【Python】Numpyの基本からさまざまな実例コードまで徹底解説

（最終更新日：2023年10月）

✔以下の疑問を持つ方々におすすめです

「PythonとNumpyで何ができるのだろう？」
「PythonのNumpyライブラリの使い方を学びたい」
「Numpyの実際の使用例を見て理解したい」

✔当記事を読むことで得られる情報

• PythonとNumpyの基本的な情報
• PythonのNumpyライブラリの使い方と応用方法
• Numpyの実利用例について

当記事では、PythonとそのライブラリNumpyの基本から、具体的な使用例による応用方法まで、詳しく解説していきます。

ぜひ最後までお読みください。

序章

こちらでは、PythonとNumpyを紹介し、その重要性を説明します。

• PythonとNumpyの紹介
• なぜPythonとNumpyか？

PythonとNumpyの紹介

Pythonは、柔軟性とシンプルな文法が特徴のプログラミング言語です。

初心者から熟練者まで、広く愛用されています。

一方、NumpyはPythonのライブラリで、多次元配列や行列の操作、数学的な計算を効率的におこなうために開発されました。

Numpyは数値計算を中心に、データ分析、画像処理、機械学習など様々な分野で活用されています。

なぜPythonとNumpyか？

Pythonはコードが読みやすく、多くのライブラリが利用できるため、データ解析や機械学習などの分野で人気です。

NumpyはPythonで高性能な数値計算を行うための不可欠なライブラリです。

Numpyを使用することで、複雑な数学的処理も簡潔なコードで効率よく実行できます。

PythonとNumpyの設定法

こちらでは、PythonとNumpyの設定方法を解説します。

• Python Numpyの要件
• Numpyのインストール
• 第一歩: Numpyのインポート

Python Numpyの要件

Numpyを使用するためには、Pythonがインストールされている必要があります。

Python 3.x系がおすすめ。

また、pipがインストールされていることも確認しましょう。

sudo apt install python3-pip

これはPythonのパッケージ管理ツールで、Numpyをインストールする際に必要となります。

Numpyのインストール

Pythonがインストールされている状態で、コマンドプロンプトやターミナルを開き、以下のコマンドを入力します。

pip install numpy

これにより、Numpyがシステムにインストールされます。

第一歩: Numpyのインポート

Numpyをインストールした後は、Pythonスクリプトやインタラクティブシェルで、以下のようにしてNumpyをインポートします。

import numpy as np

これでNumpyの機能をnpという名前で使用できるようになります。

Numpyの基本

こちらでは、Numpyの基本的な機能と使い方を解説します。

• 多次元配列の作成と特性
• Numpyでデータを取り扱うための基本的な道具
• ndarrayとそのデータ型

多次元配列の作成と特性

Numpyでは、多次元配列を作成して効率的に操作できます。

配列を作成するには、numpy.array()関数を使用しましょう。

例えば、次のようにして2次元配列を作成できます。

import numpy as np
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

これは3×3の2次元配列です。

多次元配列の形状は.shape属性で取得でき、要素の数は.size属性で取得できます。

Numpyでデータを取り扱うための基本的な道具

Numpyでデータを取り出すための主な方法を紹介します。

以下で紹介するものはすべて頭に入れておきましょう。

• 整数を使った要素の選択
• スライスを使った要素の選択
• 整数配列を使った要素の選択

整数を使った要素の選択

整数を使って、配列の要素を指定して取り出せます。

例えば、1行目の2列目の要素を取り出すコードは以下のとおり。

matrix[0, 1]

スライスを使った要素の選択

スライスを使って、配列の部分的な要素を取り出せます。

matrix[0:2, 1:3]

1行目から2行目、2列目から3列目の部分配列を取り出します。

整数配列を使った要素の選択

こちらは整数の配列を使って、特定の要素を取り出す方法です。

matrix[[0, 2], [1, 2]]

(0, 1)と(2, 2)の位置の要素を取り出します。

ndarrayとそのデータ型

Numpyの配列は、ndarrayオブジェクトです。

これは多次元であり、すべての要素は同じデータ型でなければなりません。

.dtype属性を使って、配列のデータ型を確認できます。

Numpyで計算をする

こちらでは、Numpyを使用して数値を計算する方法を解説します。

• 多次元配列を使った計算
• ブロードキャストの理解と活用
• 行列積の作成方法

多次元配列を使った計算

Numpyの多次元配列を使って、要素ごとの計算を効率的におこなえます。

例えば、要素ごとの足し算や掛け算などが可能。

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
result = a + b  # 要素ごとの足し算

#結果（resultの中身）
# array([[ 6,  8],
#        [10, 12]])

これは、aとbの対応する要素を足し合わせた新しい配列を作成します。

ブロードキャストの理解と活用

ブロードキャストは、形状が異なる配列間で演算するための強力な機能です。

Numpyは、自動的に配列を拡張して形状を揃え、要素ごとの演算を可能にします。

import numpy as np
a = np.array([1, 2, 3])
b = 10
result = a * b  # スカラーbが配列aの形状にブロードキャストされます

行列積の作成方法

行列積は、線形代数において非常に重要な演算です。

Numpyでは、dot関数または@演算子を使用して行列積を計算できます。

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
result = np.dot(a, b)  # または 'result = a @ b'

#result
#[[19 22]
# [43 50]]

データ解析のためのNumpy

こちらでは、データ解析においてNumpyをどのように活用するかを解説します。

• 基礎統計: どのように統計量を求めるか
• 一歩進んだ統計：Numpyでの重回帰分析

基礎統計: どのように統計量を求めるか

Numpyを使用して、平均、中央値、標準偏差などの基本的な統計量を簡単に計算できます。

import numpy as np
data = np.array([1, 2, 3, 4, 5])
mean = np.mean(data)
median = np.median(data)
std_dev = np.std(data)

一歩進んだ統計：Numpyでの重回帰分析

Numpyを使用して、重回帰分析もおこなえます。

重回帰分析は、複数の説明変数を使用して目的変数を予測する手法です。

この分析は、データのトレンドを理解し、予測モデルを構築する際に重要です。

import numpy as np
from numpy.linalg import inv

# サンプルデータ
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 説明変数
y = np.array([2, 5, 9]) # 目的変数

# 正規方程式を使用して重回帰係数を計算
coefficients = inv(X.T.dot(X)).dot(X.T).dot(y)

このコードは、正規方程式を使用して重回帰係数を求めます。

これにより、新しいデータに対して目的変数を予測するモデルを構築できるのです。

まとめ

当記事でご説明したことは以下のとおり。

• PythonとNumpyの紹介
• Numpyのインストール方法
• 多次元配列の作成
• 要素の選択
• 計算方法
• データ解析のための統計処理

Numpyはデータ分析や科学計算に広く使用されており、その強力な機能を理解し活用することは非常に重要です。

これからも練習を積み重ね、Numpyを使いこなしてください。