PythonのNumPyとは

NumPy（ナンパイ）とは？

Pythonで 高速な数値計算 を行うためのライブラリです。
科学技術計算・機械学習・データ分析の分野では、ほぼ必須の基盤的なツールです。

🔹 できることの概要

分野	例
配列（ベクトル・行列）計算	例：足し算・掛け算などを高速に実行
統計処理	平均・分散・標準偏差など
線形代数	行列積・逆行列・固有値分解など
乱数生成	ランダムな数列や行列を生成
配列操作	スライス・結合・分割・転置など

⚙️ NumPyの中核：ndarray

NumPyの中心的なデータ構造は ndarray（N次元配列） です。
Pythonのリストよりも メモリ効率が良く、高速 に動作します。

test.py

import numpy as np

# 1次元配列（ベクトル）
a = np.array([1, 2, 3, 4, 5])

# 2次元配列（行列）
b = np.array([[1, 2, 3],
              [4, 5, 6]])

print(a)
print(b)

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]

🧩 配列の基本情報

test.py

import numpy as np

# 1次元配列（ベクトル）
a = np.array([1, 2, 3, 4, 5])

# 2次元配列（行列）
b = np.array([[1, 2, 3], [4, 5, 6]])

print("次元数:", b.ndim)  # 2
print("形状:", b.shape)  # (2, 3)
print("要素数:", b.size)  # 6
print("データ型:", b.dtype)  # int64など

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py                   
次元数: 2
形状: (2, 3)
要素数: 6
データ型: int64

➕ 要素ごとの演算

NumPyは「ベクトル化演算」を行えるのが大きな特徴です。
Pythonのfor文より圧倒的に速いです。

test.py

import numpy as np

a = np.array([1, 2, 3])
print(a + 10)  # [11 12 13]
print(a * 2)  # [2 4 6]
print(a**2)  # [1 4 9]

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
[11 12 13]
[2 4 6]
[1 4 9]

🧮 ブロードキャスト機能

test.py

import numpy as np

b = np.array([[1, 2, 3], [4, 5, 6]])
c = np.array([[10], [20]])
print(b + c)

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
[[11 12 13]
 [24 25 26]]

📊 統計処理も簡単！

test.py

import numpy as np

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

print("平均:", np.mean(b))
print("最大値:", np.max(b))
print("最小値:", np.min(b))
print("標準偏差:", np.std(b))

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
平均: 3.5
最大値: 6
最小値: 1
標準偏差: 1.707825127659933

🎲 乱数の生成

test.py

import numpy as np

np.random.seed(0)
rand_arr = np.random.rand(3, 3)  # 0〜1の乱数
print(rand_arr)

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
[[0.5488135  0.71518937 0.60276338]
 [0.54488318 0.4236548  0.64589411]
 [0.43758721 0.891773   0.96366276]]

🧠 線形代数（行列計算）

test.py

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

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

print("行列積:", x @ y)
print("転置:", x.T)
print("逆行列:", np.linalg.inv(x))

(venv) kerumatomomitsu@kerumatomomitsunoMacBook-Air stock_portfolio % python test.py
行列積: [[19 22]
 [43 50]]
転置: [[1 3]
 [2 4]]
逆行列: [[-2.   1. ]
 [ 1.5 -0.5]]

📈 Pythonリストとの違い

項目	Pythonのリスト	NumPy配列
速度	遅い（for文処理）	速い（C言語実装）
メモリ効率	高くない	高い
ベクトル演算	不可	可能
次元操作	難しい	容易

🧩 応用例（科学計算やAI分野）

• 機械学習（TensorFlow, PyTorchなどの基礎）
• 画像処理（OpenCV, PIL）
• データ分析（Pandasの内部はNumPyベース）
• シミュレーション、統計解析