NumPy チートシート
最終更新
配列を作る
配列は1つの型の値を、任意の次元数のグリッドに格納します。
| やりたいこと | コード |
|---|---|
| NumPy をインポート | import numpy as np |
| リストから作成 | np.array([1, 2, 3]) |
| ネストしたリストから2次元配列 | np.array([[1, 2, 3], [4, 5, 6]]) |
| ゼロ、1、任意の値で埋める | np.zeros((2, 3)), np.ones(4), np.full((2, 2), 7) |
| ステップ付きの範囲 (終端を含まない) | np.arange(0, 10, 2) # [0 2 4 6 8] |
| 等間隔の n 点 (終端を含む) | np.linspace(0, 1, 5) # [0. 0.25 0.5 0.75 1.] |
| 単位行列 | np.eye(3) |
| 別の配列と同じ形状 | np.zeros_like(m), np.ones_like(m) |
| 要素の型を指定 | np.array([1, 2, 3], dtype=np.float32) |
| 座標グリッド | xx, yy = np.meshgrid(np.arange(3), np.arange(2)) |
配列を確認する
| やりたいこと | コード |
|---|---|
| 形状 (各次元のサイズ) | m.shape # (3, 4) |
| 次元数 | m.ndim # 2 |
| 要素数 | m.size # 12 |
| 要素の型 | m.dtype # int64 |
| 型を変換 | m.astype(np.float64) |
| 最初の次元の長さ | len(m) # 3 |
| Python のリストに戻す | m.tolist() |
| 表示する小数の桁数を減らす | np.set_printoptions(precision=3, suppress=True) |
インデックスとスライス
スライスはビューで、元の配列とメモリを共有します。マスクやインデックスのリストはコピーを返します。
| やりたいこと | コード |
|---|---|
| 最初と最後の要素 | a[0], a[-1] |
| start:stop のスライス (stop を含まない) | a[1:4] # [20 30 40] |
| 1つおきの要素、逆順 | a[::2], a[::-1] |
| 2次元配列の1要素 | m[1, 2] # 6 |
| 1行、1列 | m[0], m[:, 1] |
| 行と列のブロック | m[:2, 1:3] |
| 条件に合う要素 | a[a > 25] # [30 40 50] |
| 条件を組み合わせる | a[(a > 15) & (a < 45)] |
| 位置のリストで取り出す | a[[0, 2, 4]] |
| 条件に合う位置 | np.flatnonzero(a > 25) # [2 3 4] |
| 要素ごとに値を選ぶ | np.where(a > 25, a, 0) |
| スライスを変更する前にコピー | part = a[1:3].copy() |
| マスクで値を設定 | a[a > 40] = 0 |
演算とブロードキャスト
演算子は要素ごとに作用します。ブロードキャストは、スカラー、行、列をもう一方の配列の形状に合わせて引き伸ばします。
| やりたいこと | コード |
|---|---|
| 要素ごとの四則演算 | x + y, x - y, x * y, x / y, x ** 2 |
| スカラーとの演算 | x * 10 |
| 平方根、指数、対数 | np.sqrt(x), np.exp(x), np.log(x) |
| 絶対値、丸め | np.abs(x - 5), np.round(x / 3, 2) |
| 値を範囲内に収める | np.clip(x, 2, 8) |
| 要素ごとの最大値 | np.maximum(x, 3) |
| 内積 | x @ y # 37.0 |
| 各列を中心化 (行をブロードキャスト) | m - m.mean(axis=0) |
| 各行をスケーリング (列をブロードキャスト) | m / m.sum(axis=1, keepdims=True) |
| 浮動小数点数を安全に比較 | np.isclose(0.1 + 0.2, 0.3) # True, np.allclose(x, y) |
| 三角関数と円周率 | np.sin(np.pi / 2) # 1.0 |
axis に沿って集計する
axis=0 は行方向に処理して列ごとに1つの結果を返します。axis=1 は列方向に処理して行ごとに1つの結果を返します。
| やりたいこと | コード |
|---|---|
| 全要素の合計 | m.sum() # 21 |
| 列ごとに1つの結果 | m.sum(axis=0) # [5 7 9] |
| 行ごとに1つの結果 | m.sum(axis=1) # [ 6 15] |
| 平均と標準偏差 | m.mean(), m.std(), m.mean(axis=0) |
| 最小値、最大値 | m.min(), m.max(axis=1) |
| 最大値の位置 | m.argmax(), m.argmax(axis=1) |
| 中央値とパーセンタイル | np.median(m), np.percentile(m, [25, 50, 75]) |
| 累積合計 | np.cumsum(m, axis=1) |
| 全要素の積 | m.prod() # 720 |
| いずれか、すべて、件数 | (m > 4).any(), (m > 0).all(), np.count_nonzero(m > 2) |
形状変更と結合
reshape は要素をそのままに形状だけを変えるので、全体のサイズは同じでなければなりません。
| やりたいこと | コード |
|---|---|
| 新しい形状 | a.reshape(2, 3) |
| 1つのサイズを NumPy に計算させる | a.reshape(3, -1), a.reshape(-1, 1) |
| 1次元に平坦化 | m.ravel(), m.flatten() |
| 転置 | m.T |
| 次元を追加 | a[:, np.newaxis], np.expand_dims(a, axis=0) |
| サイズ1の次元を削除 | np.squeeze(np.ones((1, 3, 1))) |
| 既存の軸に沿って連結 | np.concatenate([a, a]) |
| 行または列を積み重ねる | np.vstack([m, m]), np.hstack([m, m]) |
| 1次元配列を列として並べる | np.column_stack([a, a ** 2]) |
| 新しい軸に沿って積み重ねる | np.stack([a, a], axis=0) # shape (2, 6) |
| 分割する | np.split(a, 3), np.array_split(a, 4) |
| 繰り返し、タイル状に並べる | np.repeat([1, 2], 2) # [1 1 2 2], np.tile([1, 2], 2) # [1 2 1 2] |
ソート、検索、ユニークな値
| やりたいこと | コード |
|---|---|
| ソートしたコピー | np.sort(a) |
| 大きい順 | np.sort(a)[::-1] |
| ソート順のインデックス | np.argsort(a) |
| 上位3つの値 | np.sort(a)[-3:] |
| ユニークな値とその件数 | values, counts = np.unique(a, return_counts=True) |
NumPy 2 の名前 (unique_values はソートされないことも) | np.unique_values(a), np.unique_counts(a) |
| 各要素がリストに含まれるか | np.isin(a, [1, 9]) |
| ソート済み配列への挿入位置 | np.searchsorted([1, 3, 5, 7], 4) # 2 |
| 集合演算 | np.intersect1d(a, [1, 2, 10]), np.union1d(a, [10]), np.setdiff1d(a, [1]) |
| 1つの列で行をソート | m[m[:, 1].argsort()] |
乱数
シードを指定した Generator を1つ作り、すべてそこから生成しましょう。何度実行しても同じ結果になります。
| やりたいこと | コード |
|---|---|
| シード付きのジェネレータ | rng = np.random.default_rng(42) |
| [0, 1) の浮動小数点数 | rng.random(3) |
| 整数 (上限を含まない) | rng.integers(1, 7, size=10) |
| 正規分布 | rng.normal(loc=0, scale=1, size=(2, 3)) |
| 範囲内の一様な浮動小数点数 | rng.uniform(5, 10, size=4) |
| リストから選ぶ | rng.choice(["a", "b", "c"], size=5) |
| 重複なしで選ぶ | rng.choice(10, size=3, replace=False) |
| 重み付きで選ぶ | rng.choice(["H", "T"], size=10, p=[0.7, 0.3]) |
| シャッフルしたコピー、その場でシャッフル | rng.permutation(a), rng.shuffle(a) |
| 二項分布とポアソン分布の件数 | rng.binomial(10, 0.5, size=5), rng.poisson(3, size=5) |
線形代数
| やりたいこと | コード |
|---|---|
| 行列の積 | A @ A |
| Ax = b を解く | np.linalg.solve(A, b) # [0.8 1.4] |
| 逆行列と行列式 | np.linalg.inv(A), np.linalg.det(A) |
| ベクトルの長さ | np.linalg.norm(b) |
| 固有値と固有ベクトル | values, vectors = np.linalg.eig(A) |
| 直線をフィット | slope, intercept = np.polyfit(x, y, 1) |
| 外積 | np.outer([1, 2], [3, 4]) |
| 対角成分とトレース | np.diag(A), np.trace(A) |
欠損値と特殊な値
np.nan は浮動小数点数の欠損を表します。これを含む演算はすべて nan になるので、nan 系の関数かマスクを使いましょう。
| やりたいこと | コード |
|---|---|
| 欠損値 | np.nan |
| 欠損値を見つける | np.isnan(v), np.isnan(v).sum() |
| 欠損値を除く | v[~np.isnan(v)] |
| 欠損値と無限大を置き換え | np.nan_to_num(v, nan=0.0, posinf=0.0) |
| 無限大と有限値の判定 | np.inf, np.isfinite(v) |
| NaN を無視する統計関数 | np.nanmean(v[:3]) # 2.0, np.nanmax(v) |
保存と読み込み
| やりたいこと | コード |
|---|---|
| 1つの配列をバイナリファイルに | np.save("data.npy", m), m = np.load("data.npy") |
| 複数の配列を1つのファイルに | np.savez("data.npz", x=x, y=y), np.load("data.npz")["x"] |
| CSV テキストに書き出す | np.savetxt("data.csv", m, delimiter=",", fmt="%d") |
| CSV テキストを読み込む | np.loadtxt("data.csv", delimiter=",") |
NumPy 2: 旧名称と今の書き方
NumPy 2 では多くのエイリアスが削除されたため、古いチュートリアルからコピーしたコードは AttributeError で失敗することがあります。
| やりたいこと | NumPy 2 | 旧書式 |
|---|---|---|
| 欠損値 | np.nan | np.NaN |
| 無限大 | np.inf | np.Inf |
| 64ビット浮動小数点型 | np.float64 | np.float_ |
| 曲線の下の面積 | np.trapezoid(y, x) | np.trapz(y, x) |
| 各要素が別の配列に含まれるか | np.isin(a, b) | np.in1d(a, b) |
| 行を積み重ねる | np.vstack([a, a]) | np.row_stack([a, a]) |
| 積 | np.prod(a) | np.product(a) |
| 乱数 | rng = np.random.default_rng(0)
rng.random(3) | np.random.seed(0)
np.random.rand(3) |
データサイエンスのコードの土台になる NumPy の呼び出しを、タスク別にまとめました。配列の作成と確認、インデックスとスライス、要素ごとの演算、axis に沿った集計、形状変更と結合、ソートと検索、乱数の生成、線形代数まで揃っています。各行は貼り付けてすぐ使える短いコードと、その動作を説明する一文で構成されています。
すべて Coddy で動いている NumPy 2 向けに書いており、最後の表には NumPy 2 で削除された名前と今の書き方を並べています。ほとんどの例では a = np.array([3, 1, 4, 1, 5, 9, 2, 6]) と m = np.arange(12).reshape(3, 4) を使います。Python 自体が初めての方は Python チートシート と Python プレイグラウンド から始めて、pandas、Matplotlib、scikit-learn のチートシートもあわせて手元に置いておきましょう。
NumPy チートシートのよくある質問
この NumPy チートシートは無料ですか？
はい。この NumPy チートシートは完全無料で、登録も不要です。ブックマークするか、ブラウザから PDF に印刷しておけば、reshape、axis ごとの合計、乱数の生成などの正確な書き方が必要なときにいつでも見返せます。
このチートシートはどの NumPy バージョンに対応していますか？
NumPy 2 です。すべてのコードは Coddy で動いている NumPy 2.4 で動作します。NumPy 2 では
np.NaN、np.float_、np.trapz、np.in1d などのエイリアスが削除されたため、最後の表でそれぞれを現在の名前と並べています。NumPy の axis=0 とはどういう意味ですか？
axis は集約されて消える次元のことです。2次元配列では
axis=0 は行方向に処理するので、m.sum(axis=0) は列ごとに1つの合計を返します。axis=1 は列方向に処理し、行ごとに1つの合計を返します。axis を指定しなければ、関数はすべての要素を使います。ビューとコピーの違いは何ですか？
a[1:3] のようなスライスはビューで、a とメモリを共有するため、スライスを変更すると a も変わります。a[a > 2] や a[[0, 2]] のようなブールマスクやインデックスのリストはコピーを返します。独立した配列が必要なときは .copy() を呼びましょう。Python のリストではなく NumPy 配列を使う理由は？
配列は1つの型を1つのメモリブロックに格納するので、配列全体の演算はコンパイル済みのコードで実行され、Python のループより何倍も速いことがよくあります。
a * 2 はすべての要素を2倍にしますが、[1, 2] * 2 はリストを繰り返します。pandas も scikit-learn も NumPy 配列の上に作られています。np.random.seed と default_rng のどちらを使うべきですか？
rng = np.random.default_rng(seed) を使い、rng.normal() や rng.integers() のように rng のメソッドを呼びましょう。こちらが推奨 API で、乱数ストリームの質が高く、隠れたグローバル状態もありません。np.random.seed と np.random.rand も動きますが、レガシーなインターフェースです。NumPy のコードをオンラインで実行できますか？
はい。無料の Matplotlib プレイグラウンド では、NumPy、pandas、Matplotlib、scikit-learn 入りの Python をブラウザで実行できるので、このチートシートのどのコードも貼り付けてすぐ試せます。インストールは不要です。Coddy の機械学習コースでは、実データを扱いながら NumPy を一歩ずつ学べます。
関連リソース
他のチートシート
