💭

NumPyのインストール 〜 arrayの基本

に公開
Python
入門
numpy
tech

はじめに

本記事は「Pythonで数値計算を行うためのNumPy入門」シリーズの第1回です．
このシリーズでは， "NumPyのよく使われる機能を分野ごとに理解すること" を目標としています．

Pythonで数値計算を行う際に欠かせないライブラリ「NumPy」について，基礎から応用まで体系的に学べます．

シリーズ構成予定（全10記事）

  1. NumPyのインストール 〜 arrayの基本（本記事）
  2. 配列の追加・挿入・コピー（公開後にリンクを追加する予定）
  3. 配列の作成（ones / zeros / arange / linspace）（公開後にリンクを追加する予定）
  4. 配列の結合（hstack / vstack）（公開後にリンクを追加する予定）
  5. 条件抽出と検索（where / clip / unique）（公開後にリンクを追加する予定）
  6. 統計処理（mean / std / median ほか）（公開後にリンクを追加する予定）
  7. 線形代数（dot / inv / det / norm）（公開後にリンクを追加する予定）
  8. 乱数生成（rand / randint / normal）（公開後にリンクを追加する予定）
  9. 三角関数と角度変換（sin / arctan2 ほか）（公開後にリンクを追加する予定）
  10. ファイル入出力（savetxt / loadtxt）（公開後にリンクを追加する予定）

私のNumpyライブラリのバージョンは "1.26.4" です．

本記事のゴール

本記事では，以下内容を目標とします．

  • NumPyとは何か
  • インストール方法（pip / conda）
  • np.array() の使い方
  • shape と size の確認方法
  • Pythonのリストとの違い

Numpyとは？

"NumPy (Numerical Python)" は，Pythonで数値計算を高速かつ効率的に行うためのライブラリです．

Numpyの特徴を以下にまとめます．

機能 説明
高速計算 C言語実装により高速
ベクトル・行列演算が簡単 np.dotやnp.linalg.inv などを使用
科学技術計算でも使用 シミュレーション，物理，ロボット工学にも活用

NumPyの中心となるのが， "ndarray`（多次元配列）" です．Python標準のリストよりも高速に計算が行えます．

NumPyのインストール方法

NumPyを使用するには．事前にインストールが必要です．

pip を使う場合（公式Pythonインストール）

pip install numpy

conda を使う場合（Anaconda環境）

conda install numpy

上記の2通りで，Pythonをインストールすることができます．
Pythonをインストールした時に，Python公式を経由した際は "pip" により "Numpy" をインストールし，Anaconda環境を経由した際は "conda" により "Numpy" をインストールした方が良いです．

ndarray の基本：np.array() を使ってみよう

NumPyを使うためには，まずライブラリの読み込みから始めます．

import numpy as np

numpyライブラリを "np" という名前として，扱えるようにライブラリを読み込んでいます．
以降では "np" という名前を使っていきます．

その後， np.array()を用いて配列（ndarray）を作ります．

以下は1次元配列（ベクトル）の例です．

a = np.array([1, 2, 3])
print(a)
# 出力: [1 2 3]

以下は2次元配列（行列）の例です．

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

shape と size の確認

NumPy配列には，以下のような属性があります．

属性 説明 例
shape 配列の「形（行数, 列数など）」 (2, 3)
size 全要素数 6 
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b.shape)  # 出力： (2, 3)
print(b.size)   # 出力：  6

Pythonのリストとの違い

以下のコードを比較してみましょう．

# Pythonリストの計算
lst = [1, 2, 3]
print(lst * 2)
# 出力: [1, 2, 3, 1, 2, 3]

# NumPyの計算
arr = np.array([1, 2, 3])
print(arr * 2)
# 出力: [2 4 6]
  • リストは「要素の繰り返し」
  • NumPyは「数値計算として処理」

Pythonリストとの違い（NumPyが速い理由）

項目 Pythonのリスト NumPy配列
データの保存方式 別メモリ上に保持 メモリ上に連続で保持
計算速度 遅い 非常に速い
ベクトル演算 for文が必要 arr * 2

NumPy配列は，データをメモリ上に連続で保持しているから，処理が早くなる．また，C言語で実装されているので，処理が高速となる．

PythonのリストとNumPy配列でのデータ保存方式が異なる理由を下表にまとめた．

項目 Pythonリスト NumPy配列
格納方式 間接アドレス方式（ポインタの配列） 直接アドレス方式（連続メモリ）
要素の型 任意混在（文字列・整数・オブジェクトなど） 同じ型のみ
メモリサイズ 要素サイズがバラバラ 全要素同じサイズ
次要素へのアクセス +1ポインタ分進めるだけ 要素サイズ × nバイト足す
メリット 柔軟性高い 高速・メモリ効率良い

Pythonリストは要素の型が混在しても良いため，格納方式として "間接アドレス方式" を採用している．
NumPy配列は要素の型が同じ型のみのため，格納方式として "直接アドレス方式" を採用している．

ここで，"直接アドレス方式" と "間接アドレス方式" に関して説明します．
以下は，"直接アドレス方式" です．

以下は，"間接アドレス方式" です．

"間接アドレス方式" ではデータを取得するのに必要な処理数が2回なのに対して，"直接アドレス方式" ではデータを取得するのに必要な処理数が1回です．そのため，"直接アドレス方式" は "オーバーヘッド(付加的な処理)" が少ないから，"間接アドレス方式" と比べて処理時間が短くなります．
配列の要素数が多くなるほで，"オーバーヘッド" によって処理時間の違いが顕著になります．

終わりに

本記事では，Numpyに関する簡単な情報を説明しました．
以下にNumpyの特徴をまとめます．

  • NumPyは数値計算を高速かつ効率的に行うライブラリ
  • np.array() を使って多次元配列（ndarray）を作る
  • shape と size で配列の情報を確認
  • Pythonのリストとは動作が異なる

次回予告

第2回では，以下のような「配列の操作」に焦点を当てます．

  • np.append()（追加）
  • np.insert()（挿入）
  • np.copy()（コピー）

配列操作の基礎が身につくと，データ加工や機械学習の前処理，ロボットなどの様々な分野に応用できます．

参考文献

本記事を作成するに当たって参考にしたサイトをまとめました．

Discussion