
kita dapat menemukan dimensinya. Pada kode di bawah ini, dengan bantuan
fungsi 'ndim', dapat diketemukan apakah array tersebut berdimensi tunggal
atau multi-dimensi.
import numpy as np
a = np.array([(1,2,3),(4,5,6)])
print(a.ndim)
Output - 2
Fungsi itemsize
Kita dapat menghitung ukuran byte setiap elemen. Dalam kode di bawah ini,
saya telah mendefinisikan array dimensi tunggal dan dengan bantuan fungsi
'itemsize', kita dapat menemukan ukuran setiap elemen.
import numpy as np
a = np.array([(1,2,3)])
print(a.itemsize)
Output - 4
Fungsi dtype
kita dapat menemukan tipe data dari elemen yang disimpan dalam sebuah array.
Jadi, jika kita ingin mengetahui tipe data dari elemen tertentu, kita dapat
menggunakan fungsi 'dtype' yang akan mencetak tipe data beserta ukurannya.
Dalam kode di bawah ini, telah didefinisikan sebuah array di mana telah
diguna-kan fungsi yang sama.
import numpy as np
a = np.array([(1,2,3)])
print(a.dtype)
Output - int32
import numpy as np
a = np.array([(1,2,3,4,5,6)])
print(a.size)
print(a.shape)
Output - 6 (1,6)
membentuk kembali:

Membentuk kembali adalah saat kita mengubah jumlah baris dan kolom yang
memberikan tampilan baru ke suatu objek. Sekarang, mari kita ambil contoh
untuk membentuk kembali array kiri:
Seperti yang kita lihat pada gambar di sebelah kiri, kami memiliki 3 kolom dan
2 baris yang diubah menjadi 2 kolom dan 3 baris.
import numpy as np
a = np.array([(8,9,10),(11,12,13)])
print(a)
a=a.reshape(3,2)
print(a)
Output - [[ 8 9 10] [11 12 13]] [[ 8 9] [10 11] [12 13]]
Seperti yang kita lihat, fungsi 'membentuk kembali' telah menunjukkan
keajaibannya. Sekarang, mari kita lakukan operasi lain yaitu Mengiris. Mengiris
pada dasarnya mengekstrak sekumpulan elemen tertentu dari sebuah array.
Operasi pemotongan ini sangat mirip dengan yang ada di daftar juga. Perhatikan
contoh di sisi kiri:
Sebelum masuk ke contoh di atas, mari kita lihat yang sederhana. Kita memiliki
array dan membutuhkan elemen tertentu (katakanlah 3) dari array yang
diberikan. Kita lihat contoh di bawah ini:
import numpy as np
a=np.array([(1,2,3,4),(3,4,5,6)])
print(a[0,2])
Output - 3
import numpy as np
a=np.array([(1,2,3,4),(3,4,5,6)])
print(a[0:,2])
Output - [3 5]
Selanjutnya, hanya untuk menghilangkan kebingungan, katakanlah kita
memiliki satu baris lagi dan kita tidak ingin elemen ke-2 dicetak seperti gambar
di atas. Apa yang bisa kita lakukan dalam kasus seperti itu?
Perhatikan kode di bawah ini:
import numpy as np
a=np.array([(8,9),(10,11),(12,13)])
print(a[0:2,1])
Output - [9 11]

spasi:
Ini adalah operasi lain di python numpy yang mengembalikan angka dengan
jarak yang sama selama interval tertentu. Perhatikan contoh di bawah ini:
import numpy as np
a=np.linspace(1,3,10)
print(a)
Output - [ 1. 1.22222222 1.44444444 1.66666667 1.88888889 2.11111111
2.33333333 2.55555556 2.77777778 3. ]
maks / menit:
Selanjutnya, kita memiliki beberapa operasi lagi di numpy seperti untuk
mencari nilai minimum, maksimum serta jumlah dari array numpy. Mari kita
lanjutkan dalam tutorial numpy python dan jalankan secara praktis.
import numpy as np
a= np.array([1,2,3])
print(a.min())
print(a.max())
print(a.sum())
Output - 1 3 6

Seperti yang kita lihat pada gambar, kami memiliki array numpy 2 * 3. Di sini
baris disebut sumbu 1 dan kolom disebut sumbu 0. Sekarang kita pasti bertanya-
tanya apa gunanya sumbu ini?
Misalkan kita ingin menghitung jumlah semua kolom, maka kita dapat
menggunakan sumbu. Disini akan ditunjukkan secara praktis, bagaimana kita
dapat mengimplementasikan sumbu di PyCharm :
a= np.array([(1,2,3),(3,4,5)])
print(a.sum(axis=0))
Output - [4 6 8]
Akar Kuadrat & Deviasi Standar:
Ada berbagai fungsi matematika yang dapat dilakukan dengan menggunakan
python numpy. Anda dapat menemukan akar kuadrat, simpangan baku dari
larik. Jadi, mari terapkan operasi ini:
import numpy as np
a=np.array([(1,2,3),(3,4,5,)])
print(np.sqrt(a))
print(np.std(a))
Output - [[ 1. 1.41421356 1.73205081]
[ 1.73205081 2. 2.23606798]]
1.29099444874
Operasi Penambahan:
Kita dapat melakukan lebih banyak operasi pada larik numpy seperti penjum-
lahan, pengurangan, perkalian, dan pembagian dua matriks. Ditunjukkan kepada
kita secara praktis:
import numpy as np
x= np.array([(1,2,3),(3,4,5)])
y= np.array([(1,2,3),(3,4,5)])
print(x+y)
Output - [[ 2 4 6] [ 6 8 10]]
import numpy as np
x= np.array([(1,2,3),(3,4,5)])
y= np.array([(1,2,3),(3,4,5)])
print(x-y)
print(x*y)
print(x/y)
Output - [[0 0 0] [0 0 0]]
[[ 1 4 9] [ 9 16 25]]
[[ 1. 1. 1.] [ 1. 1. 1.]]
Selanjutnya, jika kita ingin menggabungkan dua larik dan tidak hanya menam-
bahkannya, kita dapat melakukannya dengan dua cara - penumpukan vertikal
dan penumpukan horizontal . Biar saya tunjukkan satu per satu di tutorial
numpy python ini.
import numpy as np
x= np.array([(1,2,3),(3,4,5)])
y= np.array([(1,2,3),(3,4,5)])
print(np.vstack((x,y)))
print(np.hstack((x,y)))
Output - [[1 2 3] [3 4 5] [1 2 3] [3 4 5]]
[[1 2 3 1 2 3] [3 4 5 3 4 5]]

Ada satu operasi lagi di mana kita dapat mengubah satu larik numpy menjadi
satu kolom yaitu ravel . Akan ditunjukkan bagaimana ini diterapkan secara
praktis:
import numpy as np
x= np.array([(1,2,3),(3,4,5)])
print(x.ravel())
Output - [ 1 2 3 3 4 5]
Fungsi Khusus Python NumPy
Ada berbagai fungsi khusus yang tersedia di numpy seperti sinus, cosinus, tan,
log dll. Pertama, mari kita mulai dengan fungsi sinus di mana kita akan belajar
memplot grafiknya. Untuk itu, kita perlu mengimpor modul
bernama matplotlib . Melanjutkan tutorial numpy python, mari kita lihat
bagaimana grafik ini diplot.
import numpy as np
import matplotlib.pyplot as plt
x= np.arange(0,3*np.pi,0.1)
y=np.sin(x)
plt.plot(x,y)
plt.show()

Demikian pula, kita dapat memplot grafik untuk fungsi trigonometri apa pun
seperti cos, tan, dll. Akan ditunjukkan satu contoh lagi di mana kita dapat
memplot grafik untuk fungsi lain, misalkan tan .
import numpy as np
import matplotlib.pyplot as plt
x= np.arange(0,3*np.pi,0.1)
y=np.tan(x)
plt.plot(x,y)
plt.show()
Ke depan dengan tutorial numpy python, mari kita lihat beberapa fungsi khusus
lainnya dalam array numpy seperti fungsi eksponensial dan logaritmik .
Sekarang dalam eksponensial, nilai e berada di suatu tempat sama dengan 2,7
dan dalam log, itu sebenarnya adalah basis log 10 . Jika kita berbicara tentang
log natural yaitu log base e, ini disebut Ln. Jadi mari kita lihat bagaimana ini
diterapkan secara praktis:

a= np.array([1,2,3])
print(np.exp(a))
Output - [ 2.71828183 7.3890561 20.08553692]
import numpy as np
import matplotlib.pyplot as plt
a= np.array([1,2,3])
print(np.log(a))
Output - [ 0 0.69314718 1.09861229]
import numpy as np
import matplotlib.pyplot as plt
a= np.array([1,2,3])
print(np.log10(a))
Output - [ 0 0.30103 0.47712125]

TUGAS PRAKTIKUM :
1. Lakukan meng-Install NumPy pada PC anda, langkah-langkah cara meng-
install NumPy ditulis sebagai laporan praktikum
2. Buatlah contoh program untuk menghitung nilai rata-rata, Nilai minimal,
Nilai maksimal, Total nilai, Standar Deviasi dari suatu array satu dimensi,
dimana array tersebut terbentuk dengan fungsi arange () : nilai start = 1, nilai
stop = 40 dan step 3

PUSTAKA :
1.https://ngodingdata.com/tutorial-dasar-numpy-python/
2.http://belajardatascience.blogspot.com/2018/08/python-fungsi-numpy-yang-
umum-digunakan.html
3.https://medium.com/@yasirabd/pengenalan-numpy-pandas-matplotlib-
b90bafd36c0
4.https://ichi.pro/id/panduan-numpy-python-pelajari-array-numpy-dengan
contoh-151713468394621