Cara termudah untuk menggunakan numpy: impor numpy sebagai np

NumPy , yang merupakan singkatan dari Numerical Python, adalah perpustakaan komputasi ilmiah yang dibangun di atas bahasa pemrograman Python.

Cara paling umum untuk mengimpor NumPy ke lingkungan Python Anda adalah dengan menggunakan sintaks berikut:

 import numpy as np

Bagian kode import numpy memberitahu Python untuk mengintegrasikan perpustakaan NumPy ke lingkungan Anda saat ini.

Bagian kode as np kemudian memberitahu Python untuk memberikan NumPy alias np . Ini memungkinkan Anda menggunakan fungsi NumPy hanya dengan mengetikkan np.function_name daripada numpy.function_name.

Setelah Anda mengimpor NumPy, Anda kemudian dapat menggunakan fungsi bawaan untuk membuat dan menganalisis data dengan cepat.

Cara membuat array NumPy dasar

Tipe data paling umum yang akan Anda gunakan di NumPy adalah array , yang dapat dibuat menggunakan fungsi np.array() .

Kode berikut menunjukkan cara membuat array NumPy satu dimensi dasar:

 import numpy as np

#define array
x = np. array ([1, 12, 14, 9, 5])

#display array
print (x)

[1 12 14 9 5]

#display number of elements in array
x. size

5

Anda juga dapat membuat beberapa tabel dan melakukan operasi pada tabel tersebut seperti penjumlahan, pengurangan, perkalian, dll.

 import numpy as np 

#define arrays
x = np. array ([1, 12, 14, 9, 5])
y = np. array ([2, 3, 3, 4, 2])

#add the two arrays
x+y

array([ 3, 15, 17, 13, 7])

#subtract the two arrays
xy

array([-1, 9, 11, 5, 3])

#multiply the two arrays
x*y

array([ 2, 36, 42, 36, 10])

Lihat Panduan Pemula Mutlak untuk NumPy untuk pengenalan mendetail tentang semua fungsi dasar NumPy.

Potensi kesalahan saat mengimpor NumPy

Potensi kesalahan yang mungkin Anda temui saat mengimpor NumPy adalah:

 NameError : name 'np' is not defined

Ini terjadi ketika Anda gagal menggunakan alias NumPy saat mengimpornya. Baca tutorial ini untuk mempelajari cara memperbaiki kesalahan ini dengan cepat.

Sumber daya tambahan

Jika Anda ingin mempelajari lebih lanjut tentang NumPy, lihat sumber daya berikut:

Daftar lengkap panduan statistik Python
Halaman dokumentasi NumPy online
Halaman Twitter resmi NumPy