NumPy (Numerical Python) は、Pythonで科学技術計算、データ分析、機械学習を行うための基盤となるライブラリです。高速な多次元配列処理、豊富な数学関数、線形代数演算機能などを提供します。例えば、100万個の要素を持つリストの各要素を2倍にする処理は、NumPyの配列を使うとPythonの標準リストに比べて数十倍高速に実行できます。この記事では、Python NumPyの基本的な使い方と利用時にエラーが発生した場合の対応、対処法について解説していきます。
NumPyについて
NumPyの内部はC言語で実装されており、最適化された計算処理を行います。NumPyはその高速な処理でPythonでの数値計算をサポートするツールで、以下のようなことが可能です。
NumPyでできること
| 機能 | 説明 | 具体例 |
|---|---|---|
| 多次元配列 (ndarray) | 任意の次元の数値データを効率的に格納・操作するNumPyの中心となるデータ構造。 | 画像データ (高さ x 幅 x カラーチャンネル)、時系列データ、数値シミュレーションの結果 |
| リストのリストよりも高速に処理でき、メモリ使用量も少ない。 | ||
| 配列全体に対する演算（ブロードキャスト）をサポートし、ループ処理を記述せずに高速な計算が可能。 | ||
| 豊富な数学関数 | 三角関数、指数・対数関数、統計関数など、科学技術計算でよく使われる関数を多数提供。 | np.sin(), np.exp(), np.mean(), np.std(), np.max() など |
| これらの関数は、配列の要素ごとに適用されるため、高速な計算が可能。 | ||
| 線形代数演算 | 行列の積、逆行列、固有値分解、連立一次方程式の解法など、高度な線形代数計算が可能。 | np.dot(), np.linalg.inv(), np.linalg.eig(), np.linalg.solve() など |
| 機械学習アルゴリズムの実装や、物理シミュレーションなどで活用。 | ||
| 乱数生成 | 様々な確率分布に従う乱数を生成できる。 | np.random.rand(), np.random.randn(), np.random.randint(), np.random.normal() など |
| シミュレーション、統計的検定、機械学習モデルの初期化などに利用。 |
インストール
NumPyは通常、pipを使ってインストールします。
pip install numpy
仮想環境 (venv, conda) を利用している場合は、環境をアクティブにしてからインストールしてください。
基本的な使い方
インポート
NumPyを使うには、まず numpy モジュールをインポートします。慣例として、np という別名でインポートします。
import numpy as np
配列の作成
NumPyの最も基本的なデータ構造は、ndarray (N-dimensional array) と呼ばれる多次元配列です。
1. np.array()
PythonのリストやタプルからNumPy配列を作成します。
# 1次元配列 (ベクトル) arr1 = np.array([1, 2, 3]) print(arr1) print(arr1.shape) # 配列の形状 (要素数) print(arr1.dtype) # 配列のデータ型 print(arr1.ndim) # 配列の次元数 # 2次元配列 (行列) arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2) print(arr2.shape) # (行数, 列数)
2. np.zeros(), np.ones()
指定した形状で、要素が全て0または1の配列を作成します。
# 3x4のゼロ行列 zeros = np.zeros((3, 4)) print(zeros) # 2x2x2の全要素が1の配列 ones = np.ones((2, 2, 2)) print(ones)
3. np.arange(), np.linspace()
連番や等間隔の数列を生成します。
# 0から9までの連番 seq1 = np.arange(10) print(seq1) # 0から1までを5等分した数列 seq2 = np.linspace(0, 1, 5) print(seq2)
4. データ型の指定
dtype 引数で配列のデータ型を指定できます。
arr_float = np.array([1, 2, 3], dtype=np.float64) print(arr_float.dtype)
配列の操作
1. スライス
Pythonのリストと同様に、スライスを使って配列の一部を取り出せます。
arr = np.array([0, 1, 2, 3, 4, 5]) print(arr[1:4]) # [1 2 3] print(arr[:3]) # [0 1 2] (先頭から3つ) print(arr[3:]) # [3 4 5] (3番目以降) print(arr[::2]) # [0 2 4] (1つ飛ばし)
二次元配列のスライス
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr[0:2, 1:3]) #[[2 3] #[5 6]]
2. ファンシーインデックス
配列を使って、特定のインデックスの要素をまとめて取り出せます。
arr = np.array([0, 1, 2, 3, 4, 5]) indices = np.array([1, 3, 5]) print(arr[indices]) # [1 3 5]
3. ブールインデックス
条件を満たす要素だけを取り出せます。
arr = np.array([0, 1, 2, 3, 4, 5]) bool_index = arr > 2 print(bool_index) # [False False False True True True] print(arr[bool_index]) # [3 4 5]
4. 形状変更 (reshape())
配列の形状を変えられます。
arr = np.arange(12) arr_reshaped = arr.reshape(3, 4) # 3x4の行列に変形 print(arr_reshaped)
5. 配列の結合 (concatenate(), stack())
複数の配列を結合できます。
arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) # 行方向に結合 print(np.concatenate([arr1, arr2], axis=0)) # 列方向に結合 print(np.concatenate([arr1, arr2], axis=1)) # 新しい次元で結合 print(np.stack([arr1, arr2], axis=0))
数学関数
NumPyは、配列の要素ごとに演算を行うユニバーサル関数 (ufunc) を多数提供しています。
arr = np.array([1, 2, 3, 4]) print(np.sin(arr)) # 各要素のsinを計算 print(np.exp(arr)) # 各要素の指数関数を計算 print(np.sum(arr)) # 合計 print(np.mean(arr)) # 平均 print(np.max(arr)) # 最大値 print(np.std(arr)) # 標準偏差
ブロードキャスト
形状が異なる配列同士でも、NumPyが自動的に形状を調整して演算を行うことがあります。
arr1 = np.array([[1, 2, 3], [4, 5, 6]]) arr2 = np.array([10, 20, 30]) print(arr1 + arr2) # arr2がarr1の各行に足される
線形代数
A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) # 行列の積 (np.dot) print(np.dot(A, B)) # 行列の積 (@演算子) print(A @ B) # 逆行列 print(np.linalg.inv(A)) # 連立一次方程式の解 b = np.array([5, 11]) x = np.linalg.solve(A, b) print(x)
乱数生成
# 乱数シードの設定 np.random.seed(42) # 標準正規分布からサンプリング (2x3の配列) print(np.random.randn(2, 3)) # 一様分布[0, 1)からサンプリング print(np.random.rand(2, 3)) # 正規分布 平均3, 標準偏差2 print(np.random.normal(3, 2, (2,3)))
エラー対処
よくあるエラーとその対処法をいくつか示します。
AttributeError: module 'numpy' has no attribute 'xxxx'
- 原因: NumPyに存在しない関数や属性を使おうとした。
- 対処法: 関数名、属性名のスペルミスがないか確認。NumPyのバージョンが古い場合は、最新版にアップデート。
#誤 np.random.randoms(10) #正 np.random.random(10)
TypeError: xxxx() missing 1 required positional argument: 'xxxx'
- 原因: 関数呼び出し時に必要な引数が不足している。
- 対処法: 関数のドキュメントやエラーメッセージを確認し、必要な引数を全て渡しているか確認。
#誤 np.zeros() #正 np.zeros((2,3))
IndexError: index xxxx is out of bounds for axis xxxx with size xxxx
- 原因: 配列の範囲外のインデックスにアクセスしようとした。
- 対処法: インデックスが配列の形状 (shape) の範囲内にあるか確認。
arr = np.zeros((2,3)) #誤 arr[2,3] #正 arr[1,2]
ValueError
- 原因: 配列の形状や、ブロードキャストのルールに沿わない計算をしようとしている。
a1 = np.arange(4).reshape((2,2)) a2 = np.arange(2) #誤 a1 + a2.reshape((2, 1)) #正 a1 + a2
基本的なエラーハンドリング
下記のようにtry``exceptの例外処理でエラーを捕捉し、適切に処理してください。
try: # エラーが発生する可能性のある処理 result = np.linalg.inv(np.array([[1, 2], [3, 4]])) except np.linalg.LinAlgError: # 特定のエラー (ここでは行列式が0の場合) を処理 print("行列式が0のため、逆行列を計算できません") except Exception as e: # その他の予期しないエラーを処理 print(f"エラーが発生しました: {e}")
まとめ
NumPyは、Pythonで科学技術計算、データ分析を行う上で欠かせないライブラリです。高速な配列処理、豊富な関数、そして他のライブラリ (SciPy, Pandas, Matplotlibなど) との連携により、幅広い分野で活用できます。さらにNumPyを使いこなせるように、下記を参考にしてください。また、今回取り上げた機能を表でまとめましたので簡易的なリファレンスとして活用ください。
- NumPy公式ドキュメント: https://numpy.org/doc/stable/
- チュートリアル: https://numpy.org/doc/stable/user/quickstart.html
NumPyの主要な配列生成関数
| 関数名 | 説明 | 例 |
|---|---|---|
np.array() |
リストやタプルから配列を作成 | np.array([1, 2, 3]) |
np.zeros() |
指定した形状で、要素が全て0の配列を作成 | np.zeros((2, 3)) # 2x3のゼロ行列 |
np.ones() |
指定した形状で、要素が全て1の配列を作成 | np.ones((3, 2)) # 3x2の全要素が1の配列 |
np.arange() |
連番を生成 | np.arange(10) # 0から9までの連番 |
np.linspace() |
指定した範囲を等間隔に分割した数列を生成 | np.linspace(0, 1, 5) # 0から1までを5等分 |
np.eye() |
単位行列を生成 | np.eye(3) # 3x3の単位行列 |
np.empty() |
初期化されていない配列を作成 | np.empty((2,2)) # 初期値は不定 |
NumPyの主要な属性
| 属性 | 説明 | 例 |
|---|---|---|
shape |
配列の形状 (各次元の要素数) | arr.shape -> (2, 3) |
dtype |
配列の要素のデータ型 | arr.dtype -> int64 or float64など |
ndim |
配列の次元数 | arr.ndim -> 2 |
size |
配列の全要素数 | arr.size -> 6 |
itemsize |
配列の1要素のバイト数 | arr.itemsize -> 8 (float64の場合) |
nbytes |
配列全体が使用するメモリサイズ (バイト数) | arr.nbytes -> 48 (2x3 float64の場合) |
[PR]
