【Python】NumPyとは？意味をわかりやすく簡単に解説

公開：2024年12月11日更新：2024年12月11日

NumPyとは
NumPyの基本的な使い方と機能
配列の作成と操作
数学関数と統計関数の活用
ブロードキャスティングの利用

NumPyとは

NumPyはPythonの科学計算ライブラリとして広く利用されている、オープンソースのパッケージです。多次元配列オブジェクトやさまざまな派生オブジェクトを提供し、大規模な数値計算を効率的に実行できます。NumPyは行列演算や統計処理など、数学的な操作を高速に実行するための豊富な関数群を備えています。

NumPyの中核となるのは、ndarray（N-dimensional array）と呼ばれる多次元配列オブジェクトです。この配列は同じデータ型の要素を格納し、高速な演算を実現できます。NumPyはPythonのリストよりも効率的なメモリ使用と処理速度を実現しており、大規模なデータセットの操作に効果的です。

NumPyは科学技術計算やデータ解析、機械学習などの分野で広く活用されています。PandasやSciPy、Matplotlibなどほかの科学計算ライブラリの基盤としても重要であり、これらのライブラリと組み合わせることでより高度な数値解析や可視化が可能です。

「Python」を学べるコードキャンプのサービス

NumPyの基本的な使い方と機能

NumPyの基本的な使い方と機能について、以下3つを簡単に解説します。

配列の作成と操作
数学関数と統計関数の活用
ブロードキャスティングの利用

配列の作成と操作

NumPyの基本となる配列（ndarray）は、さまざまな方法で作成できます。np.array()関数を使用して既存のリストから配列を生成したり、np.zeros()やnp.ones()関数で特定の値で初期化された配列を作成したりできます。また、np.arange()やnp.linspace()関数を使用して、等間隔の値を持つ配列を生成することも可能です。

import numpy as np

# リストから配列を作成
arr1 = np.array([1, 2, 3, 4, 5])

# 0で初期化された3x3の2次元配列を作成
arr2 = np.zeros((3, 3))

# 0から9までの整数を含む配列を作成
arr3 = np.arange(10)

NumPy配列はインデックスを使用して要素にアクセスしたり、スライシングを行ったりできます。配列の形状変更（reshape）や転置（transpose）などの操作も簡単に行えます。これらの操作によりデータの構造を柔軟に変更し、必要な形式に整形できるのです。

NumPy配列は数学的な演算子（+、-、*、/など）を使用し、要素ごとの演算を実行できます。これにより大規模なデータセットに対して効率的に計算を実行できます。また、np.dot()関数を使用して行列の乗算を行ったり、np.sum()やnp.mean()関数で集計操作を行ったりすることも可能です。

おすすめのPython研修一覧

Python研修を提供しているおすすめの企業・法人を一覧で掲載しております。

Python研修の一覧を見る

おすすめのDX研修一覧

DX研修を提供しているおすすめの企業・法人を一覧で掲載しております。

DX研修の一覧を見る

おすすめのJava研修一覧

Java研修を提供しているおすすめの企業・法人を一覧で掲載しております。

Java研修の一覧を見る

おすすめのJavaScript研修一覧

JavaScript研修を提供しているおすすめの企業・法人を一覧で掲載しております。

JavaScript研修の一覧を見る

数学関数と統計関数の活用

NumPyは広範囲の数学関数と統計関数を提供しています。これらの関数を使用することで、複雑な数値計算や統計解析を簡単に実行できます。たとえば三角関数（np.sin()、np.cos()など）や指数関数（np.exp()）、対数関数（np.log()）などの数学関数が利用でき、これらを配列全体に適用できるのです。

import numpy as np

# 0から2πまでの100点を生成
x = np.linspace(0, 2*np.pi, 100)

# サイン関数を適用
y = np.sin(x)

# 平均と標準偏差を計算
mean = np.mean(y)
std = np.std(y)

統計関数では平均（np.mean関数）や中央値（np.median関数）、標準偏差（np.std関数）などの基本的な統計量を計算できます。また、最小値（np.min()）や最大値（np.max()）の取得、パーセンタイル（np.percentile()）の計算なども可能です。これらの関数を使用することでデータの特性を簡単に把握できます。

NumPyは線形代数演算のための関数も提供しています。np.linalg.モジュールには行列式の計算（np.linalg.det関数）や逆行列の計算（np.linalg.inv関数）、固有値と固有ベクトルの計算（np.linalg.eig関数）などが含まれています。これらの関数を使用することで、高度な線形代数の計算を効率的に実行することが可能です。

ブロードキャスティングの利用

ブロードキャスティングはNumPyの強力な機能のひとつです。この機能により形状の異なる配列間での演算を、自動的に実行できます。ブロードキャスティングを使用することでコードの簡潔性を保ちながら、効率的な計算を実現可能。特にスカラー値と配列、または異なる次元の配列間での演算においてこの機能が威力を発揮します。

import numpy as np

# 1次元配列
arr1 = np.array([1, 2, 3, 4])

# スカラー値との演算（ブロードキャスティング）
result1 = arr1 * 2

# 2次元配列と1次元配列の演算
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
arr3 = np.array([10, 20, 30])
result2 = arr2 + arr3

ブロードキャスティングは配列の形状が、特定のルールを満たす場合に適用されます。具体的には配列の次元数が異なる場合、小さい方の配列が大きい方の配列の形状に合わせて「拡張」されるイメージです。この拡張は仮想的なもので、実際にメモリ使用量が増えるわけではありません。

ブロードキャスティングを活用することで、ループを使用せずに効率的な計算を行えます。たとえば行列の各行に異なるスカラー値を加算したり、2次元配列の各列に1次元配列を加算したりする操作が簡単に実行できます。これによりコードの可読性が向上し、同時に計算効率も高まるのがメリットです。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。