NumPyの配列(ndarray)
このレッスンでは、2次元のNumPy配列を作り、形状(shape)や要素数(size)といった基本情報を確認します。
はじめに
どんな問題を解決するか
Python のリストは柔軟ですが、たくさんの数の計算には時間がかかります。100万個の値に1を足すにも Python のループが必要です。科学技術計算、データ分析、機械学習では、数を格子状に並べた大きなデータを扱います。そのため、すべての値をまとめて高速に計算できるデータ構造が必要です。
身近なたとえ
NumPy の配列は、どのマスにも同じ種類の数が入った方眼紙のようなものです。どのマスも同じ大きさと型なので、マスを1つずつ回る代わりに、行全体、列全体、紙全体を一度に処理できます。
np.array([[1, 2, 3], [4, 5, 6]])📄 2行3列のマス目の紙values.shape📐 大きさ:(2, 3)values.size🔢 マスの数:6print(values)👀 紙全体を1行ずつNumPy の配列(ndarray)は、同じデータ型の値を決まった形(shape)に並べた格子状のデータです。すべての要素をまとめて高速に計算できるように作られています。
重要なポイント
np.array([[1, 2, 3], [4, 5, 6]])は、リストを入れ子にしたリストを2次元配列に変換します。values.shapeは(2, 3)で、2行3列という意味です。values.sizeは要素の総数で、6です。- すべての要素が同じ型だからこそ、配列の計算は速いのです。
どんな場面で使う?
- 点数、測定値、価格など、たくさんの数を一度に計算する。
- 画像を扱う。画像は画素値(ピクセルの値)の配列です。
- データサイエンスや機械学習のほとんどのライブラリに、入力データとして渡す。
使わなくてよいとき
- 名前と数のように種類の混ざったデータ:pandas の DataFrame や辞書のリストのほうが向いています。
- 要素が1つずつ増えていくコレクション:配列は追加のたびに全体がコピーされるので、まずリストとして作ります。
動きで理解する
セルを指すと、その行と列、そしてメモリ上の位置がわかります。メモリには行が順番に並んで保存されています。
サンプルコード
import numpy as np
values = np.array([[1, 2, 3], [4, 5, 6]])
print(values)
print("shape:", values.shape)
print("size:", values.size)
実行結果
[[1 2 3]
[4 5 6]]
shape: (2, 3)
size: 6
コードの解説
np.array()関数は、入れ子のリストから2行3列の2次元配列を作ります。属性shapeは各次元の大きさを表し、ここでは(2, 3)です。sizeは要素の総数で6です。
値を変更し、PythonをインストールせずにCodeUtilityオンラインPythonコンパイラで実行できます。
発展問題
下のヒントにしたがってコードを書き換えてみましょう。自分で変えて結果を確かめると、コードを読むだけよりずっと深く理解できます。
- 入力配列の形状(shape)とデータ型(dtype)を変える。
- 負の数、小数、欠損値で試す。
- もっと大きな多次元配列に同じ操作をして、実行時間を測る。
よくある間違い
行の長さがそろっていない
行によって長さが違うと、きちんとした2次元配列になりません。
np.array([[1, 2, 3], [4, 5]]) # error or object array
np.array([[1, 2, 3], [4, 5, 6]])
このレッスンを終えましたか?
学習済みにすると進み具合を記録できます。
チャレンジで練習する
このレッスンの内容を使って実際の問題を解きましょう。各チャレンジはブラウザで動き、すぐにテストされ、AI のレビューも受けられます。
- 2つのベクトルの内積 2つのベクトルを要素ごとに掛けて合計します。すべてのニューロンの中心となる計算です。 簡単
- 配列の合計 リスト内のすべての値を合計します。 簡単
- 活性化関数 リストの各値に sigmoid、ReLU、Leaky ReLU、tanh のいずれかを適用します。 簡単