NumPy チートシート

配列の作成と初期化

リストから：np.array()

Python のリストまたはネストされたリストから配列を作成します。

import numpy as np

# リストからの 1D 配列
arr = np.array([1, 2, 3, 4])
# ネストされたリストからの 2D 配列
arr2d = np.array([[1, 2], [3, 4]])
# データ型を指定
arr = np.array([1, 2, 3], dtype=float)
# 文字列の配列
arr_str = np.array(['a', 'b', 'c'])

ゼロとイチ：np.zeros() / np.ones()

ゼロまたはイチで埋められた配列を作成します。

# ゼロの配列
zeros = np.zeros(5)  # 1D
zeros2d = np.zeros((3, 4))  # 2D
# イチの配列
ones = np.ones((2, 3))
# データ型を指定
zeros_int = np.zeros(5, dtype=int)

単位行列：np.eye() / np.identity()

線形代数演算のための単位行列を作成します。

# 3x3 の単位行列
identity = np.eye(3)
# 代替メソッド
identity2 = np.identity(4)

範囲配列：np.arange() / np.linspace()

等間隔の値を持つ配列を作成します。

# Python の range に似ている
arr = np.arange(10)  # 0 から 9 まで
arr = np.arange(2, 10, 2)  # 2, 4, 6, 8
# 等間隔の値
arr = np.linspace(0, 1, 5)  # 0 から 1 までの 5 つの値
# 終点を含む
arr = np.linspace(0, 10, 11)

ランダム配列：np.random

ランダムな値を持つ配列を生成します。

# 0 から 1 の間のランダムな値
rand = np.random.random((2, 3))
# ランダムな整数
rand_int = np.random.randint(0, 10, size=(3, 3))
# 正規分布
normal = np.random.normal(0, 1, size=5)
# 再現性のためのランダムシード設定
np.random.seed(42)

特殊な配列：np.full() / np.empty()

特定の値で埋める配列、または未初期化の配列を作成します。

# 特定の値で埋める
full_arr = np.full((2, 3), 7)
# 空の配列（未初期化）
empty_arr = np.empty((2, 2))
# 既存の配列の形状に合わせる
like_arr = np.zeros_like(arr)

配列のプロパティと構造

基本プロパティ：shape / size / ndim

配列の次元とサイズに関する基本的な情報を取得します。

# 配列の次元 (タプル)
arr.shape
# 要素の総数
arr.size
# 次元数
arr.ndim
# 要素のデータ型
arr.dtype
# 各要素のバイトサイズ
arr.itemsize

配列情報：メモリ使用量

配列のメモリ使用量と構造に関する詳細情報を取得します。

# メモリ使用量 (バイト単位)
arr.nbytes
# 配列情報 (デバッグ用)
arr.flags
# 配列がデータを所有しているか確認
arr.owndata
# ベースオブジェクト (配列がビューの場合)
arr.base

データ型：astype()

異なるデータ型間で効率的に変換します。

# 異なる型への変換
arr.astype(float)
arr.astype(int)
arr.astype(str)
# より具体的な型
arr.astype(np.float32)
arr.astype(np.int16)

配列のインデックス指定とスライス

基本インデックス指定：arr[index]

個々の要素とスライスにアクセスします。

# 単一要素
arr[0]  # 最初の要素
arr[-1]  # 最後の要素
# 2D 配列のインデックス指定
arr2d[0, 1]  # 0 行目、1 列目
arr2d[1]  # 1 行目全体
# スライス
arr[1:4]  # 1 番目から 3 番目の要素まで
arr[::2]  # 2 つおきの要素
arr[::-1]  # 配列を反転

ブールインデックス指定：arr[condition]

条件に基づいて配列をフィルタリングします。

# 単純な条件
arr[arr > 5]
# 複数の条件
arr[(arr > 2) & (arr < 8)]
arr[(arr < 2) | (arr > 8)]
# ブール配列
mask = arr > 3
filtered = arr[mask]

高度なインデックス指定：Fancy Indexing

インデックスの配列を使用して複数の要素にアクセスします。

# インデックス配列によるインデックス指定
indices = [0, 2, 4]
arr[indices]
# 2D ファンシーインデックス指定
arr2d[[0, 1], [1, 2]]  # 要素 (0,1) と (1,2)
# スライスとの組み合わせ
arr2d[1:, [0, 2]]

Where 関数：np.where()

条件付きの選択と要素の置換を行います。

# 条件が真であるインデックスを見つける
indices = np.where(arr > 5)
# 条件付き置換
result = np.where(arr > 5, arr, 0)  # 5 より大きい値を 0 に置換
# 複数の条件
result = np.where(arr > 5, 'high', 'low')

配列の操作とリシェイプ

リシェイプ：reshape() / resize() / flatten()

データを保持したまま配列の次元を変更します。

# リシェイプ (可能な場合はビューを作成)
arr.reshape(2, 3)
arr.reshape(-1, 1)  # -1 は次元を推測
# リサイズ (元の配列を変更)
arr.resize((2, 3))
# 1D にフラット化
arr.flatten()  # コピーを返す
arr.ravel()  # 可能な場合はビューを返す

転置：T / transpose()

行列演算のために配列の軸を交換します。

# 単純な転置
arr2d.T
# 軸指定による転置
arr.transpose()
np.transpose(arr)
# より高次元の場合
arr3d.transpose(2, 0, 1)

要素の追加/削除

要素の追加または削除による配列サイズの変更。

# 要素の追加
np.append(arr, [4, 5])
# 特定の位置に挿入
np.insert(arr, 1, 99)
# 要素の削除
np.delete(arr, [1, 3])
# 要素の繰り返し
np.repeat(arr, 3)
np.tile(arr, 2)

配列の結合：concatenate() / stack()

複数の配列を結合します。

# 既存の軸に沿った結合
np.concatenate([arr1, arr2])
np.concatenate([arr1, arr2], axis=1)
# 配列をスタック (新しい軸を作成)
np.vstack([arr1, arr2])  # 垂直方向
np.hstack([arr1, arr2])  # 水平方向
np.dstack([arr1, arr2])  # 奥行き方向

数学的な操作

基本的な算術：+, -, *, /

配列に対する要素ごとの算術演算。

# 要素ごとの演算
arr1 + arr2
arr1 - arr2
arr1 * arr2  # 要素ごとの乗算
arr1 / arr2
arr1 ** 2  # 2 乗
arr1 % 3  # モジュロ演算

ユニバーサル関数 (ufuncs)

数学関数を要素ごとに適用します。

# 三角関数
np.sin(arr)
np.cos(arr)
np.tan(arr)
# 指数関数と対数関数
np.exp(arr)
np.log(arr)
np.log10(arr)
# 平方根とべき乗
np.sqrt(arr)
np.power(arr, 3)

集計関数

配列の次元にわたる要約統計量を計算します。

# 基本的な統計
np.sum(arr)
np.mean(arr)
np.std(arr)  # 標準偏差
np.var(arr)  # 分散
np.min(arr)
np.max(arr)
# 特定の軸に沿って
np.sum(arr2d, axis=0)  # 行に沿った合計
np.mean(arr2d, axis=1)  # 列に沿った平均

比較演算

ブール配列を返す要素ごとの比較演算。

# 比較演算子
arr > 5
arr == 3
arr != 0
# 配列比較
np.array_equal(arr1, arr2)
np.allclose(arr1, arr2)  # 許容誤差内
# Any/all 演算
np.any(arr > 5)
np.all(arr > 0)

線形代数

行列演算：np.dot() / @

行列乗算とドット積を実行します。

# 行列乗算
np.dot(A, B)
A @ B  # Python 3.5 以降の演算子
# 要素ごとの乗算
A * B
# 行列べき乗
np.linalg.matrix_power(A, 3)

分解：np.linalg

高度な計算のための行列分解。

# 固有値と固有ベクトル
eigenvals, eigenvecs = np.linalg.eig(A)
# 特異値分解
U, s, Vt = np.linalg.svd(A)
# QR 分解
Q, R = np.linalg.qr(A)

行列のプロパティ

重要な行列特性を計算します。

# 行列式
np.linalg.det(A)
# 行列の逆
np.linalg.inv(A)
# 擬似逆行列
np.linalg.pinv(A)
# 行列のランク
np.linalg.matrix_rank(A)
# トレース (対角要素の合計)
np.trace(A)

線形システムの解法：np.linalg.solve()

連立一次方程式を解きます。

# Ax = b を解く
x = np.linalg.solve(A, b)
# 最小二乗解
x = np.linalg.lstsq(A, b, rcond=None)[0]

配列の入出力

NumPy バイナリ：np.save() / np.load()

NumPy 配列のための効率的なバイナリ形式。

# 単一配列の保存
np.save('array.npy', arr)
# 配列の読み込み
loaded_arr = np.load('array.npy')
# 複数配列の保存
np.savez('arrays.npz', a=arr1, b=arr2)
# 複数配列の読み込み
data = np.load('arrays.npz')
arr1_loaded = data['a']

テキストファイル：np.loadtxt() / np.savetxt()

配列をテキストファイルとして読み書きします。

# CSV/テキストファイルからの読み込み
arr = np.loadtxt('data.csv', delimiter=',')
# ヘッダー行をスキップ
arr = np.loadtxt('data.csv', delimiter=',', skiprows=1)
# テキストファイルへの保存
np.savetxt('output.csv', arr, delimiter=',', fmt='%.2f')

構造化データを持つ CSV: np.genfromtxt()

欠損値処理を備えた高度なテキストファイル読み込み。

# 欠損値の処理
arr = np.genfromtxt('data.csv', delimiter=',',
                    missing_values='N/A', filling_values=0)
# 名前付き列
data = np.genfromtxt('data.csv', delimiter=',',
                     names=True, dtype=None)

メモリマップ：np.memmap()

メモリに収まらない配列を扱うために使用します。

# メモリマップ配列の作成
mmap_arr = np.memmap('large_array.dat', dtype='float32',
                     mode='w+', shape=(1000000,))
# 通常の配列のようにアクセスするが、ディスクに保存されている
mmap_arr[0:10] = np.random.random(10)

パフォーマンスとブロードキャスト

ブロードキャストのルール

異なる形状の配列に対する演算の処理方法を理解します。

# ブロードキャストの例
arr1 = np.array([[1, 2, 3]])  # 形状 (1, 3)
arr2 = np.array([[1], [2]])   # 形状 (2, 1)
result = arr1 + arr2          # 形状 (2, 3)
# スカラーのブロードキャスト
arr + 5  # 全要素に 5 を加算
arr * 2  # 全要素を 2 倍

ベクトル化された演算

Python ループの代わりに NumPy の組み込み関数を使用します。

# ループの代わりにベクトル化された演算を使用
# 悪い例：for ループ
result = []
for x in arr:
    result.append(x ** 2)
# 良い例：ベクトル化
result = arr ** 2
# カスタムベクトル化関数
def custom_func(x):
    return x ** 2 + 2 * x + 1
vec_func = np.vectorize(custom_func)
result = vec_func(arr)

メモリ最適化

大規模配列のメモリ使用効率を高めるためのテクニック。

# 適切なデータ型を使用
arr_int8 = arr.astype(np.int8)  # 要素あたり 1 バイト
arr_float32 = arr.astype(np.float32)  # float64 の代わりに 4 バイト
# ビューとコピー
view = arr[::2]  # ビューを作成 (メモリを共有)
copy = arr[::2].copy()  # コピーを作成 (新しいメモリ)
# 配列がビューかコピーかを確認
view.base is arr  # ビューの場合は True

パフォーマンスのヒント

高速な NumPy コードのためのベストプラクティス。

# 可能な場合はインプレース操作を使用
arr += 5  # arr = arr + 5 の代わりに
np.add(arr, 5, out=arr)  # 明示的なインプレース
# 中間配列の作成を最小限に抑える
# 悪い例：中間配列を作成
result = ((arr + 1) * 2) ** 2
# より良い例：可能な場合は複合演算を使用

乱数生成

基本的な乱数：np.random

様々な分布から乱数を生成します。

# ランダムな浮動小数点数 [0, 1)
np.random.random(5)
# ランダムな整数
np.random.randint(0, 10, size=5)
# 正規分布
np.random.normal(mu=0, sigma=1, size=5)
# 一様分布
np.random.uniform(-1, 1, size=5)

サンプリング：choice() / shuffle()

既存のデータからサンプリングしたり、配列を並べ替えたりします。

# 配列からのランダムな選択
np.random.choice(arr, size=3)
# 非復元抽出
np.random.choice(arr, size=3, replace=False)
# 配列をインプレースでシャッフル
np.random.shuffle(arr)
# ランダムな順列
np.random.permutation(arr)

シードとジェネレータ

再現性のために乱数を制御します。

# 再現性のためのシード設定
np.random.seed(42)
# 最新のアプローチ：Generator
rng = np.random.default_rng(42)
rng.random(5)
rng.integers(0, 10, size=5)
rng.normal(0, 1, size=5)

統計関数

記述統計

中心傾向とばらつきの基本的な統計量。

# 中心傾向
np.mean(arr)
np.median(arr)
# ばらつきの尺度
np.std(arr)  # 標準偏差
np.var(arr)  # 分散
np.ptp(arr)  # ピークからピーク (max - min)
# パーセンタイル
np.percentile(arr, [25, 50, 75])
np.quantile(arr, [0.25, 0.5, 0.75])

相関と共分散

変数間の関係性を測定します。

# 相関係数
np.corrcoef(x, y)
# 共分散
np.cov(x, y)
# クロス相関
np.correlate(x, y, mode='full')

ヒストグラムとビニング

データの分布を分析し、ビンを作成します。

# ヒストグラム
counts, bins = np.histogram(arr, bins=10)
# 2D ヒストグラム
H, xedges, yedges = np.histogram2d(x, y, bins=10)
# デジタル化 (ビンインデックスの割り当て)
bin_indices = np.digitize(arr, bins)

特殊な統計関数

高度な統計計算。

# 加重統計
np.average(arr, weights=weights)
# 一意な値とカウント
unique_vals, counts = np.unique(arr, return_counts=True)
# ビンカウント (整数配列用)
np.bincount(int_arr)

NumPy のインストールとセットアップ

Pip: pip install numpy

標準的な Python パッケージインストーラ。

# NumPyをインストール
pip install numpy
# 最新バージョンにアップグレード
pip install numpy --upgrade
# 特定のバージョンをインストール
pip install numpy==1.21.0
# パッケージ情報を表示
pip show numpy

Conda: conda install numpy

Anaconda/Miniconda環境用のパッケージマネージャ。

# 現在の環境にNumPyをインストール
conda install numpy
# NumPyを更新
conda update numpy
# conda-forgeからインストール
conda install -c conda-forge numpy
# 環境を作成してNumPyをインストール
conda create -n myenv numpy

インストールの確認とインポート

NumPy のインストールを確認し、標準的なインポートを行います。

# 標準的なインポート
import numpy as np
# バージョンの確認
print(np.__version__)
# ビルド情報の表示
np.show_config()
# 印刷オプションの設定
np.set_printoptions(precision=2, suppress=True)

高度な機能

構造化配列

複雑なデータ構造のための名前付きフィールドを持つ配列。

# 構造化データ型の定義
dt = np.dtype([('name', 'U10'), ('age', 'i4'), ('weight', 'f4')])
# 構造化配列の作成
people = np.array([('Alice', 25, 55.0), ('Bob', 30, 70.5)], dtype=dt)
# フィールドへのアクセス
people['name']
people['age']

マスク配列：np.ma

欠損データや無効なデータを持つ配列を扱います。

# マスク配列の作成
masked_arr = np.ma.array([1, 2, 3, 4, 5], mask=[0, 0, 1, 0, 0])
# マスクされた値は演算で無視される
np.ma.mean(masked_arr)
# マスクされた値を埋める
filled = masked_arr.filled(0)

多項式：np.poly1d

多項式表現とその操作を扱います。

# 多項式の作成 (係数は降順)
p = np.poly1d([1, -2, 1])  # x² - 2x + 1
# 多項式の評価
p(5)  # x=5 で評価
# 根の検索
np.roots([1, -2, 1])
# 多項式フィッティング
coeff = np.polyfit(x, y, degree=2)

高速フーリエ変換：np.fft

周波数領域解析と信号処理。

# 1D FFT
fft_result = np.fft.fft(signal)
# 周波数
freqs = np.fft.fftfreq(len(signal))
# 逆 FFT
reconstructed = np.fft.ifft(fft_result)
# 画像の 2D FFT
fft2d = np.fft.fft2(image)

関連リンク

• Python チートシート
• Pandas チートシート
• Matplotlib チートシート
• scikit-learn チートシート
• データサイエンス チートシート