本稿は Python の NumPy に関する記事です。

子ページを選択してください。

本ページの子ページ

• 配列の作成 — np.array から始める基本
• 多次元配列の作成 — 2D・3D 配列の生成
• 要素の参照 — インデキシング
• 要素の追加 — np.append
• 要素の更新 — 値の差し替え
• 要素の削除 — np.delete
• ブロードキャスト — 形が異なる配列同士の演算
• 多次元配列の構造の確認 — shape / ndim
• 多次元配列を 1 次元配列に変換 — flatten / ravel
• 1 次元配列を多次元配列に変換 — reshape
• 要素の範囲指定 — スライス
• 平均値の算出 — np.mean
• 行列を結合する方法 — concatenate / stack

NumPyとは？

NumPy (Numerical Python) は、Python で科学計算・機械学習を行うときに事実上必須となる外部ライブラリです。中心となるのは ndarray (N 次元配列) オブジェクトで、Python の標準リストに比べて桁違いに高速に多次元数値計算を行えます。

pandas / scikit-learn / TensorFlow / PyTorch / OpenCV など、主要なデータ系ライブラリの内部でも NumPy が広く利用されており、Python のデータ分析エコシステムの土台になっています。

NumPyの主な特徴

• 高速な配列演算 — ループを書かずにベクトル化で表現 (内部は C で実装)
• 多次元配列 — 1D / 2D / 3D 以上を統一的に扱う
• ブロードキャスト — 形が違う配列同士でも自動で要素演算
• 豊富な数学関数 — 三角関数、指数、対数、統計量、線形代数、FFT 等
• 線形代数 — 行列積、逆行列、固有値、SVD など (numpy.linalg)
• 乱数 — 様々な分布から乱数生成 (numpy.random)
• 他ライブラリとの相互運用 — pandas / scikit-learn / matplotlib との連携が標準

インストールと基本

pip install numpy

import numpy as np a = np.array([1, 2, 3, 4]) b = np.array([10, 20, 30, 40]) print(a + b)      # [11 22 33 44] print(a * 2)      # [2 4 6 8] print(a.mean())   # 2.5 print(a.shape)    # (4,) m = np.array([[1, 2], [3, 4]]) print(m.T)        # 転置 print(m @ m)      # 行列積

標準リストとの違い

項目	Python list	NumPy ndarray
要素型	異種混在 OK	同一型 (dtype)
速度	遅い (Pythonループ)	速い (ベクトル化)
メモリ	多い	連続領域でコンパクト
多次元	list の list で表現	真の多次元配列
演算	逐次でループ	要素ごとに一括で計算

よく使う関数

分類	関数
生成	np.array、np.zeros、np.ones、np.arange、np.linspace、np.eye
形状操作	reshape、flatten、ravel、transpose、concatenate、stack
統計	mean、std、var、median、min、max、sum
線形代数	np.dot、np.linalg.inv、np.linalg.solve、np.linalg.eig
乱数	np.random.rand、np.random.randn、np.random.choice
条件	np.where、np.any、np.all、np.isnan

注意点

• dtype の違い: int64 と float64 で精度・メモリが異なる。意図しない型変換に注意
• 巨大配列はメモリを大量に消費。nbytes で見積もる
• ループは禁物: for i in range(N): ではなくベクトル化／ブロードキャストで書く
• NumPy が遅いと感じたら、scipy・numba・Cython・GPU (CuPy)・PyTorch などへの移行も検討
• ファイル入出力は np.save / np.load (バイナリ) や np.savetxt / np.loadtxt (テキスト)

関連

• 親カテゴリ: 外部ライブラリ (Python)
• Python本体: Python
• 類似/関連: pandas、scikit-learn、matplotlib、SciPy