NumPyの基本トピック
NumPyの概要
NumPyはPythonで行列演算を行うにあたってデファクトスタンダード的に用いられるライブラリです。scikit-learnなど、様々なライブラリがNumPyを用いて実装されています。
NumPyのインストールと動作確認
$ pip install numpy
NumPyは上記を実行することでPyPIから入手することができます。
NumPyの動作確認にあたっては下記などを実行すると良いです。
import numpy as np
x1 = np.array([[1,1,1], [2,2,2]])
x2 = np.arange(1,11,1)
print(x1.shape)
print(x1)
print("===")
print(x2.shape)
print(x2)
・実行結果
(2, 3)
[[1 1 1]
[2 2 2]]
===
(10,)
[ 1 2 3 4 5 6 7 8 9 10]
実務でよく用いるNumPyの機能
ファイルの保存・読み込み(txt・csvなど)
import numpy as np
x1 = np.array([[1,10,100], [0.2,0.02,0.002]])
np.savetxt("sample.csv", x1, delimiter=",")
上記を実行すると、下記のようなcsvファイルがカレントディレクトリに生成されます。
sample.csv
1.000000000000000000e+00,1.000000000000000000e+01,1.000000000000000000e+02
2.000000000000000111e-01,2.000000000000000042e-02,2.000000000000000042e-03
それぞれの行における要素の区切りをdelimiterで指定することに着目しておくと良いです。また、+00や+01は桁を表しており、それぞれ下記のように理解すると良いです。
| 表記 | 解釈 |
|---|---|
+00 |
表された数$\times 10^{0}$ |
+01 |
表された数$\times 10^{1}$ |
+02 |
表された数$\times 10^{2}$ |
-01 |
表された数$\times 10^{-1}$ |
-02 |
表された数$\times 10^{-2}$ |
-03 |
表された数$\times 10^{-3}$ |
このように作成したcsvファイルは下記を実行することで読み込むことができます。
import numpy as np
x1 = np.loadtxt("sample.csv", delimiter=",")
print(x1.shape)
print(x1)
・実行結果
(2, 3)
[[1.e+00 1.e+01 1.e+02]
[2.e-01 2.e-02 2.e-03]]
元ファイルの+00がe+00で表記されている点に着目しておくと良いです。
多次元配列の操作
連結(np.concatenate)
NumPyを用いて多次元配列の連結を行うにあたってはnp.concatenateを用いると良いです。
import numpy as np
x1 = np.zeros([2,6])
x2 = np.ones([5,6])
x_concat = np.concatenate([x1,x2], axis=0)
print(x_concat.shape)
print(x_concat)
・実行結果
(7, 6)
[[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]
np.concatenateでは上記のように連結する多次元配列をリスト形式で指定し、連結する方向をaxisで定義します。axis=0は行方向、axis=1は列方向に対応します。
連結する多次元配列はリスト形式で与えるので下記のように3つ以上の多次元配列を同時に連結することも可能です。
import numpy as np
x1 = np.zeros([2,6])
x2 = np.ones([2,6])
x3 = np.zeros([5,6])
x_concat = np.concatenate([x1,x2,x3], axis=0)
print(x_concat.shape)
print(x_concat)
・実行結果
(9, 6)
[[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]]
多次元配列の変形(np.reshape)
import numpy as np
x1 = np.arange(1,21,1)
x2 = x1.reshape([10,2])
x3 = x1.reshape([2,10]).T
print(x1.shape, x2.shape, x3.shape)
print("===")
print(x1)
print("===")
print(x2)
print("===")
print(x3)
・実行結果
(20,) (10, 2) (10, 2)
===
[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20]
===
[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]
[13 14]
[15 16]
[17 18]
[19 20]]
===
[[ 1 11]
[ 2 12]
[ 3 13]
[ 4 14]
[ 5 15]
[ 6 16]
[ 7 17]
[ 8 18]
[ 9 19]
[10 20]]
多次元配列を変形するにあたっては上記のようにnp.reshapeを用いると良いです。要素の対応については合わせて確認しておくと良いと思います。
np.percentile
import numpy as np
x = np.arange(0,101,1)
print(x)
print(np.percentile(x,10))
print(np.percentile(x,50))
・実行結果
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
90 91 92 93 94 95 96 97 98 99 100]
10.0
50.0
配列の分位数を取得する際にはnp.percentileを用いると良いです。上記の例では0％〜100％をそれぞれの値に対応させるにあたって101個の数字を用いました。