NumPy 高度な操作: インデックス、ブロードキャスト、ユニバーサル関数

NumPy の N 次元配列: numpy.ndarray() プログラミング解説

numpy.ndarray() は、N 次元配列を作成するための関数です。

import numpy as np

# 1 次元配列
array_1d = np.array([1, 2, 3])

# 2 次元配列
array_2d = np.array([[1, 2], [3, 4]])

# 3 次元配列
array_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

上記のように、array_1d は 1 次元、array_2d は 2 次元、array_3d は 3 次元の配列です。

引数

• data: 配列の要素を格納するリスト、タプル、または NumPy 配列
• dtype: 要素のデータ型 (例: int, float, str)
• shape: 配列の形状 (各次元の要素数)

属性

• ndim: 配列の次元数
• shape: 各次元の要素数
• dtype: 要素のデータ型
• size: 配列の要素数

メソッド

• reshape(): 配列の形状を変更
• transpose(): 配列の転置
• flatten(): 配列を 1 次元配列に変換
• sum(): 配列の要素の合計
• mean(): 配列の要素の平均
• max(): 配列の要素の最大値

インデックスとスライス

NumPy 配列の要素には、インデックス と スライス を使ってアクセスできます。

インデックス

# 1 次元配列
array_1d = np.array([1, 2, 3])

# 2 番目の要素
element_2 = array_1d[1]  # 2

# 2 次元配列
array_2d = np.array([[1, 2], [3, 4]])

# 2 行目の 1 番目の要素
element_21 = array_2d[1, 0]  # 3

スライス

# 1 次元配列
array_1d = np.array([1, 2, 3, 4, 5])

# 最初の 2 つの要素
elements_1_2 = array_1d[:2]  # [1, 2]

# 最後の 2 つの要素
elements_4_5 = array_1d[-2:]  # [4, 5]

# 2 次元配列
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 2 行目
row_2 = array_2d[1, :]  # [4, 5, 6]

# 1 列目
column_1 = array_2d[:, 0]  # [1, 4, 7]

数学演算

NumPy 配列は、要素同士で数学演算を行うことができます。

# 加算
array_1 = np.array([1, 2, 3])
array_2 = np.array([4, 5, 6])

array_sum = array_1 + array_2  # [5, 7, 9]

# 乗算
array_3 = np.array([[1, 2], [3, 4]])
array_4 = np.array([[5, 6], [7, 8]])

array_product = array_3 * array_4  # [[5, 12], [21, 32]]

# 行列の積
array_5 = np.array([[1, 2], [3, 4]])
array_6 = np.array([[5, 6], [7, 8]])

array_dot = np.dot(array_5, array

NumPy ndarray 関数：サンプルコード集

配列の生成

# 1 次元配列
array_1d = np.array([1, 2, 3])

# 2 次元配列
array_2d = np.array([[1, 2], [3, 4]])

# 3 次元配列
array_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

# 等間隔の数値の配列
array_linspace = np.linspace(0, 10, 5)  # [0., 2.5, 5., 7.5, 10.]

# ランダムな数値の配列
array_random = np.random.rand(3, 3)

インデックスとスライス

# 1 次元配列
array_1d = np.array([1, 2, 3, 4, 5])

# 2 番目の要素
element_2 = array_1d[1]  # 2

# 最初の 2 つの要素
elements_1_2 = array_1d[:2]  # [1, 2]

# 最後の 2 つの要素
elements_4_5 = array_1d[-2:]  # [4, 5]

# 2 次元配列
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 2 行目の 1 番目の要素
element_21 = array_2d[1, 0]  # 3

# 2 行目
row_2 = array_2d[1, :]  # [4, 5, 6]

# 1 列目
column_1 = array_2d[:, 0]  # [1, 4, 7]

数学演算

# 加算
array_1 = np.array([1, 2, 3])
array_2 = np.array([4, 5, 6])

array_sum = array_1 + array_2  # [5, 7, 9]

# 乗算
array_3 = np.array([[1, 2], [3, 4]])
array_4 = np.array([[5, 6], [7, 8]])

array_product = array_3 * array_4  # [[5, 12], [21, 32]]

# 行列の積
array_5 = np.array([[1, 2], [3, 4]])
array_6 = np.array([[5, 6], [7, 8]])

array_dot = np.dot(array_5, array_6)  # [[19, 22], [43, 50]]

# 統計量
array_7 = np.array([1, 2, 3, 4, 5])

mean = np.mean(array_7)  # 3.0
std = np.std(array_7)  # 1.4142135623730951

条件付き選択

# 2 次元配列
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 2 より大きい要素
array_gt_2 = array_2d[array_2d > 2]  # [3, 4, 5, 6, 7, 8, 9]

# 偶数番目の要素
array_even = array_2d[::2]  # [[1, 2, 3], [7, 8, 9]]

配列の結合と分割

# 配列の結合
array_1 = np.array([1, 2, 3])
array_2 = np.array([4, 5, 6])

array_combined = np.concatenate((array_1, array_2))  # [1, 2, 3, 4, 5, 6]

# 配列の分割
array_3d = np.array([[[1, 2

NumPy 配列を操作するその他の方法

高度なインデックス

• np.where(): 条件に基づいて要素を選択
• np.take(): インデックス配列を使って要素を選択
• np.put(): インデックス配列を使って要素を代入
• np.searchsorted(): ソート済みの配列で挿入位置を検索

ブロードキャスト

• 異なる形状の配列同士で演算を行う
• 例： 1 次元配列と 2 次元配列の加算

ユニバーサル関数

• 配列の要素に対して一括で演算を行う
• 例： np.sin(), np.log(), np.sqrt()

統計関数

• 配列の統計量を計算
• 例： np.mean(), np.std(), np.var()

配列の形状変更

• np.ravel(): 配列を 1 次元配列に変換
• np.flatten(): 配列を 1 次元配列に変換 (ravel() とほぼ同じ)

配列の結合と分割

• np.concatenate(): 配列を結合
• np.split(): 配列を分割
• np.hstack(): 配列を水平方向に結合

その他の便利な関数

• np.sort(): 配列をソート
• np.unique(): 配列から重複する要素を削除
• np.isin(): 要素が特定の配列に含まれるかどうかを確認

外部ライブラリの活用

• pandas: データフレームなど、より高度なデータ構造を扱う
• scikit-learn: 機械学習のためのライブラリ

これらの方法は、NumPy 配列をより効率的に操作するのに役立ちます。詳細は NumPy の公式ドキュメントを参照してください。

NumPy 配列の操作について何か質問があれば、遠慮なく聞いてください。