NumPyをオンライン実行

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。

  • 中級
  • 約2分で読めます
  • 実行できるサンプル 1 件

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。

方眼紙からコードへ
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:6
print(values)👀 紙全体を1行ずつ
どのマスも同じ型なので、配列全体をまとめて速く計算できます。
ひと言でいうと

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

  1. 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。
  2. values.shape は (2, 3) で、2行3列という意味です。
  3. values.size は要素の総数で、6です。
  4. 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

コードを実行 →
main.py
import numpy as np

values = np.array([[1, 2, 3], [4, 5, 6]])

print(values)
print("shape:", values.shape)
print("size:", values.size)
この例の実行ボタンを作成

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。

  1. 入力配列の形状(shape)とデータ型(dtype)を変える。
  2. 負の数、小数、欠損値で試す。
  3. 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。
Pythonコンパイラで実行 →

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。

問題
np.array([[1, 2, 3], [4, 5]])  # error or object array
修正
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。

すべてのチャレンジ