この記事はかめ（＠usdatascientist）さんのブログ（https://datawokagaku.com/python_for_ds_summary/ ）に書かれているNumpyの基本操作を実際にJupyter Labを用いてコーディングしてみた、という記事です。

NumPyの基本操作まとめ

Array

import numpy as np #numpyをnpとしてインポート

np.array([1,2,3,4]) #arrayのリスト

array([1, 2, 3, 4])

python_list = (1,2,3,4) #Pythonのリスト

python_list

(1, 2, 3, 4)

np.array([[1,2,3], [4,5,6],[7,8,9]]) #arrayの入れ子のリスト

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

[[1,2,3], [4,5,6],[7,8,9]] #Pythonの入れ子のリスト

[[1, 2, 3], [4, 5, 6], [7, 8, 9]]

Arrayの計算

arr1 = np.array([[1,2,3], [4,5,6],[7,8,9]])
arr2 = np.array([[1,2,3], [4,5,6],[7,8,9]])

arr1

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

arr2

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

arr1 + arr2

array([[ 2,  4,  6],
       [ 8, 10, 12],
       [14, 16, 18]])

arr1 - arr2

array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

arr1 * arr2

array([[ 1,  4,  9],
       [16, 25, 36],
       [49, 64, 81]])

arr1 / arr2

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

#arrayの足りない要素は[1,2,3]で自動的に補完される。(Broadcasting)
arr3= np.array([[1,2,3]])
arr4 = np.array([[1,2,3], [4,5,6],[7,8,9]])

arr3 + arr4

array([[ 2,  4,  6],
       [ 5,  7,  9],
       [ 8, 10, 12]])

arr3 - arr4

array([[ 0,  0,  0],
       [-3, -3, -3],
       [-6, -6, -6]])

arr = np.array([[1,2,3], [4,5,6],[7,8,9]])

#arrayの行列のサイズを調べる
arr.shape

(3, 3)

Indexing

indexは0から始まり、0-1番目の値まで取ってくることができる。

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

array([[1, 2],
       [3, 4],
       [5, 6]])

ndarray[1][0]

ndarray[1,0]

Slicing

slicingは[N:M]のとき「N以上M未満」の要素を取ってくる。

arr = np.array([[1,2,3,4], [2,4,6,4], [3,5,7,4], [3,5,7,4]])

arr

array([[1, 2, 3, 4],
       [2, 4, 6, 4],
       [3, 5, 7, 4],
       [3, 5, 7, 4]])

arr[0:4, 2:4]

array([[3, 4],
       [6, 4],
       [7, 4],
       [7, 4]])

arr[:,2:] #全ての行の２列以降の要素を全て取ってくる。

array([[3, 4],
       [6, 4],
       [7, 4],
       [7, 4]])

arr = np.array([1,2,3,4,2,4,6,4,5,7,4,5,7,4])

arr[1:6:2] #2つ飛びでslicing

array([2, 4, 4])

様々なArray

np.arange[(start,)stop(,step)]

np.arange(0,5,2) #[start, stop, step] #0~5を2で区切った値のリスト

array([0, 2, 4])

np.arange(5) # start stepは省略可能。省略した場合デフォルトでそれぞれ０と１が入る。

array([0, 1, 2, 3, 4])

np.arange(0,5,0.1) #stepは0.1刻みも可能

array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , 1.1, 1.2,
       1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5,
       2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8,
       3.9, 4. , 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9])

np.linspace(start, stop, num=50)

np.linspace(1, 2, 20) #1~2を２０等分する

array([1.        , 1.05263158, 1.10526316, 1.15789474, 1.21052632,
       1.26315789, 1.31578947, 1.36842105, 1.42105263, 1.47368421,
       1.52631579, 1.57894737, 1.63157895, 1.68421053, 1.73684211,
       1.78947368, 1.84210526, 1.89473684, 1.94736842, 2.        ])

.copy()

arr_copy = arr.copy()

arr_copy

array([0, 1, 2, 3, 4])

ndarray = np.arange(0, 5)
ndarray_copy = ndarray.copy()
print('original array is {}'.format(id(arr)))
print('copied array is {}'.format(id(arr))) #copyしたものはコピー元とは別のオブジェクト

original array is 140571396284208
copied array is 140571396284208

ndarray[:] = 100
print('original array:\n', ndarray)    #copyしないと元のarrayが更新される
print('copied array:\n', ndarray_copy) #copyすると元のarrayが更新されない

original array:
 [100 100 100 100 100]
copied array:
 [0 1 2 3 4]

def add_world(hello):
    hello += ' world'
    return hello

h_str = 'hello'
h_list = ['h', 'e', 'l', 'l', 'o']
output_str = add_world(h_str)
output_list = add_world(h_list)

print('output_str: {}'.format(output_str)) #Stringは値渡しなので直接変更する
print('output_list: {}'.format(output_list)) #listは参照渡しなので直接変更しない

print('h_str: {}'.format(h_str))
print('h_list: {}'.format(h_list))

output_str: hello world
output_list: ['h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd']
h_str: hello
h_list: ['h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd']

def change_hundred(array):

    array[0] = 100　#copyしないと元のarrayが更新される
    return array

def change_hundred_copy(array):

    array_copy = array.copy() #copyすると元のarrayが更新されない
    array_copy[0] = 100
    return array_copy

array_1 = np.arange(0, 4)
array_2 = np.arange(0,4)

output_array = change_hundred(array_1)
output_array_copy = change_hundred_copy(array_2)

print('original_array_1/n', array_1)
print('original_array2/n', array_2)

original_array_1/n [100   1   2   3]
original_array2/n [0 1 2 3]

np.zeros(shape)

shape = (2,3,5) #零行列
zeros = np.zeros(shape)
print(zeros)

[[[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.]]]

np.ones(shape)

shape = (2,3,5)
ones_array_1 = np.ones(shape)
ones_array_2 = np.ones(4)

print(ones_array_1)
print(ones_array_2)

[[[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.]]]
[1. 1. 1. 1.]

np.eye(N)

np.eye(3) #N * Nの単位行列。対角成分が全て１となる。

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

np.random.rand()

random_float = np.random.rand() # 0~1からランダムな数を返す。
random_1d = np.random.rand(3)
random_2d = np.random.rand(3, 4)

print('random_float:{}'.format(random_float))
print('random_1d:{}'.format(random_1d))
print('random_2d:{}'.format(random_2d))

random_float:0.48703321814513356/n
random_1d:[0.27824053 0.60682459 0.22001138]
random_2d:[[0.52285782 0.87272074 0.03123286 0.7921472 ]
 [0.80209903 0.26478273 0.91139303 0.63077037]
 [0.72151924 0.91234378 0.69355857 0.9969298 ]]

np.random.randn()

random_float = np.random.randn() #標準正規分布０〜１から値が返される。
random_1d = np.random.randn(3)
random_2d = np.random.randn(3, 4)

print('random_float:{}'.format(random_float))
print('random_1d:{}'.format(random_1d))
print('random_2d:{}'.format(random_2d))

random_float:-0.013248078417389888
random_1d:[-1.11606544 -0.24693187  0.17212059]
random_2d:[[-0.85896581  0.53993487  0.09458454  1.3505381 ]
 [-1.83510873  0.09966918 -0.22293729  0.58218476]
 [ 0.37403933  0.83349568  0.73407002 -0.32979339]]

np.random.randint(low[,high][,size])

np.random.randint(10, 50, size=(2,4,3)) #low以上high未満のintegerからランダムに、指定したsizeのndarrayを返す。 今回は２次元の４行３列。

array([[[30, 14, 11],
        [33, 24, 48],
        [15, 43, 41],
        [18, 26, 49]],

       [[18, 22, 16],
        [15, 10, 43],
        [43, 48, 10],
        [42, 29, 10]]])

.reshape(shape)

array = np.arange(0, 10)
print('array:{}'.format(array))
new_shape = (2, 5)
reshaped_array = array.reshape(new_shape)

print('reshaped array:{}'.format(reshaped_array))
print("reshaped array's is {}".format(reshaped_array.reshape))
print('original array is NOT changed:{}'.format(array))

array:[0 1 2 3 4 5 6 7 8 9]
reshaped array:[[0 1 2 3 4]
 [5 6 7 8 9]]
reshaped array's is <built-in method reshape of numpy.ndarray object at 0x7fd9420d8030>
original array is NOT changed:[0 1 2 3 4 5 6 7 8 9]

要素の統計量を求める

normal_dist_mat = np.random.randn(5,5)
print(normal_dist_mat)

[[-1.51861663 -2.09873943 -0.99761607  0.95395101 -0.04577882]
 [-0.81944941  0.54339984  0.45265577 -2.56369775 -1.8300719 ]
 [ 0.63372482 -0.35763135  0.31683655  1.44185989 -1.2110421 ]
 [-1.56200024  1.17061544  1.35721624 -0.46023814  0.3496441 ]
 [ 1.09102475 -0.47551934 -0.75747612  0.34564251  1.62400795]]

.max()　最大値

print('max is')
print(normal_dist_mat.max())

max is
1.6240079549859363

.argmax()　最大値のindexを求める。

print('argmax is')
print(normal_dist_mat.argmax())

argmax is
24

.flatten()[]　index=9に格納された値を一列にする。

normal_dist_mat.flatten()[9]

-1.83007190063398

.min()　最小値

print('min is')
print(normal_dist_mat.min())

min is
-2.5636977453276137

.argmin()　最小値のindexを求める。

print('argmin is')
print(normal_dist_mat.argmin())

argmax is
8

.mean()　平均値

print('mean is') 
print(normal_dist_mat.mean())

mean is
-0.1766919366579146

np.median(ndarray)　中央値

print('median is')
print(np.median(normal_dist_mat))

median is
-0.04577882007895756

.std()　標準偏差

print('standard deviation is')
print(normal_dist_mat.std())

standard deviation is
1.1634432893009636

print(normal_dist_mat.std())  #上記の関数は全てnp.関数名(ndarray)で呼ぶことも可能

1.1634432893009636

print(normal_dist_mat) #特定の行，列での統計量を求めたい場合は引数axisを指定。
print('axis=0 > {}'.format(normal_dist_mat.max(axis=0))) #axis=0を指定すると各列の統計量，
print('axis=1 > {}'.format(normal_dist_mat.max(axis=1))) #axis=1を指定すると各行の統計量を返す。

[[-1.51861663 -2.09873943 -0.99761607  0.95395101 -0.04577882]
 [-0.81944941  0.54339984  0.45265577 -2.56369775 -1.8300719 ]
 [ 0.63372482 -0.35763135  0.31683655  1.44185989 -1.2110421 ]
 [-1.56200024  1.17061544  1.35721624 -0.46023814  0.3496441 ]
 [ 1.09102475 -0.47551934 -0.75747612  0.34564251  1.62400795]]
axis=0 > [1.09102475 1.17061544 1.35721624 1.44185989 1.62400795]
axis=1 > [0.95395101 0.54339984 1.44185989 1.35721624 1.62400795]

数学で使う関数

np.exp(ndarray)　

ndarray = np.linspace(-3,3,10)
expndarray = np.exp(ndarray)
print(ndarray)
print(expndarray)

[-3.         -2.33333333 -1.66666667 -1.         -0.33333333  0.33333333
  1.          1.66666667  2.33333333  3.        ]
[ 0.04978707  0.09697197  0.1888756   0.36787944  0.71653131  1.39561243
  2.71828183  5.29449005 10.3122585  20.08553692]

np.log(nd.array)

ndarray = np.linspace(-3,3,10)
logndarray = np.log(ndarray)
print(ndarray)
print(logndarray) #負の値は対数を取れないのでnan。

[-3.         -2.33333333 -1.66666667 -1.         -0.33333333  0.33333333
  1.          1.66666667  2.33333333  3.        ]
[        nan         nan         nan         nan         nan -1.09861229
  0.          0.51082562  0.84729786  1.09861229]


/opt/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:2: RuntimeWarning: invalid value encountered in log

print(logndarray[0])
print('nan ==None? {}'.format(logndarray[0] is None))

nan
nan ==None? False

np.isnan(logndarray[0])

True

np.e

print(np.e)
print(np.log(np.e))

2.718281828459045
1.0

ndarrayのshape操作

ndarray = np.array([[1,2,3], [4,5,6], [7,8,9]])
print('array is :{}'.format(ndarray))
print("ndarray's shape is :{}".format(ndarray.shape)) #次元の数をrankという。

array is :[[1 2 3]
 [4 5 6]
 [7 8 9]]
ndarray's shape is :(3, 3)

np.expand_dims(nd.array, axis)

expanded_ndarray = np.expand_dims(ndarray, axis=0) #次元の追加
expanded_ndarray.shape

(1, 3, 3)

np.squeeze(ndarray)

squeezed_ndarray = np.squeeze(expanded_ndarray) #shapeの次元を１つなくす。
squeezed_ndarray.shape

(3, 3)

.flatten()

flatten_array = ndarray.flatten() #1列にする
print('flatten_array is :{}'.format(flatten_array))
print('ndarray is :{}'.format(ndarray))

flatten_array is :[1 2 3 4 5 6 7 8 9]
ndarray is :[[1 2 3]
 [4 5 6]
 [7 8 9]]

Numpy Arrayを保存、読み込む

np.save('ファイルパス', ndarray)

ndarray = np.array([
    [1,2,3,4],
    [10,20,30,40],
    [100,200,300,400]
])
np.save('saved_numpy', ndarray)

np.load('ファイルパス')

loaded_numpy = np.load('saved_numpy.npy')
loaded_numpy

array([[  1,   2,   3,   4],
       [ 10,  20,  30,  40],
       [100, 200, 300, 400]])

Numpyの基本操作をJupyter Labで書いてみた。

この記事はかめ（＠usdatascientist）さんのブログ（https://datawokagaku.com/python_for_ds_summary/ ） に書かれているNumpyの基本操作を実際にJupyter Labを用いてコーディングしてみた、という記事です。

NumPyの基本操作まとめ

Array

Arrayの計算

Indexing

indexは0から始まり、0-1番目の値まで取ってくることができる。

Slicing

slicingは[N:M]のとき「N以上M未満」の要素を取ってくる。

様々なArray

np.arange[(start,)stop(,step)]

np.linspace(start, stop, num=50)

.copy()

np.zeros(shape)

np.ones(shape)

np.eye(N)

np.random.rand()

np.random.randn()

np.random.randint(low[,high][,size])

要素の統計量を求める

.max() 最大値

.argmax() 最大値のindexを求める。

.flatten()[] index=9に格納された値を一列にする。

.min() 最小値

.argmin() 最小値のindexを求める。

.mean() 平均値

np.median(ndarray) 中央値

.std() 標準偏差

数学で使う関数

np.exp(ndarray)

np.log(nd.array)

np.e

ndarrayのshape操作

np.expand_dims(nd.array, axis)

np.squeeze(ndarray)

.flatten()

Numpy Arrayを保存、読み込む

np.save('ファイルパス', ndarray)

np.load('ファイルパス')

この記事はかめ（＠usdatascientist）さんのブログ（https://datawokagaku.com/python_for_ds_summary/ ）に書かれているNumpyの基本操作を実際にJupyter Labを用いてコーディングしてみた、という記事です。

.max()　最大値

.argmax()　最大値のindexを求める。

.flatten()[]　index=9に格納された値を一列にする。

.min()　最小値

.argmin()　最小値のindexを求める。

.mean()　平均値

np.median(ndarray)　中央値

.std()　標準偏差

np.exp(ndarray)　