更新:2025/02/27

NumPyの簡単な使い方とバージョン確認について

はるか
はるか
NumPy、インストールした?
ふゅか
ふゅか
うん!Pythonで数値計算するときによく使うからね!

NumPyはPythonでの数値計算やデータ処理でよく使われるライブラリで、行列・ベクトル演算などを高速に行うことができます。ここでは、NumPyのインストール方法からバージョン確認、基本的な使い方まで簡単に紹介します。

1. NumPyのインストール

NumPyがまだインストールされていない場合は、以下のコマンドを使ってインストールできます。

(※ すでにAnacondaなどを利用している場合は自動でインストールされている場合があります。)

pip install numpy

もし pip でインストールできない場合は、Pythonのバージョンや環境に応じて pip3 とコマンドを指定してください。また、Anaconda環境であれば

conda install numpy

でもインストールできます。

2.  NumPyのバージョン確認

NumPyをインポートした後、以下の方法でバージョンを確認できます。

import numpy as np

print(np.__version__)

はるか
はるか
import numpy as np でインポート。np.__version__ でバージョン確認。
ふゅか
ふゅか
うん!バージョン違いで動作が変わることもあるから、確認しておくと安心だね!

3. NumPyの基本的な使い方

3.1. NumPy配列(ndarray)を作成する

PythonのリストやタプルからNumPy配列に変換できます。

import numpy as np

# リストからNumPy配列を作る
data_list = [1, 2, 3, 4, 5]
arr = np.array(data_list)
print(arr)
# 出力: [1 2 3 4 5]

# 多次元配列 (2次元の場合)
data_2d = [[1, 2, 3], [4, 5, 6]]
arr_2d = np.array(data_2d)
print(arr_2d)
# 出力:
# [[1 2 3]
#  [4 5 6]]

3.2. 配列の形状を確認する

NumPy配列には shapedtype などの属性があります。

print(arr_2d.shape)    # (2, 3) -> 2行3列
print(arr_2d.dtype)    # 配列の要素の型 (例: int64 など)

3.3. 配列の要素にアクセスする

Pythonのリストと似ていますが、多次元配列でも簡単にインデックス指定できます。

# 1次元配列
print(arr[0])          # 先頭の要素 -> 1

# 2次元配列
print(arr_2d[0, 0])    # 行0、列0 -> 1
print(arr_2d[1, 2])    # 行1、列2 -> 6

3.4. 配列の演算

NumPy配列同士や定数との四則演算は要素ごとに行われます。

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

print(arr_a + arr_b)   # [5, 7, 9]
print(arr_a * arr_b)   # [4, 10, 18]
print(arr_a * 3)       # [3, 6, 9]

3.5. よく使うNumPyの関数やメソッド

  • np.arange(start, stop, step) 整数列・等差数列を作るのに便利です。
    arr_range = np.arange(0, 10, 2)
    print(arr_range)  # [0 2 4 6 8]
    
    
  • np.linspace(start, stop, num) 区間を等分してベクトルを作成します。
    arr_lin = np.linspace(0, 1, 5)
    print(arr_lin)  # [0.   0.25 0.5  0.75 1.  ]
    
  • np.zeros(shape) / np.ones(shape) すべてが0または1の配列を作成します。
    arr_zeros = np.zeros((2, 3))
    print(arr_zeros)
    # [[0. 0. 0.]
    #  [0. 0. 0.]]
    
  • 配列の要約統計量
    • arr.sum(): 要素の合計
    • arr.mean(): 要素の平均
    • arr.std(): 標準偏差
    • arr.max() / arr.min(): 最大・最小
    data = np.array([1, 2, 3, 4, 5])
    print(data.sum())   # 15
    print(data.mean())  # 3.0
    print(data.std())   # 1.4142135623730951
    

4. 簡単な例:配列演算と統計量計算

以下の例では、乱数を使った配列を生成し、演算や統計量を確認しています。

import numpy as np

# 乱数シード設定 (結果を再現可能にするため)
np.random.seed(42)

# 0以上1未満の乱数を5×4の形状で生成
random_arr = np.random.rand(5, 4)
print("Original Array:\n", random_arr)

# 要素ごとの演算 (例えば2倍)
times_two = random_arr * 2
print("\nTimes Two:\n", times_two)

# 行ごとの合計 (axis=1)
row_sum = random_arr.sum(axis=1)
print("\nRow Sum:", row_sum)

# 全体の平均 (axis指定なし)
overall_mean = random_arr.mean()
print("Mean:", overall_mean)

5.  まとめ

  1. インストール: pip install numpyconda install numpy でインストール。
  2. バージョン確認: import numpy as np; print(np.__version__) で確認。
  3. 基本操作: np.array()np.arange(), np.zeros(), arr.sum(), arr.mean() などで配列を作成・操作・統計量を計算。
  4. ブロードキャスト演算: arr + 2arr_a + arr_b のように、要素同士をまとめて計算できる。

NumPyは行列演算だけでなく、様々な数学的関数(指数・対数・三角関数など)やデータの操作(次元の入れ替え、結合、分割など)にも対応しており、データ解析や機械学習・科学技術計算などで幅広く使われています。まずは、上記のような基本的な機能に慣れてから、PandasやMatplotlibなどのライブラリと組み合わせて活用すると、データ処理・解析がさらに効率よく行えるようになります。

PR