Membuat Array NumPy
Buat array 1-D dan 2-D dengan np.array, np.zeros, np.ones, dan np.arange, lalu periksa shape dan dtype-nya
Membuat Array NumPy adalah pelajaran Pandas & NumPy Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Pandas & NumPy Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Pandas & NumPy Academy mencakup 4 pelajaran total.
Apa Itu Array NumPy?
NumPy adalah pustaka andalan Python untuk mengolah angka. Intinya adalah ndarray — kisi berisi nilai dengan tipe yang sama, yang jauh lebih cepat dan hemat memori daripada list.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Membuat Array dari List
Cara paling sederhana untuk membuat array: teruskan list ke np.array(). NumPy memilih dtype untuk Anda, dan list yang berisi list menjadi matriks 2-D.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros dan np.ones
Memerlukan titik awal yang kosong? np.zeros mengisi array dengan 0.0, sedangkan np.ones mengisinya dengan 1.0 — cocok untuk menyiapkan array sebelum menghitung nilai sebenarnya.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange untuk Urutan Bilangan Bulat
np.arange bekerja seperti range milik Python, tetapi mengembalikan array. Berikan nilai awal, akhir, dan langkah — nilai akhir tidak disertakan.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace untuk Float Berjarak Sama
Ingin float dengan jarak yang sama? np.linspace memberi Anda sejumlah nilai tertentu di antara dua titik ujung, dengan keduanya disertakan — tanpa penyimpangan pembulatan.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full dan np.eye
Gunakan np.full untuk mengisi array dengan konstanta apa pun yang Anda inginkan, dan np.eye untuk membuat matriks identitas — berisi satu pada diagonal dan nol di tempat lainnya.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Menentukan dtype Saat Pembuatan
Setiap array memiliki satu dtype untuk semua nilainya. Atur sendiri dengan dtype= — memilih float32 daripada float64, misalnya, dapat menghemat separuh memori.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Array Acak dengan np.random
Memerlukan data acak? np.random membuatnya untuk Anda. Tetapkan seed terlebih dahulu agar Anda mendapatkan angka yang sama pada setiap eksekusi — penting untuk eksperimen yang dapat diulang. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Memeriksa Shape dan Dimensi Array
Setelah membuat array, biasanya Anda perlu memeriksa shape-nya — tuple ukuran untuk setiap dimensi. Gunakan .ndim untuk melihat jumlah dimensinya.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Mengonversi List dan Tuple
np.array() menerima lebih dari sekadar list — tuple, range, bahkan array lain juga dapat digunakan. Namun, hindari list bagian dalam yang ragged, karena dapat mengurangi kecepatan NumPy secara drastis.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty untuk Array yang Belum Diinisialisasi
np.empty mengambil ruang memori tanpa mengisinya, sehingga sedikit lebih cepat daripada zeros. Kekurangannya: array ini berisi data sisa yang tidak bermakna — selalu tulis nilai sebelum membacanya.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Pemeriksaan Singkat
Uji pemahaman Anda tentang pembuatan array NumPy dari pelajaran ini.
Rangkuman Pelajaran
Kerja bagus! Anda dapat mengubah list menjadi array dengan np.array(), dan membuatnya dari awal dengan zeros, ones, arange, dan linspace. Berikutnya: atribut array.
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Membuat Array NumPy” gratis?
Ya — teks lengkap “Membuat Array NumPy” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Pandas & NumPy Academy, upgrade ke CoddyKit PRO. Kursus Pandas & NumPy Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Membuat Array NumPy”?
Buat array 1-D dan 2-D dengan np.array, np.zeros, np.ones, dan np.arange, lalu periksa shape dan dtype-nya Kamu berlatih Pandas & NumPy Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Pandas & NumPy Academy?
Tidak diperlukan pengalaman sebelumnya. Pandas & NumPy Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Membuat Array NumPy” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Pandas & NumPy Academy ini?
Ya. Setiap pelajaran Pandas & NumPy Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Membuat Array NumPy
- Atribut dan Pemeriksaan Array
- Aritmetika Per Elemen
- Pemotongan dan Pengindeksan Array