09. NumPyの操作¶

このページでは、NumPy配列の情報を読む方法、形を変える方法、配列を結合・分割する方法を扱います。

NumPyでは、値そのものだけでなく、「何次元か」「どんな形か」「どんな型か」を読むことがとても大事です。

配列の属性と型¶

属性¶

NumPy配列は、配列についての情報を属性として持っています。

import numpy as np

X = np.array([
    [80, 72, 1],
    [55, 68, 0],
    [90, 86, 1],
])

print(X.dtype)
print(X.ndim)
print(X.shape)
print(X.size)
print(X.T)

属性	意味
dtype	配列の中の値の型
ndim	配列が何次元か
shape	配列の形
size	配列の中の値の数
T	行と列を入れ替えた配列

X.shape が (3, 3) なら、3行3列の配列です。

機械学習では、X.shape を見て「何件のデータがあり、特徴量が何個あるか」を確認することがよくあります。

dtype¶

dtype 属性は、配列の中の値の型です。

import numpy as np

scores = np.array([80, 65, 90])
rates = np.array([0.80, 0.65, 0.90])
image = np.array([0, 128, 255], dtype=np.uint8)
complex_values = np.array([1 + 2j, 3 + 4j])

print(scores.dtype)
print(rates.dtype)
print(image.dtype)
print(complex_values.dtype)

int32 や int64 は整数、float64 は小数を表します。

整数が int32 になるか int64 になるかは、実行環境によって変わることがあります。

uint8 は、0から255までの整数を扱う型です。画像の明るさや色を表す値でよく見ます。

complex は複素数の型です。普通の表データではあまり出ませんが、音声や信号処理では見かけることがあります。

uint8 は少ないメモリで0から255までの値を表せる型です。データが小さくなると、結果として処理や転送が軽くなることがあります。

配列の形状¶

reshape¶

reshape() を使うと、要素数を変えずに配列の形を変えられます。

import numpy as np

values = np.arange(6)
matrix1 = values.reshape(2, 3)
matrix2 = values.reshape(2, -1)

print(values)
print(matrix1)
print(matrix2)
print(matrix1.shape)
print(matrix2.shape)

np.arange(6) は6個の値を持ちます。

それを reshape(2, 3) で2行3列に変えています。

-1 を使うと、その次元の大きさはNumPyが自動計算します。

reshape(2, -1) は「2行で、列はNumPyが計算」という意味です。6個の値を2行に並べるので、列は自動的に3になります。

もっと多次元にする¶

画像や深層学習では、3次元以上の配列もよく出てきます。

import numpy as np

values = np.arange(24)

array_2d = values.reshape(4, 6)
array_3d = values.reshape(2, 3, 4)
array_4d = values.reshape(1, 2, 3, 4)

print(array_2d)
print(array_2d.shape)
print(array_3d)
print(array_3d.shape)
print(array_4d.shape)

reshape(2, 3, 4) は、3行4列が2層あるような形です。

最初は出力を見ながら、「外側から順にまとまりが増えている」と読むとわかりやすいです。

array_2d (shape: (4, 6))

0	1	2	3	4	5
6	7	8	9	10	11
12	13	14	15	16	17
18	19	20	21	22	23

array_3d (shape: (2, 3, 4)) — 3行4列が2層

各shapeの意味は次のとおりです。

配列	shape	意味
array_2d	(4, 6)	4行6列
array_3d	(2, 3, 4)	3行4列が2層
array_4d	(1, 2, 3, 4)	(3行4列が2層) のかたまりが1つ

形を変えるときの注意¶

要素数が合わない形には変えられません。

import numpy as np

values = np.arange(6)

print(values.reshape(3, 2))

6個の値は、3行2列にもできます。

values.reshape(3, 2) (shape: (3, 2))

0	1
2	3
4	5

一方で、4行2列にするには8個の値が必要なので、形が合いません。

-1 は便利ですが、複数の場所を -1 にすると、NumPyがどちらをどの大きさにすればよいか決められません。

配列の結合 分割¶

配列を結合する¶

np.concatenate() は、すでにある軸に沿って配列をつなげます。

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

connected = np.concatenate([a, b])

print(connected)
print(connected.shape)

2次元配列では、axis を指定すると行方向にも列方向にも結合できます。

import numpy as np

a = np.array([
    [1, 2],
    [3, 4],
])

b = np.array([
    [5, 6],
    [7, 8],
])

rows = np.concatenate([a, b], axis=0)
columns = np.concatenate([a, b], axis=1)

print(rows)
print(rows.shape)
print(columns)
print(columns.shape)

axis=0 では行が増えます。

axis=1 では列が増えます。

stack で新しい軸を作る¶

np.stack() は、新しい軸を作って配列を重ねます。

import numpy as np

image1 = np.array([
    [1, 2],
    [3, 4],
])

image2 = np.array([
    [5, 6],
    [7, 8],
])

batch = np.stack([image1, image2])

print(batch)
print(batch.shape)

image1 と image2 はどちらも2行2列です。

np.stack([image1, image2]) にすると、「2枚の2行2列画像」のような3次元配列になります。

batch (shape: (2, 2, 2))

concatenate は既存の軸に沿ってつなげる、stack は新しい軸を作って重ねる、と考えると読みやすいです。

関数	軸	shapeの変化例
np.concatenate	既存の軸に沿ってつなぐ	(2, 2) + (2, 2) → (4, 2) or (2, 4)
np.stack	新しい軸を作る	(2, 2) + (2, 2) → (2, 2, 2)

配列を分割する¶

np.split() を使うと、配列を分割できます。

import numpy as np

values = np.arange(12)

parts = np.split(values, 3)

print(parts[0])
print(parts[1])
print(parts[2])

values (shape: (12,))

0

1

2

3

4

5

6

7

8

9

10

11

2次元配列も分割できます。

import numpy as np

X = np.arange(12).reshape(4, 3)

upper, lower = np.split(X, 2, axis=0)

print(upper)
print(lower)

X (shape: (4, 3))

0	1	2
3	4	5
6	7	8
9	10	11

axis=0 で分割すると、行方向に分かれます。

このページのまとめ¶

• dtype は配列の中の値の型
• shape は配列の形
• ndim は配列が何次元か
• size は配列の中の値の数
• reshape() で配列の形を変えられる
• -1 を使うと、reshapeの一部を自動計算できる
• np.concatenate() は既存の軸に沿って結合する
• np.stack() は新しい軸を作って重ねる
• np.split() で配列を分割できる