Numpyによるデータ分析（2）

2024/2/10
執筆者：小澤昌樹

※本記事は吉政創成株式会社「Python学習とキャリアアップ」より寄稿されたコラムとなります。

こんにちは、小澤です。

前回、教科書『Pythonによるあたらしいデータ分析の教科書（第2版）』の4.1.2章「NumPyでデータを扱う」の前半部分を取り上げ、NumPyの基本的な概念を説明しました。今回は、同じ章の後半（97ページ〜120ページ）を取り上げ、NumPyの配列操作に関する基本的な関数について説明します。

インデックス

NumPyのインデックスは、配列や行列などの多次元配列要素にアクセスするための機能です。

インデックスは、配列内の特定の要素にアクセスするために使用されます。
インデックスは0から始まります。
負のインデックスを使用すると、配列の末尾から逆向きに要素にアクセスできます。
1次元配列では、単一のインデックスを使用して要素にアクセスします。
多次元配列では、各次元ごとにインデックスを指定して要素にアクセスします。

import numpy as np

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

print(arr[0]) # 1
print(arr[-1]) # 5

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

print(matrix[0, 0]) # 1
print(matrix[1, -1]) # 6

スライス

NumPyのスライスは、Pythonの標準的なリストのスライスと似ていますが、多次元配列の場合により強力な機能を提供します。

スライスは、配列内の範囲を取得するために使用されます。
[開始インデックス:終了インデックス:ステップ]の形式で指定します。
開始インデックスは含まれ、終了インデックスは含まれないことに注意してください。
ステップは省略可能で、デフォルト値は1です。負のステップを指定すると、逆順にスライスします。
import numpy as np

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

print(arr[1:4]) # [2 3 4]
print(arr[:3]) # [1 2 3]
print(arr[::2]) # [1 3 5]

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

print(matrix[0:2, 1:]) # [[2 3] [5 6]]
print(matrix[:, ::-1]) # 列を逆順にする [[3 2 1] [6 5 4] [9 8 7]]
[:3]は、配列の先頭からインデックス3（3番目の要素）の手前までの部分配列を取得するスライスです。つまり、0番目から2番目の要素までを含む部分配列が返されます。
[::2]は、ステップサイズを2として配列をスライスする表記です。これにより、配列内の全ての要素を2つおきに取得することができます。つまり、0番目の要素から始まり、1番目、3番目、5番目... といったように、2つおきの要素が含まれる部分配列が返されます。

データ再代入

NumPyにおいても、要素や部分配列に新しい値を割り当てる、データの再代入ができます。

import numpy as np

# NumPyの配列でのデータ再代入
arr_np = np.array([1, 2, 3, 4, 5])        # [1 2 3 4 5]
arr_np[2] = 10        # [ 1 2 10 4 5]
arr_np[:3] = [6, 7, 8]        # [6 7 8 4 5]

# Pythonの標準の一次元配列でのデータ再代入
arr_py = [1, 2, 3, 4, 5]        # [1, 2, 3, 4, 5]
arr_py[2] = 10        # [1, 2, 10, 4, 5]
arr_py[:3] = [6, 7, 8]        # [6, 7, 8, 4, 5]

arr_np[:3]は、NumPy配列の最初の3つの要素をスライスします。これによって、最初の3つの要素が新しい値[6, 7, 8]に置き換えられます。

参照とコピー

NumPyの配列における参照とコピーの挙動は、Pythonのリストなどの通常のオブジェクトとは異なる場合があります。

NumPyの配列の参照は、元の配列を指す新しい配列を示します。つまり、元の配列と参照配列は同じデータを共有します。
参照を変更すると、元の配列も変更されます。
import numpy as np

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

# arr_refはarrの参照
arr_ref = arr

# arr_refを変更すると、arrも変更される
arr_ref[0] = 100

print(arr)
[100 2 3 4 5]
一方、NumPyの配列のコピーは、元の配列とは別のメモリ領域に新しい配列を作成します。つまり、元の配列とコピー配列は独立しています。
コピー配列を変更しても、元の配列は変更されません。
import numpy as np

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

# arr_copyはarrのコピー
arr_copy = arr.copy()

# arr_copyを変更しても、arrは変更されない
arr_copy[0] = 100

print(arr)
[1 2 3 4 5]

便利な関数

NumPyは、さまざまな目的に使用できる便利な関数を提供しています。以下に、いくつか関数を紹介します。

numpy.arange() ... 連続した数値の配列（数列）を生成します。
numpy.random.random() ... 指定した形状のランダムな数値の配列を生成します。（データ分析の教科書では、最新のRandom Generatorを使った乱数の取り扱いが紹介されています。）
numpy.zeros() ... 指定した形状のゼロで満たされた配列を生成します。
numpy.eye() ... 単位行列を生成します。
numpy.full() ... 指定した形状と値で満たされた配列を生成します。
numpy.linspace() ... 指定した範囲内で等間隔の数値を生成します。

import numpy as np

# 0から9までの整数を生成（9は含まない）
arr1 = np.arange(10)
print(arr1)
[0 1 2 3 4 5 6 7 8 9]

# 3×3のランダムな浮動小数点数の配列を生成
arr2 = np.random.random((3, 3))
print(arr2)
[[0.11066847 0.82093694 0.84845133]
[0.78152041 0.98987843 0.46749433]
[0.41180856 0.96117571 0.75792748]]

# 2×2のゼロ配列を生成
arr3 = np.zeros((2, 2))
print(arr3)
[[0. 0.]
[0. 0.]]

# 3×3の単位行列を生成
arr4 = np.eye(3)
print(arr4)
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]

# 2×2の値が7の配列を生成
arr5 = np.full((2, 2), 7)
print(arr5)
[[7 7]
[7 7]]

# 0から10までの区間を10等分した配列を生成
arr6 = np.linspace(0, 10, 10)
print(arr6)
[ 0. 1.11111111 2.22222222 3.33333333
4.44444444 5.55555556 6.66666667 7.77777778
8.88888889 10. ]

配列の操作

NumPyを使用して配列の差分、連結、分割、転置、および次元の追加を行うには以下のようにします。

numpy.diff() ... 差分の計算
numpy.concatenate() ... 配列の連結
numpy.split() ... 配列の分割
numpy.transpose() ... 配列の転置
numpy.newaxis ... 次元の追加

import numpy as np

# 隣接する要素の差分を計算
arr = np.array([1, 3, 6, 10, 15])
diff_arr = np.diff(arr)
print(diff_arr)
[2 3 4 5]

# 配列を連結
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
concatenated_arr = np.concatenate((arr1, arr2))
print(concatenated_arr)
[1 2 3 4 5 6]

# 配列を3つに分割
arr = np.array([1, 2, 3, 4, 5, 6])
split_arr = np.split(arr, 3)
print(split_arr)
[array([1, 2]), array([3, 4]), array([5, 6])]

# 配列を転置
arr = np.array([[1, 2, 3],
[4, 5, 6]])
transposed_arr = np.transpose(arr)
print(transposed_arr)
[[1 4]
[2 5]
[3 6]]

# 次元を追加
arr = np.array([1, 2, 3])
new_arr = arr[:, np.newaxis]
print(new_arr)
[[1]
[2]
[3]]

まとめ

今回は、NumPyの配列を操作する基本的な関数について説明しました。NumPyは、配列を操作するための多くの便利な関数を提供しています。これらの関数を理解し、上手に活用することで、効率的なデータ処理や数値計算を行うことができます。

今回のコラムはいかがでしたでしょうか？インターネット・アカデミーは、Python講座が充実しています。Python認定スクールにもなっているため質の高い知識を得ることができ、基礎学習の先にあるそれぞれの目標を目指していくためには良い場所となります。ご興味ある方は各講座のページを覗いてみてください。

Pythonが学べる講座

この記事の執筆者

小澤昌樹

デジタル人材育成・助成金のお役立ち資料をダウンロード

デジタル人材育成や助成金活用のお役立ち資料などをまとめてダウンロードしていただけます。コンサルタントへの無料相談をご希望の方はこちらからお問い合わせください。

たとえばこんな相談ができます

DX人材の育成＆事例紹介リスキリングのロードマップ付き
デジタル人材育成に使える助成金制度
デジタルスキル標準役割別おすすめ講座