NumPy Data Types

-

 


Data Types in Python

Secara default Python memiliki tipe data ini:
  • string - digunakan untuk mewakili data teks, teks diberikan di dalam tanda kutip. Misalnya "ABCD".
  • integer - digunakan untuk mewakili bilangan bulat. Misalnya 1, 2, 3.
  • float - digunakan untuk menyatakan bilangan real. Misalnya 1.2, 44.44.
  • boolean - digunakan untuk mewakili Benar/True atau Salah/False.
  • complex - digunakan untuk merepresentasikan bilangan komplex. Misalnya 1.0 + 2.0j, 1.5 + 2.5j.

Data Types in Numpy

NumPy memiliki beberapa tipe data tambahan, dan merujuk ke tipe data dengan satu karakter, seperti i untuk integer, u untuk unsigned integer, dll.

Dibawah ini adalah daftar semua tipe data di NumPy dan karakter yang digunakan untuk mewakilinya.
  • i - integer 
  • b - boolean
  • u - unsigned integer
  • f - float
  • c - complex float
  • m - timedelta 
  • M - datetime
  • O - object
  • S - string
  • U - unicode string
  • V - fixed chuck of memory for other type (void)

Checking the Data Types of an Array

Objek array NumPy memiliki properti yang disebut dtype yang mengembalikan tipe data array.

Contoh
Dapatkan tipe data objek array.
import numpy as np

arr = np.array([1, 2, 3, 4])

print(arr.dtype)

Contoh
Dapatkan tipe data array yang berisi string.
import numpy as np

arr = np.array(['apple', 'banana', 'cherry'])

print(arr.dtype)

Creating Arrays With a Defined Data Type

Kita munggunakan fungsi array() untuk membuat array, fungsi ini dapat mengambil argumen opsional: dtype yang memungkinkan kita untuk menentukan tipe data yang diharapkan dari elemen array.

Contoh
Buat array dengan tipe data string.
import numpy as np

arr = np.array([1, 2, 3, 4], dtype='S')

print(arr)
print(arr.dtype)

Untuk i, u, f, S, dan U kita dapat mendefinisikan ukuran juga.

Contoh
Buat array dengan tipe data 4 byte integer.
import numpy as np

arr = np.array([1, 2, 3, 4], dtype='i4')

print(arr)
print(arr.dtype)

What if a Value Can Not Be Converted?

Jika suatu tipe diberikan dimana elemen tidak dapat dicor maka NumPy akan menaikkan ValueError.

ValueError: Dalam Python ValueError dimunculkan ketika jenis argumen yang diteruskan ke suatu fungsi salah.

Contoh
String non integer seperti 'a' tidak dapat dikonversi ke integer (akan menimbulkan kesalahan). 
import numpy as np

arr = np.array(['a', '2', '3'], dtype='i')

Converting Data Type on Existing Arrays

Cara terbaik untuk mengubah tipe data array yang ada, adalah dengan membuat salinan array dengan astype().

Fungsi ini astype() membuat salinan array, dan memungkinkan kalian menentukan tipe data sebagai parameter.

Tipe data dapat ditentukan menggunakan string, seperti 'f' untuk float, 'i' untuk integer dll. Atau kalian dapat menggunakan tipe data secara langsung seperti float untuk float dan int integer.

Contoh
Ubah tipe data dari float ke integer dengan menggunakan 'i' nilai parameter.
import numpy as np

arr = np.array([1.1, 2.1, 3.1])

newarr = arr.astype('i')

print(newarr)
print(newarr.dtype)

Contoh
Ubah tipe data dari float ke integer dengan menggunakan int nilai parameter.
import numpy as np

arr = np.array([1.1, 2.1, 3.1])

newarr = arr.astype(int)

print(newarr)
print(newarr.dtype)

Contoh
Ubah tipe data dari integer ke boolean.
import numpy as np

arr = np.array([1, 0, 3])

newarr = arr.astype(bool)

print(newarr)
print(newarr.dtype)

Komentar

Posting Komentar

Postingan populer dari blog ini

NumPy Array Search

-
Gambar
  Searching Arrays Kita dapat mencari array untuk nilai tertentu, dan mengembalikan index yang cocok. Untuk mencari array, gunakan where() . Contoh Temukan index dimana nilainya adalah 4. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  4 ,  4 ]) x =   np.where(arr ==  4 ) print (x) Contoh diatas akan mengembalikan Tuple: (array([3, 5, 6]),) Yang artinya nilai 4 terdapat pada index 3, 5, dan 6. Contoh Temukan index dimana nilainya genap. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  0 ) print (x) Contoh Temukan index dimana nilainya ganjil. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  1 ) print (x) Search Sorted  Ada metode yang disebut searchsorted() yang mela...
Baca selengkapnya

NumPy Array Split

-
Gambar
  Splitting NumPy Arrays Splitting/Pemisahan adalah operasi kebalikan dari Joining. Bergabung/Joining menggabungkan beberapa array menjadi satu dan memisahkan memecah satu array menjadi banyak. Kita menggunakan array_split() untuk memisahkan array, kita memberikan array yang ingin kita bagi dan jumlah pemisahan. Contoh Bagi array menjadi 3 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  3 ) print (newarr) Note: Nilai yang dikembalikan adalah array yang berisi 3 array. Jika array memiliki lebih sedikit elemen dari yang dibutuhkan, array akan menyesuaikan dari akhir. Contoh Bagi array menjadi 4 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  4 ) print (newarr) Note: Kita juga memiliki metode split() tersedia tetapi tidak akan menyesuaikan elemen ketika elemen ku...
Baca selengkapnya

NumPy Array Iterating

-
Gambar
  Iterating Array Iterating/iterasi berarti menelusuri elemen satu per satu. saat kita berurusan dengan array multi-dimensi di numpy, kita bisa melakukan ini menggunakan for loop dasar Python. Jika kita mengulangi/loop pada array 1-D, ia akan melewati setiap elemen satu per satu. Contoh  Iterasi pada elemen array 1-D berikut. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ]) for  x  in  arr:    print (x) Iterating 2-D Arrays Dalam array 2-D itu akan melewati semua baris. Contoh Lakukan iterasi pada elemen array 2D berikut. import  numpy  as  np arr = np.array([[ 1 ,  2 ,  3 ], [ 4 ,  5 ,  6 ]]) for  x  in  arr:    print (x) Jika kita iterasi pada array n -D maka akan melewati dimensi n-1 satu per satu. Untuk mengembalikan nilai aktual, skalar, kita harus mengulangi/loop array di setiap dimensi. Contoh Iterasi pada  setiap elemen skalar dari array 2-D. import ...
Baca selengkapnya