Numpy配列

スポンサーリンク
スポンサーリンク

特徴

  • 異なるデータ型の要素を格納可能
  • 長さ(要素数)が可変
  • 要素の書き換えが可能
  • インデックス(番号)で要素にアクセスが可能
  • スライスが可能
  • 二次元、多次元配列が可能
  • インポートが必要

初期設定

numpyという標準ライブラリを使用します。標準ですのでインストールは不要です。

import numpy as np
data = np.array([1, 2, 3, 4, 5])
print(data[0]) # 1と表示される

# 二次元配列
data = np.array([[1, 2, 3], [4, 5, 6]])
print(data[1,1]) # 5と表示される

データ型

確認

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

print(data)
# [1 2 3 4 5]


print(data.dtype)
# int64

変更

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

print(data)
# [1 2 3 4 5]


# 整数から浮動小数点へ
data = data.astype(np.float32)
print(data)
# [1. 2. 3. 4. 5.]

# 浮動小数点から整数へ
data = data.astype(np.int64)
print(data)
# [1 2 3 4 5]

# 整数から文字列へ
data = data.astype(np.str)
print(data)
# ['1' '2' '3' '4' '5']

# 文字列から整数へ
data = data.astype(np.int64)
print(data)
# [1 2 3 4 5]

# 浮動小数点から文字列へ
data = data.astype(np.float32)
data = data.astype(np.str)
print(data)
# ['1.0' '2.0' '3.0' '4.0' '5.0']

# 文字列から浮動小数点へ
data = data.astype(np.float32)
print(data)
# [1. 2. 3. 4. 5.]
その他のデータタイプはドキュメントを参照してください。
Data types — NumPy v1.21.dev0 Manual

要素を取得

data = np.array([1, 2, 3, 4, 5, 6])
print(data)
# [1 2 3 4 5 6]

print(data[0])
# 1

# 二次元配列 
data = np.array([[1,2,3],[4,5,6]])
print(data)
# [[1 2 3]
#  [4 5 6]]

print(data[1,1])
# 5
二次元配列の指定の際に、スライスと間違わないように注意しましょう。
data[1:1]->data[1,1]

条件にあった要素を取得

data = np.array([1, 2, 3, 4, 5, 6])
print(data)
# [1 2 3 4 5 6]

y_pred = data[np.where(data > 3)]
print(y_pred)
# [4 5 6]
data[np.where(条件式)]ですが、ポイントは配列の位置をnp.where(条件式)で指定するというニュアンスです。

要素の値の変更

data = np.array([1, 2, 3, 4, 5])
data[0] = 6
print(data[0]) # 6と表示される

data = np.array([[1, 2, 3], [4, 5, 6]])
data[0,0] = 7
print(data[0,0]) # 7と表示される

# 範囲指定(スライスを使う
data = np.array([1, 2, 3, 4, 5])
data[0:3] = 6
print(data) # [6 6 6 4 5]となる

data = np.array([[1, 2, 3], [4, 5, 6]])
data[0:1] = 7
print(data) # [[7 7 7] [4 5 6]]となる
スライスが少し難しいですね。

閾値で丸める

ディープラーニングでよく使います。

np.where(条件文, 条件に一致した時の値, それ以外の値)

data = np.array([1, 2, 3, 4, 5, 6])
print(data)
# [1 2 3 4 5 6]

y_pred = np.where(data > 3, 1, 0)
print(y_pred)
# [0 0 0 1 1 1]

要素を追加

末尾に追加

data = np.array([1, 2, 3])
data_new = np.append(data, 4)
print(data_new) # [1 2 3 4]となる

# 二次元配列
data_a = np.array([[1, 2, 3], [4, 5, 6]])
data_b = np.array([[7, 8, 9]]) # 同じ2次元でないとエラーになる。
data_new = np.append(data_a, data_b, axis=0) # , axis=0がないと一次元に戻される。
print(data_new)
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]となる
多次元配列も二次元配列と同様です。
二次元配列と多次元配列は、「同じ次元にする」「axis=0をつける」に注意しましょう。

先頭に追加

data = np.array([1, 2, 3])
data_new = np.append(4, data)
print(data_new) # [4 1 2 3]となる

# 二次元配列
data_a = np.array([[1, 2, 3], [4, 5, 6]])
data_b = np.array([[7, 8, 9]]) # 同じ2次元でないとエラーになる。
data_new = np.append(data_b, data_a, axis=0) # , axis=0がないと一次元に戻される。
print(data_new)
# [[7 8 9]
#  [1 2 3]
#  [4 5 6]]となる
appendの第一引数と第二引数を逆にするだけですね。

指定の位置に追加(挿入)

data = np.array([1, 2, 3])
data_new = np.insert(data, 2, 100)
print(data_new) # [  1   2 100   3]となる
print(data_new[2]) # 100となる

# 一括で追加
data_new = np.insert(data, 1, [100, 101, 102])
print(data_new) # [  1 100 101 102   2   3]となる
print(data_new[2]) # 101となる

# 二次元配列
data_a = np.array([[1, 2, 3], [4, 5, 6]])
data_b = np.array([[7, 8, 9]]) # 同じ2次元でないとエラーになる。
data_new = np.insert(data_a, 1, data_b, axis=0) # , axis=0がないエラーになる。
print(data_new)
# [[1 2 3]
#  [7 8 9]
#  [4 5 6]]となる
appendではなく、insertになります。

要素を削除

data = np.array([1, 2, 3])
data_new = np.delete(data, 1) # 引数は、対象データ,何番目かとなる
print(data_new) # [1 3]となる

# 二次元配列
data = np.array([[1, 2, 3], [4, 5, 6]])
data_new = np.delete(data, 1, 1) # 引数は、対象データ,何番目か,行(0)か列(1)かとなる
print(data_new)
# [[1 3]
#  [4 6]]となる
二次元配列の削除では、行か列の一括削除となる。考えれば当たり前だが。。。

要素の数

このあたりまでは、少し慣れがないと難解ですが、ここからがNumpyの良さになります。

全ての要素数

data = np.array([1, 2, 3])
print(len(data)) # 3となる
print(data.size) # 3となる

# 二次元配列
data = np.array([[1, 2, 3], [4, 5, 6]])
print(len(data)) # 2となる
print(data.size) # 6となる
リスト型などと同じようにlenを使えますが二次元配列では注意が必要です。

配列の状況から取得

data = np.array([1, 2, 3, 4, 5])
print(data.shape) 
# (5,)

print(data.shape[0])
# 5

# 二次元配列
data = np.array([[1, 2, 3],[4, 5, 6]])

print(data.shape) 
(2, 3)

print(data.shape[0], data.shape[1]) 
# 2 3
Pandasと同じなので、私はこっちを利用する方が多いですね。

条件を満たす要素の数

data = np.array([1, 2, 3])
print(np.count_nonzero(data == 2)) # 1となる
print(np.count_nonzero(data >= 2)) # 2となる

# 二次元配列
data = np.array([[1, 2, 3], [4, 5, 6]])
print(np.count_nonzero(data == 2)) # 1となる
print(np.count_nonzero(data >= 2)) # 5となる
np.sum(data == 2)も対応していますがcount_nonzeroの方が高速です。

行・列ごとに条件を満たす要素の個数

data = np.array([[1, 2, 3], [4, 5, 6]])
print(np.count_nonzero(data == 2, axis=0)) # [0 1 0]となる
print(np.count_nonzero(data >= 2, axis=1)) # [2 3]となる
axisの値は列毎(0)か行毎(1)となっている。np.deleteと逆になっているようで混乱しないようにしましょう。

空(nan)と無限大(inf)の個数

data = np.array([1, np.nan, 4, np.inf])
print(data)
# [ 1. nan  4. inf]

print(np.isnan(data).sum())
# 1

print(np.isinf(data).sum())
# 1
np.nanは空(欠損)、np.infは無限大の値を生成してくれます。

要素の位置を取得

data = np.array([1, 2, 3, 4, 5])
print(np.where(data == 2)) # (array([1]),)となる
print(np.where(data > 2)) # (array([2, 3, 4]),)となる

# 二次元配列
data = np.array([[1, 2, 3], [4, 5, 6]])
print(np.where(data == 2)) # (array([0]), array([1]))となる。0行目の1列目という意味。
print(np.where(data > 2)) # (array([0, 1, 1, 1]), array([2, 0, 1, 2]))となる。0行目の2列目、1行目の0列目・・・という意味。
二次元配列の結果は難解そうに見えますが、噛み砕けば簡単です。
タイトルとURLをコピーしました