Slicing Array

Indexing satu elemen sering kali tidak cukup. Laporan nilai mungkin hanya membutuhkan tiga skor terakhir, sedangkan laporan cabang membutuhkan segmen baris dan kolom dari tabel penjualan. Untuk kebutuhan rentang semacam ini, NumPy menyediakan slicing dengan sintaks a[start:stop:step] — satu notasi ringkas untuk mengambil banyak elemen sekaligus.

Sintaks start:stop:step #

Kita coba kelima variasi slice pada array nilai ujian yang sama:

import numpy as np

nilai = np.array([78, 85, 92, 69, 88, 95, 73, 81])
print(nilai[2:5])
print(nilai[:3])
print(nilai[5:])
print(nilai[:])
print(nilai[1:7:2])

Output yang Dihasilkan:

[92 69 88]
[78 85 92]
[95 73 81]
[78 85 92 69 88 95 73 81]
[85 69 95]

Bedah baris demi baris:

1. Baris 3 (nilai[2:5]): mengambil indeks 2, 3, dan 4. Batas stop bersifat eksklusif — elemen pada indeks 5 tidak ikut — sehingga jumlah elemen hasil selalu stop - start ketika langkahnya 1.
2. Baris 4 (nilai[:3]): start yang dikosongkan berarti default 0, sehingga tercetak tiga elemen pertama.
3. Baris 5 (nilai[5:]): stop yang dikosongkan berarti sampai akhir dimensi, yaitu indeks 5, 6, 7.
4. Baris 6 (nilai[:]): keduanya kosong, sehingga seluruh elemen ikut terpilih.
5. Baris 7 (nilai[1:7:2]): step bernilai 2 membuat slice melompat: indeks 1, 3, 5 — berhenti sebelum mencapai 7.

Tabel ringkasan berikut memetakan tiap ekspresi ke indeks yang diambil:

Ketiga parameter memiliki nilai default: start bernilai 0, stop bernilai panjang dimensi, dan step bernilai 1. Karena itu kita bebas mengisi sebagian saja — nilai[:5], nilai[3:], atau nilai[::2] — dan sisanya otomatis mengikuti default.

Slicing pada Array Dua Dimensi #

Pada array dua dimensi, kita memberikan dua rentang yang dipisah koma: rentang baris terlebih dahulu, lalu rentang kolom. Hasilnya sebuah submatriks:

import numpy as np

penjualan = np.array([
    [12, 15, 9, 20],
    [8, 14, 11, 17],
    [19, 6, 13, 10],
])
sub = penjualan[0:2, 1:3]
print(sub)
print(np.array_equal(sub, penjualan[0:2][:, 1:3]))

Output yang Dihasilkan:

[[15  9]
 [14 11]]
True

Bedah baris demi baris:

1. penjualan[0:2, 1:3]: rentang pertama memilih baris 0 sampai 1, rentang kedua memilih kolom 1 sampai 2. Hasilnya submatriks 2 x 2 berisi [[15 9] [14 11]].
2. penjualan[0:2][:, 1:3]: bentuk berantai — slice slice. Slice pertama menghasilkan array dua baris, kemudian slice kedua [:, 1:3] diterapkan pada array perantara tersebut.
3. np.array_equal(...): membandingkan isi kedua hasil dan mencetak True, membuktikan bentuk tuple dan bentuk berantai ekuivalen.

Sebagaimana dibahas pada Chapter Indexing Array Multidimensi, bentuk tuple dalam satu kurung tetap lebih disarankan: satu operasi indexing tanpa array perantara.

Hasil Slice adalah View, Bukan Salinan #

Bagian ini penting: slicing tidak menyalin data. Hasil slice berupa view — array baru yang metadata-nya menunjuk ke buffer memori yang sama dengan array asal. Kita buktikan dengan mengubah isi view:

import numpy as np

nilai = np.array([78, 85, 92, 69, 88])
potongan = nilai[2:5]
potongan[0] = 100
print(potongan)
print(nilai)

Output yang Dihasilkan:

[100  69  88]
[ 78  85 100  69  88]

Baris potongan[0] = 100 menulis ke sel pertama view, dan view tersebut menunjuk langsung ke buffer nilai. Akibatnya array asal ikut berubah: elemen indeks 2 kini bernilai 100, terlihat saat print(nilai) dijalankan. Perilaku ini menghemat memori karena data tidak diduplikasi, tetapi menuntut kehati-hatian.