Python初学者向け：Numpyでよく使う関数を基本から解説

▶ Numpyの基本を解説しています。過去の記事はこちらからどうぞ。

Python初学者向け：ndarrayについて基本から解説

Numpyについて扱っていきます。Numpyは数値計算ライブラリでNumerical Pythonの略です。特に行列演算を得意とします。今回はNumpyの独自のデータタイプであるndarrayについて基本から解説をしていきます。

happy-analysis.com

2022.06.19

Python初学者向け：ndarrayの基本操作について解説

前回に引き続き、Numpyのndarrayについて扱います。今回はndarrayの形状と次元の変更について基本から解説していきます。ndarrayの形状は各次元ごとの要素数で表します。まずは形状の把握の仕方から始めて、次元の変更までを解説していきます。

happy-analysis.com

2022.06.23

はじめに

今回はNumpyでよく使う関数についてまとめていくことにします。最大値・最小値・平均値・中央値・標準偏差のような統計量を算出するもののほか、よく使う関数を紹介していきます。関数名も直感的でわかりやすいため、気楽に取り組みましょう。

Numpyでよく使う関数

統計量の算出

始めによく使うものをまとめておきましょう。

では順にみていきましょう。まずサンプルデータを作っておきます。わかりやすいように3×3のndarrayとしましょう。

# サンプルデータの作成
sample_data = np.random.randint(0,100,size=(3,3))
sample_data

このデータを使って各統計量を求める関数を確認していきましょう。まずは最大値からです。

最大値

ndarray.max()は、np.max(ndarray)という書き方もできます。

# 最大値：ndarray.max()
sample_data.max()

# 最大値：np.max(ndarray)
np.max(sample_data)

当然、どちらも同じ結果となります。

ndarray.max()に引数に何も指定しないときには、ndarrayの全要素の中から最大のものが抽出されます。最大値ではなく、最大値のindexを返すのがndarray.argmax()です。試してみましょう。

# 最大値のindexを取得
sample_data.argmax()

indexが2とわかりました。確かめておきましょう。

# argmax()の結果から最大値を取得
sample_data.flatten()[2]

先ほどと全く同じ結果が得られますね。

次にndarray.max()に引数axisを指定してみましょう。

# 最大値：axis=0を指定
sample_data.max(axis=0)

axis=0を指定すると列方向の最大値を算出してくれます。

上記のように赤枠内で比較するので、それぞれの枠の最大値が3つ返ってくるわけです。

同様にaxis=1も見ておきましょう。

# 最大値：axis=1を指定
sample_data.max(axis=1)

axis=1を指定すると行方向の最大値を算出してくれます。

上記のように赤枠内で比較するので、それぞれの枠の最大値が3つ返ってきます。

最小値

最大値と同じように扱うことができます。

# 最小値：ndarray.min()
sample_data.min()

# 最小値：np.min(ndarray)
sample_data.min()

最大値の時と同様に全要素の中で最小の抽出してくれます。ndarray.argmin()やaxisの指定も最大値の時と同じなのでここでは割愛します。

平均値

次に平均値です。基本的に使い方はどれも同じなので、どんどん試していきましょう。

# 平均値：ndarray.mean()
sample_data.mean()

# 平均値：np.mean(ndarray)
np.mean(sample_data)

axisを指定すると、列ごと（axis=0）、行ごと（axis=1）の平均値の算出ができます。

# axisを指定して平均値を算出
print('axis=0を指定して平均を算出すると{}'.format(sample_data.mean(axis=0)))
print('axis=1を指定して平均を算出すると{}'.format(sample_data.mean(axis=1)))

中央値

中央値に関しては、np.median(ndarray)という書き方になります。ndarray.median()はエラーとなるので注意してください。

# 中央値：np.median(ndarray)
np.median(sample_data)

axisについてはその他の統計量と同様のためここでは割愛します。

標準偏差

標準偏差はばらつきを表す指標なので3×3のサンプルデータだとかえってわかりにくいですね。あらたに標準正規分布からサンプルデータを作ることにしましょう。

# 正規分布からサンプルデータを作成
sample_ndarray = np.random.normal(loc=2,scale=0.5,size=(100,100))
sample_ndarray

標準偏差はndarray.std()で求めることができます。

# 標準偏差を算出
sample_ndarray.std()

グラフで表してみることにしましょう。100×100の多次元配列を1次元にして分布を見てみましょう。

# ライブラリのインポート
import matplotlib.pyplot as plt

# 標準偏差の算出
std = sample_ndarray.std()

# 可視化
plt.hist(sample_ndarray.flatten(),alpha=0.3)
plt.axvline(x=sample_ndarray.mean(),color='red')
plt.axvline(x=sample_ndarray.mean()-std,color='blue',linestyle='--',alpha=0.5)
plt.axvline(x=sample_ndarray.mean()+std,color='blue',linestyle='--',alpha=0.5)
plt.grid()

8行目でサンプルデータを一元化したデータのヒストグラムを描いています。赤い線が「平均」、青い線が「平均±標準偏差」となります。この間にデータの約68%が含まれます。実際、そんな感じに見えますね。

その他のよく使う関数

こちらも始めにまとめておきましょう。

こちらも、さくさく試していきましょう。まずは合計からです。こちらは5×5のサンプルデータを使うことにしましょう。

# 合計：ndarray.sum()
sample_data.sum()

# 合計：np.sum(ndarray)
np.sum(sample_data)

axisを指定すれば、もちろん行・列ごとの合計を求めることができます。続いて平方根を確認しましょう。

# 平方根の算出
np.sqrt(sample_data)

np.sqrt()にndarrayを指定すれば、各要素の平方根を求めることができます。続いて指数関数を確認しましょう。

# 指数関数
sample_list = np.linspace(0,10,100)
x = sample_list
y = np.exp(x)

plt.plot(x,y)
plt.grid()

指数関数はnp.exp()です。ここでは2行目でxとするデータの配列を作って、4行目で指数関数を定義しています。最後に絶対値です。

# サンプルデータ
sample = np.arange(10,-5,-2)
sample

# 絶対値
np.abs(sample)

このように負の数を正の数に変換する関数です。

まとめ

今回はNumpyでよく使う統計量を算出する関数、および、その他のよく使う関数を確認しました。「よく使う」関数なので、自然に覚えられると思います。そのため、解説ではなく書式と実際のコードで結果を確認するにとどめました。あとは使いながら覚えていきましょう。