NumPy 配列の基礎

ここでは，NumPy で最も重要なクラスである np.ndarray について， 本チュートリアルの方針 の方針に従い，最低限必要な予備知識について説明します．

np.ndarray は， N-d Array すなわち，N次元配列を扱うためのクラスです． NumPy を使わない場合， Python ではこうしたN次元配列を表現するには，多重のリストが利用されます． np.ndarray と多重リストには以下のような違いがあります．

• 多重リストはリンクでセルを結合した形式でメモリ上に保持されますが， np.ndarray は C や Fortran の配列と同様にメモリの連続領域上に保持されます． そのため，多重リストは動的に変更可能ですが， np.ndarray の形状変更には全体の削除・再生成が必要になります．

• 多重リストはリスト内でその要素の型が異なることが許されますが， np.ndarray は，基本的に全て同じ型の要素で構成されていなければなりません．

• 多重リストとは異なり， np.ndarray は各次元ごとの要素数が等しくなければなりません． すなわち，行ごとに列数が異なるような2次元配列などは扱えません．

• np.ndarray は，行や列を対象とした多くの高度な数学的操作を，多重リストより容易かつ高速に適用できます． また，配列中の全要素，もしくは一部の要素に対してまとめて演算や関数を適用することで，高速な処理が可能です．

NumPy 配列の生成

それでは， np.ndarray の生成方法を説明します． N次元配列 np.ndarray は，数学の概念で言えば，1次元の場合はベクトルに，2次元の場合は行列に，そして3次元以上の場合はテンソルに該当します．

np.array() 関数による生成

np.ndarray にもコンストラクタはありますが，通常は， np.array() 関数 1 によって生成します．

np.array(object, dtype=None)

Create an array.

最初の引数 object には，配列の内容を，array_like という型で与えます． この array_like という型は，配列を np.ndarray の他，（多重）リストや（多重）タプルで表現したものです． リストの場合は，ネストしていない直線状のリストでベクトルを表します． 行列は，直線状リストで表した行を要素とするリスト，すなわち2重にネストしたリストで表します． もう一つの引数 dtype は，配列の要素の型を指定しますが，詳細は np.ndarray の属性のところで述べます．

要素が 1, 2, 3 である長さ 3 のベクトルの例です:

In [10]: a = np.array([1, 2, 3])
In [11]: a
Out[11]: array([1, 2, 3])

タプルを使った表現も可能です:

In [12]: a = np.array((10, 20, 30))
In [13]: a
Out[13]: array([10, 20, 30])

2重にネストしたリストで表した配列の例です:

In [14]: a = np.array([[1.5, 0], [0, 3.0]])
In [15]: a
Out[15]:
array([[ 1.5,  0. ],
       [ 0. ,  3. ]])

リストの要素に np.ndarray やタプルを含むことも可能です:

In [16]: a = np.array([1.0, 2.0, 3.0])
In [17]: b = np.array([a, (10, 20, 30)])
In [18]: b
Out[18]:
array([[  1.,   2.,   3.],
       [ 10.,  20.,  30.]])

注釈

1

関数の引数は他にもありますが，ここでの説明に必要なもののみを示します． 他の引数についてはライブラリのリファレンスマニュアルを参照して下さい．

その他の関数による生成

np.ndarray を作るための関数は， np.array() 以外にも数多くありますが，それらのうちよく使うものを紹介します．

np.zeros() と np.ones() は，それぞれ要素が全て 0 である0行列と，全て 1 である1行列を生成する関数です．

np.zeros(shape, dtype=None)

Return a new array of given shape and type, filled with zeros.

np.ones(shape, dtype=None)

Return a new array of given shape and type, filled with ones.

shape は，スカラーや，タプルによって配列の各次元の長さを表したものです． 大きさが 5 のベクトルはスカラー 5 によって， \(2 \times 3\) の行列はタプル (2, 3) によって表現します．

長さが 3 の0ベクトルの例です:

In [20]: np.zeros(3)
Out[20]: array([ 0.,  0.,  0.])

\(3 \times 4\) の1行列の例です．引数をタプルにすることを忘れないようにして下さい:

In [21]: np.ones((3, 4))
Out[21]:
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

配列を生成した後，その内容をすぐ後で書き換える場合には，配列の要素を全て 0 や 1 にするのは無駄な処理になってしまいます． そこで，要素の値が不定の状態のままで，指定した大きさの配列を生成する関数 np.empty() があります．

np.empty(shape, dtype=None)

Return a new array of given shape and type, without initializing entries.

この例では， \(2\times3\) の行列 a と同じ大きさの0行列を生成します:

In [18]: a = np.array([[1,2,3], [2,3,4]])
In [19]: np.zeros_like(a)
Out[19]:
array([[0, 0, 0],
       [0, 0, 0]])

最後に， np.identity() は，単位行列を生成する関数です．

np.identity(n, dtype=None)

Return the identity array.

n は行列の大きさを表します． 例えば，4 と指定すると，単位行列は正方行列なので，大きさ \(4 \times 4\) の行列を指定したことになります:

In [30]: np.identity(4)
Out[30]:
array([[ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.]])

その他，連続した数列を要素とする配列，対角行列，三角行列などを生成するものや，文字列など他の型のデータから配列を生成するものなど，多種多様な関数が用意されています． これらの関数については，実装で必要になったときに随時説明します．

NumPy 配列の属性と要素の参照

ここでは，前節で生成した np.ndarray の属性を説明したのち，配列の要素を参照する方法について述べます．

np.ndarray には多数の属性がありますが，よく使われるものをまとめました．

class np.ndarray

An array object represents a multidimensional, homogeneous array of fixed-size items. An associated data-type object describes the format of each element in the array (its byte-order, how many bytes it occupies in memory, whether it is an integer, a floating point number, or something else, etc.)

変数

• dtype -- Data-type of the array's elements

• ndim -- Number of array dimensions

• shape -- Tuple of array dimensions

最初の属性 dtype は配列の要素の型を表し，これまでに紹介した関数の引数でも使われていました． np.ndarray は，配列の中の全要素の型は基本的に同じです 2 ． 二番目の属性 ndim は，次元数を表します． ベクトルでは 1 に，行列では 2 になります． 三番目の属性 shape は，各次元ごとの配列の大きさをまとめたタプルで指定します． 例えば，大きさが 5 のベクトルは (5,) 3 となり， \(2 \times 3\) 行列では (2, 3) となります．

これらの属性のうち，型を表す dtype について詳しく述べます． まず，Python のビルトイン型の真理値型 ，整数型，浮動小数点型，複素数型に対応する型があります． 加えて，これらの型については，それを格納するのに必要なメモリをビット数で明示的に指定するものもあります． 例えば， np.uint8 は8ビットの符号なし整数で \(0, \dotsc, 255\) の値を， np.float32 は32bit，いわゆる単精度の浮動小数点数を表します． ビット数を指定する型は，GPU 利用のために32bitの浮動小数点数を用いる，メモリを特に節約したい，また C や Fortran で書いた関数とリンクするといった場合に用います． これらの基本的な型についてまとめておきます．

• Pythonのビルトインの bool ， int ， float ，および complex に対応するのは，それぞれ np.bool ， np.int ， np.float ，および np.complex です．これらは同じオブジェクトなので，ビルトイン型のものを用いておけばよいでしょう．

• 最後に _ が付いた型は，ビット数を指定した型に対応します．int はC言語のlong型に対応し np.int32 か np.int64 と同じものです． np.float_ と np.complex_ は，それぞれ np.float64 と np.complex128 と同じものです．

• np.dtype() でビルトイン型を変換すると _ の付いた型になります．例えば， np.dtype(float).type は np.float_ と同じオブジェクトになります．

文字列型については，ビルトイン型の str とは，少し異なります． np.ndarray では，要素の大きさが同じである必要があるため，文字列は固定長になります． Python の文字列型に対応する NumPy での文字列型は，NumPy の型を表すクラス np.dtype のコンストラクタを用いて， np.dtype('U<文字列長>') 4 のように指定します． 例えば，最大長が16である文字列を扱う場合は np.dtype("U16") のように指定します． なお，整数型や浮動小数点型にも同様の文字列を用いた指定方法があります．

配列の dtype 属性を指定するには，(1) np.array() などの配列生成関数の dtype 引数で指定する方法と， (2) np.ndarray の np.ndarray.astype() メソッドを使う方法とがあります．

まず，(1) の dtype 引数を指定する方法について述べます． np.array() では要素が全て整数の場合は，要素の型は整数になりますが，それを浮動小数点にするには，次のように指定します:

In [41]: a = np.array([1, 2, 3])
In [42]: a.dtype
Out[42]: dtype('int64')
In [43]: a = np.array([1, 2, 3], dtype=float)
In [44]: a.dtype
Out[44]: dtype('float64')

浮動小数点型の配列を複素数型で作り直す場合は，次のようになります:

In [45]: a = np.array([1.0, 1.5, 2.0])
In [46]: a.dtype
Out[46]: dtype('float64')
In [47]: a = np.array(a, dtype=complex)
In [48]: a.dtype
Out[48]: dtype('complex128')
In [49]: a
Out[49]: array([ 1.0+0.j,  1.5+0.j,  2.0+0.j])

(2) メソッドを使う方針でも，メソッド np.ndarray.astype() が同様に利用できます．

In [50]: a = np.array([1, 2, 3])
In [51]: a.dtype
Out[51]: dtype('int64')
In [52]: a = a.astype(float)
In [53]: a.dtype
Out[53]: dtype('float64')
In [54]: a
Out[54]: array([ 1.,  2.,  3.])

次は np.ndarray の要素の参照方法について述べます． 非常に多様な要素の参照方法があるため，最も基本的な方法のみを述べ，他の方法については順次紹介することにします． 最も基本的な要素の参照方法とは，各次元ごとに何番目の要素を参照するかを指定します． 1次元配列であるベクトル a の要素 3 である a[3] を参照すると，次のような結果が得られます．

In [60]: a = np.array([1, 2, 3, 4, 5], dtype=float)
In [61]: a[3]
Out[61]: 4.0

ここで注意すべきは，添え字の範囲は，数学の規則である \(1,\ldots,5\) ではなく，Python の規則に従って \(0,\ldots,4\) となることです． a.shape[0] とすると，第1次元の要素の長さ，すなわちベクトルの長さとして 5 が得られますが，添え字の範囲はそれより一つ前の 4 までとなります． 同様に， \(2 \times 3\) の行列では，行は \(0,\ldots,1\) の範囲で，列は \(0,\ldots,2\) の範囲で指定します．

In [62]: a = np.array([[11, 12, 13], [21, 22, 23]])
In [63]: a.shape
Out[63]: (2, 3)
In [64]: a[1,2]
Out[64]: 23

最後に， np.ndarray の1次元と2次元の配列と，数学の概念であるベクトルと行列との関係について補足します． 線形代数では，縦ベクトルや横ベクトルという区別がありますが，1次元の np.ndarray 配列にはそのような区別はありません． そのため，1次元配列を転置することができず，数学でいうところのベクトルとは厳密には異なります．

そこで，縦ベクトルや横ベクトルを区別して表現するには，それぞれ列数が1である2次元の配列と，行数が1である2次元配列を用います． 縦ベクトルは次のようになり:

In [65]: np.array([[1], [2], [3]])
Out[65]:
array([[1],
       [2],
       [3]])

横ベクトルは次のようになります（リストが2重にネストしていることに注意）:

In [66]: np.array([[1, 2, 3]])
Out[66]: array([[1, 2, 3]])

以上，NumPyの配列 np.ndarray について基本的なことを述べました． ここで紹介した基本事項を使い，NumPy / SciPy のいろいろな機能を，機械学習のアルゴリズムの実装を通じて紹介してゆきます．

注釈

2

オブジェクトを要素とする型 np.object や，行ごとに同じ構造である制限の下，いろいろな型を混在できる structured array を用いると，異なる型の要素を混在させることは可能です．

3

Python では， (5) と表記すると，スカラー量 5 を括弧でくくった数式とみなされるため，要素数が1個のタプルは (5,) となります．

4

Python3 では文字列は，Python2 でのUnicode文字列に相当します． そのため，Python3 での文字列型として扱うためには，Unicode文字列として構造化配列では定義する必要があります． S10 のように文字列として定義すると， b'string' のようなバイト列として扱われます．