タイトル: 多次元配列の作成
SEOタイトル: NumPy 多次元配列の作成方法完全ガイド
| この記事の要点 |
|
多次元配列とは
NumPy の ndarray (N-dimensional array) は、同じ型の要素が連続したメモリ上に格納された配列です。Python の組込みリストよりも圧倒的に高速 (C 実装) で、ベクトル演算 / 行列演算 / ブロードキャストなど数値計算に必要な機能を持ちます。
リストから作成
import numpy as np
# 1 次元 (ベクトル)
a = np.array([1, 2, 3, 4])
print(a) # [1 2 3 4]
print(a.shape) # (4,)
print(a.ndim) # 1
# 2 次元 (行列)
b = np.array([[1, 2, 3],
[4, 5, 6]])
print(b.shape) # (2, 3) → 2 行 3 列
print(b.ndim) # 2
print(b.size) # 6 (要素数の総数)
# 3 次元 (テンソル)
c = np.array([[[1, 2], [3, 4]],
[[5, 6], [7, 8]]])
print(c.shape) # (2, 2, 2)
print(c.ndim) # 3
# dtype を明示
d = np.array([1, 2, 3], dtype=np.float32)
print(d.dtype) # float32形状指定で初期化
| 関数 | 動作 | 例 |
|---|---|---|
np.zeros(shape) | 0 で埋める | np.zeros((3,4)) |
np.ones(shape) | 1 で埋める | np.ones((2,3,4)) |
np.full(shape, v) | 任意値で埋める | np.full((3,3), -1) |
np.empty(shape) | 初期化なし (高速だが値は不定) | np.empty((1000,1000)) |
np.eye(n) | 単位行列 | np.eye(3) |
np.identity(n) | 単位行列 (同上) | np.identity(4) |
np.zeros_like(a) | a と同じ形状の 0 配列 | np.zeros_like(b) |
import numpy as np
# 3 行 4 列のゼロ行列
z = np.zeros((3, 4))
print(z)
# [[0. 0. 0. 0.]
# [0. 0. 0. 0.]
# [0. 0. 0. 0.]]
# 整数型のゼロ
zi = np.zeros((2, 3), dtype=np.int32)
# 任意値で埋める
full = np.full((2, 3), 7)
# [[7 7 7]
# [7 7 7]]
# 単位行列
e = np.eye(3)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]連番 / 等間隔 / 乱数
import numpy as np
# 連番 (Python の range と同じ)
a = np.arange(12)
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
# reshape で形状変換
b = np.arange(12).reshape(3, 4)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 等間隔 (0 〜 1 を 5 等分)
c = np.linspace(0, 1, 5)
# [0. 0.25 0.5 0.75 1. ]
# 一様乱数 [0, 1)
np.random.seed(42)
r1 = np.random.rand(3, 4)
# 標準正規分布
r2 = np.random.randn(3, 4)
# 整数乱数 [0, 100)
r3 = np.random.randint(0, 100, size=(3, 4))
# 推奨: Generator API (NumPy 1.17+)
rng = np.random.default_rng(seed=42)
r4 = rng.uniform(0, 1, size=(3, 4))
r5 = rng.integers(0, 100, size=(3, 4))dtype (データ型)
| dtype | サイズ | 用途 |
|---|---|---|
np.int8 / int16 / int32 / int64 | 1 / 2 / 4 / 8 B | 整数 |
np.uint8 / uint16 / ... | 同上 | 符号なし整数 (画像 0-255 等) |
np.float16 / float32 / float64 | 2 / 4 / 8 B | 浮動小数 |
np.complex64 / complex128 | 8 / 16 B | 複素数 |
np.bool_ | 1 B | 真偽値 |
np.object_ | 可変 | Python オブジェクト (低速) |
import numpy as np
# 型変換 (新しい配列を返す)
a = np.array([1.5, 2.7, 3.9])
b = a.astype(np.int32) # [1 2 3] ← 切り捨て
# 型確認
print(a.dtype) # float64
print(a.itemsize) # 8 (1 要素のバイト数)
print(a.nbytes) # 24 (合計バイト数)インデックスとスライス
import numpy as np
a = np.arange(12).reshape(3, 4)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 単一要素 (推奨: カンマ区切り)
print(a[1, 2]) # 6
print(a[1][2]) # 6 ← 動くがテンポラリを作るので遅い
# 行ごと
print(a[0]) # [0 1 2 3]
print(a[:, 1]) # [1 5 9] ← 列ごと
# スライス
print(a[0:2, 1:3])
# [[1 2]
# [5 6]]
# 末尾から
print(a[-1]) # [ 8 9 10 11]
print(a[:, -1]) # [ 3 7 11]
# Boolean インデックス
mask = a > 5
print(a[mask]) # [ 6 7 8 9 10 11]
# Fancy インデックス
print(a[[0, 2]]) # 0 行目と 2 行目を抽出
# [[ 0 1 2 3]
# [ 8 9 10 11]]軸 (axis) の概念
多次元配列を扱う上で最重要なのが axis です。(行, 列) の配列なら axis=0 が行方向 (縦)、axis=1 が列方向 (横) です。
import numpy as np
a = np.array([[1, 2, 3],
[4, 5, 6]])
# 全体の合計
print(a.sum()) # 21
# 列ごとの合計 (axis=0 を潰す → 行を縦に集計)
print(a.sum(axis=0)) # [5 7 9]
# 行ごとの合計 (axis=1 を潰す)
print(a.sum(axis=1)) # [ 6 15]
# 同じく mean / max / min / std もすべて axis を取れる
print(a.mean(axis=0)) # [2.5 3.5 4.5]
print(a.max(axis=1)) # [3 6]形状変換 (reshape / ravel / flatten)
import numpy as np
a = np.arange(12)
# (12,)
# 3 行 4 列に
b = a.reshape(3, 4)
# (3, 4)
# -1 は自動推定
c = a.reshape(2, -1) # (2, 6)
d = a.reshape(-1, 3) # (4, 3)
# 1 次元化
e = b.ravel() # ビュー (元データ共有)
f = b.flatten() # コピー
# 軸入れ替え (転置)
g = b.T # (4, 3)
h = b.transpose() # 同上
# 軸追加 / 削除
x = np.array([1, 2, 3])
y = x[np.newaxis, :] # (1, 3)
z = x[:, np.newaxis] # (3, 1)FAQ
Q: np.zeros と np.empty の使い分けは？
A: 値が必要なら zeros、すぐ上書きするなら empty (初期化分の時間を節約)。1000x1000 で約 4 倍速い。
Q: shape の順序が直感と逆に感じる
A: (行数, 列数) = (高さ, 幅) です。画像処理では (H, W, C) = (高さ, 幅, チャネル) が標準。
Q: 要素数が合わずに reshape できない
A: 元の size と reshape 後の積が一致する必要があります。np.arange(10).reshape(3,4) はサイズ不一致でエラー。