プログラミング言語の世界観に戻る

NumPyの世界観

NumPyに関する世界観です。PythonでAI入門や人工知能・AI・機械学習・データマイニングも参照のこと。

NumPy

NumPy

NumPyは多次元の配列（1次元、2次元、3次元、…）を扱うことのできる便利なライブラリ。

「ゼロから作る」と表題にある書籍「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」でも、例外的にNumPyとMatplotlibだけはライブラリを使用します。

NumPyはディープラーニングの実装には不可欠であると言えるでしょう。

NumPyの基本

（ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装を参考に執筆しました。）

まず、NumPyをインポートする。

import numpy as np

これで、np.array()のように、NumPyのメソッドを使うことができる。

NumPyでは、要素数の一致に応じて、配列に賢く演算をかけることができる。

要素数が一致する配列と配列の計算は、要素ごとに演算が行われる。たとえば、

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[10, 20, 30], [40, 50, 60]])
array1 + array2

とすれば、

array([[11, 22, 33],
       [44, 55, 66]])

という結果が返る。

これに対して、要素数が違う場合は、ブロードキャストという機能により、形状を自動的に調整して計算が行われる。

たとえば、複数の要素にひとつのスカラー値を与えた場合、すべての要素に対してスカラー値が与えられて計算される。

たとえば、

array3 = np.array([[1, 2, 3], [4, 5, 6]])
array3 * 10

とすれば、

array([[10, 20, 30],
       [40, 50, 60]])

という結果が返る。

スカラー値だけではなく、より複雑な場合においても、自動的に形状が変換される。なので、

array4 = np.array([[10, 20], [30, 40]])
array5 = np.array([5, 7])
array4 + array5

とすれば、

array([[15, 27],
       [35, 47]])

という結果が返る。

このほか、配列を配列によって抜き出す方法を使うことで、配列の要素を条件式で抜き出すこともできる。たとえば、

array6 = np.array([1, 5, 2, 3, 4])
array6[array6 >= 3]

とすれば、

array([5, 3, 4])

となる。

PythonはC/C++に比べて処理速度が遅いことで知られるが、NumPyは内部の実装にC/C++を使っているため、NumPyを使わない場合に比べて高速に配列の演算を行うことができる。

NumPyの主なメソッド

（Python[完全]入門を参考に執筆しました。）

NumPyの主なメソッドは以下のようになる。

メソッド説明
loadtxt()CSVファイルの読み込み
shape要素数（形状）を示す属性
mean()平均値を求める
max()最大値を求める
min()最小値を求める

このほか、ブール代数インデックスといって、TrueとFalseの羅列をNumPyの配列に与えて、Trueの要素だけを取得することができる。たとえば、

array7[:, 3] >= 90

とすれば、array7の3列目が90以上の数値になる要素だけをTrueとし、それ以外はFalseとするようなインデックスを得られる。

array([False, True, True, False])

配列にこのブール代数インデックスを与えれば、配列の要素をこの条件で抜き出すことができる。

array7[array7[:, 3] >= 90]

ブール代数インデックスでは、& (AND), | (OR), ^ (XOR), ~ (NOT)などのビット演算子を使用できる。

また、すべての要素がTrueであればTrueを返すall()関数, いずれかひとつの要素がTrueであればTrueを返すany()関数がある。

2023.01.19

NumPy入門記事

ネットには以下のようなNumPyの入門記事があります。