機械学習に入門したてのNumpyメモである
参考資料
numpyのimportと使い方
タイプ数も少なく混同のリスクが少ない以下がおすすめ
numpy.py
import numpy as np
np.array([2, 0, 2, 0])
numpyの基本はarray、多次元のarrayも書ける
numpy.py
import numpy as np
x = np.array([[2, 0, 2, 0],[2, 0, 2, 1]])
arrayの演算
numpy.dot関数 = ベクトルの内積や行列の積を求める
arrayは任意の次元のデータの集まりを表す、汎用的なデータで、行列専用というわけではない
numpy_array.py
import numpy as np
x = np.array([2, 0, 2, 0])
y = np.array([2, 0, 2, 1])
print(x + y)
print(x * y)
print(x.dot(y))
=> [4, 0, 4, 1] #要素ごと
=> [4, 0, 4, 0] #要素ごと（注意)
=> 8 #内積
#行列×ベクトル
import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
x = np.array([7, 8, 9])
print(A.dot(x))
=> [ 50, 122]
#行列×行列
import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
B = np.array([[1, 2], [3, 4], [5, 6]])
print(A.dot(B))
=>[[22 28]
[49 64]]
matrixの演算
matrixは行列を表すクラス
arrayとmatrixは異なるので注意
numpy_matrux.py
import numpy as np
A = np.matrix([[1, 2, 3],[4, 5, 6]])
B = np.matrix([[1, 2], [3, 4], [5, 6]])
print(A.dot(B)) #numpy.dot関数の結果はarrayと一緒 内積を計算
=> [[22 28]
[49 64]]
import numpy as np
A = np.matrix([[1, 2, 3],[4, 5, 6]])
B = np.matrix([[1, 2], [3, 4], [5, 6]])
print(A * B) #matrixでは演算子"*"で内積を計算
=> [[22 28]
[49 64]]
import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
B = np.array([[1, 2], [3, 4], [5, 6]])
print(A * B) #要素ごとの計算をしようとするが行列の形状が一致していないためエラーとなる
=> ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
arrayのいろいろな作り方
numpy.array.py
import numpy as np
#等差数列(等差指定)
np.arrange(2, 3, 0.2)
=> array([ 2. , 2.2, 2.4, 2.6, 2,8])
#等差数列(点数を指定)
np.linspace(2, 3, 6)
=> array([ 2. , 2.2, 2.4, 2.6, 2.8, 3. ])
#zoreを並べる
np.zeros((3, 2))
=> array([[0., 0.],
[0., 0.],
[0., 0.]])
#oneを並べる
np.ones((2, 3))
=> array([[1., 1.],
[1., 1.],
[1., 1.]])
#手法
#0で形を作り、各要素に値を代入
import numpy as np
def make_diag(n):
A = np.zeros((n, n))
for i in range(n):
A[i, i] = i + 1
return A
print(make_diag(4))
=> [[1. 0. 0. 0.]
[0. 2. 0. 0.]
[0. 0. 3. 0.]
[0. 0. 0. 4.]]
#要素の並びはそのままにして、形を変えるreshape
import numpy as np
A = np.arange(0, 15, 1)
print("Aの中身:\n{}".format(A))
B = A.reshape(3, 5)
print("Bの中身:\n{}".format(B))
C = B.reshape(5, 3)
print("Cの中身:\n{}".format(C))
=>Aの中身:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
Bの中身:
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
Cの中身:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]
[12 13 14]]
#乱数の利用random
import numpy as np
np.random.random((3, 3))
=>array([[0.96781535, 0.64650387, 0.05718226],
[0.78586557, 0.4422813 , 0.92825971],
[0.94403786, 0.90600626, 0.85543603]])
#各成分を関数で指定
import numpy as np
def f(i, j):
return i + j
A = np.fromfunction(f, (3, 3))
print(A)
=>[[0. 1. 2.]
[1. 2. 3.]
[2. 3. 4.]]
要素・行・列の取り出し
numpy.py
import numpy as np
A = np.arange(0, 15, 1)
print("A=>\n{}".format(A))
B = A.reshape(3, 5)
print("B=>\n{}".format(B))
print("B[1:2]=>\n{}".format(B[1:2]))
print("B[1:3, 2:3]=>\n{}".format(B[1:3, 2:4]))
print("B[1:3, :]=>\n{}".format(B[1:3, :]))
print("B[:, 2:4]=>\n{}".format(B[:, 2:4]))
print("B[:, 2]=>\n{}".format(B[:, 2]))
print("B[:, :]=>\n{}".format(B[:,:])
A=>
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
B=>
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
B[1:2]=>
[[5 6 7 8 9]]
B[1:3, 2:3]=>
[[ 7 8]
[12 13]]
B[1:3, :]=>
[[ 5 6 7 8 9]
[10 11 12 13 14]]
B[:, 2:4]=>
[[ 2 3]
[ 7 8]
[12 13]]
B[:, 2]=>
[ 2 7 12]
B[:, :]=>
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
Universal関数
numpyはsin, cosなど、mathモジュールが提供する関数と同名の関数を提供する
それらはarrayに対してarrayの全要素に適用という動作をする
universal.py
import numpy as np
import math
r = np.linspace(0, 0.5 * math.pi, 6)
print(r)
sin_r = np.sin(r)
print(sin_r)
cos_r = np.cos(r)
print(cos_r)
print("mathの提供する関数をnumpyに使用するとTypeErrorになる")
print(math.sin(r)
[0. 0.31415927 0.62831853 0.9424778 1.25663706 1.57079633]
[0. 0.30901699 0.58778525 0.80901699 0.95105652 1. ]
[1.00000000e+00 9.51056516e-01 8.09016994e-01 5.87785252e-01
3.09016994e-01 6.12323400e-17]
mathの提供する関数を使用するとTypeErrorになる
Traceback (most recent call last):
File "test_conda.py", line 14, in <module>
print(math.sin(r))
TypeError: only size-1 arrays can be converted to Python scalars