NumPy

NumPy（Numerical Python）は、Pythonで科学技術計算やデータ分析を行うための基盤ライブラリです。特に**多次元配列（ndarray）**の操作を中心に、高速で効率的な数値計算を可能にします。以下では、NumPyの主な特徴と機能について詳しく説明します。

1. NumPyの特徴

  • 高速な配列計算：C言語で実装されており、純粋なPythonのリスト処理よりも格段に高速。

  • 多次元配列（ndarray）：NumPyの中核となるデータ構造で、1次元からn次元までの配列を扱える。

  • ベクトル化演算（Vectorization）：ループを使わず、配列単位での高速演算が可能。

  • ブロードキャスティング（Broadcasting）：異なる形状の配列同士の演算を自動的に調整。

  • 多様な数学関数：線形代数、統計、フーリエ変換、乱数生成など豊富な関数群を提供。

2. NumPy配列の作成と基本操作

python
import numpy as np

# 配列の作成
a = np.array([1, 2, 3])           # 1次元配列
b = np.array([[1, 2], [3, 4]])    # 2次元配列

# 要素アクセス
print(a[0])        # 出力: 1
print(b[1, 1])     # 出力: 4

# 配列の形状
print(b.shape)     # 出力: (2, 2)

3. 配列の演算

NumPyでは、配列同士の演算を簡潔かつ効率的に記述できます。

python
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

# 要素ごとの演算
z = x + y          # [5, 7, 9]
z = x * y          # [4, 10, 18]

# スカラーとの演算
z = x * 2          # [2, 4, 6]

4. ブロードキャスティング

異なる形状の配列でも、自動的に形を合わせて演算できます。

python
a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])

c = a + b
# 結果: [[11, 22],
#        [13, 24]]

5. 乱数生成

データ分析や機械学習でよく使われる乱数もNumPyで簡単に生成できます。

python
np.random.seed(0)                 # 乱数の再現性確保
rand_vals = np.random.rand(3)     # [0, 1) の一様分布乱数
norm_vals = np.random.randn(3)    # 平均0、標準偏差1の正規分布乱数
ints = np.random.randint(1, 10, 5) # 1〜9の整数を5個

6. 線形代数・統計処理

python
m = np.array([[1, 2], [3, 4]])

# 行列の転置
m.T

# 行列積
np.dot(m, m)

# 行列の逆行列
np.linalg.inv(m)

# 統計量
np.mean(m)
np.std(m)
np.max(m)

7. NumPyの用途

NumPyは単体でも非常に強力ですが、以下のような上位ライブラリと連携することでデータ分析・機械学習における中心的な役割を果たします。

  • Pandas：表形式データの操作（DataFrame）に特化。

  • Matplotlib / Seaborn：データ可視化。

  • scikit-learn：機械学習モデルの構築。

  • TensorFlow / PyTorch：深層学習ライブラリの内部でもNumPy配列に類似した構造が使われている。

まとめ

NumPyは、Pythonでのデータ分析や機械学習の土台となるライブラリであり、多次元配列と高速演算、数学・統計機能を効率よく扱えるように設計されています。そのため、NumPyの理解はPythonによるデータサイエンスを学ぶ上で必須です。

生成日：2025/05/03