スポンサーリンク

【Python NumPy 独学】NumPy Array を使うときの知っておきたい基本ポイントを、サンプルコードとともに、サクッとまとめました【Python 入門】

スポンサーリンク
numpy np array type axis shape size dtype itemsize ndarray 2 numpy
スポンサーリンク
スポンサーリンク
スポンサーリンク

NumPyは、Pythonで数値計算を高速に行うときに役立つライブラリです。

NumPyを使う場面では、データをベクトルや行列、多次元配列として扱うことが多くなります。

なので、NumPyを使うプログラミングでは、

ベクトルや行列をサクサク扱えることが重要になります。

そこで本記事では、

NumPyアレイを使いこなしていきたいあなたのために、

NumPyアレイの知っておくと役立つポイントをご紹介します。

 

スポンサーリンク

【Python NumPy 独学】NumPy Array を使うときの知っておきたい基本ポイントを、サンプルコードとともに、サクッとまとめました【Python 入門】

 

NunPyには、アレイに対して

  • 大きさ

などの属性があります。

加えて、アレイの各要素に対しての

  • バイトサイズ

の属性もあります。

データ分析や統計解析では、線形代数演算を行いますので、

データの形など、調べる方法を知っておくことが大事です。

そこでここからは定義した、すでに定義されているデータの中身の情報を調べる基本的な方法をまとめたいと思います。

  1. NumPyアレイの「型(type)」の調べ方
  2. NumPyアレイの「軸(axis)」の調べ方
  3. NumPyアレイの「形(shape)」の確認
  4. NumPyアレイの「大きさ(size)」の調べ方
  5. NumPyアレイの要素の「型(dtype)」の調べ方
  6. NumPyアレイの要素の「バイトサイズ(itemsize)」の調べ方

 

 

 

NumPyアレイの「型(type)」の調べ方

以上のように、NumPyには、ベクトルや行列データを格納できることがわかりました。

ここで1つ覚えておくポイントとして、

データの「型(type)」の知識があります。

データの型を調べる方法をやってみます。

python numpy type

上で定義した、NumPyアレイの型を調べています。

これらは「np,array( )」を使って定義しているので、

データ型は「numpy.ndarray」になります。

「ndarray」は、N次元配列(N-dimensional array)の略になります。

 

 

 

NumPyアレイの「軸(axis)」の調べ方

python numpy axis ndim

NumPyアレイは、多次元配列なので、

何次元か調べる方法があります。

『「変数名」+.(ドット)+ndim

を使います。

  • vector_arrayでは、1軸
  • matrix_arrayでは、2軸

ということがわかります。

 

 

 

NumPyアレイの「形」の確認(shape)

数値計算などでは、ベクトルや行列の「データの形」が重要です。

データの形によって、できる演算やできない演算がありますので、次元を意識してプログラミングする必要があります。

なので、データの形を確認する方法が役立ちます。

それが「shape(シェイプ)」です。

ndarray shape

In[8]: アレイを格納した変数の後ろに、

「.(ドット)」+shape

をかけばオッケーです。

変数名+「.(ドット)」+shape

の形で使います。

Out [8]:   ( 3 ,  ) 

と出ています。

  • かっこの左は行数、
  • かっこの右は列数

を表しています。

なので、3行で0列の1次元データであることを表しています。(これはベクトルですね)

Out [9]:   ( 2 ,  3 ) 

と出ています。

2行3列のデータ(行列)ということがわかります。

 

 

 

NumPyアレイの「大きさ(size)」の調べ方

python numpy size

NumPyアレイの多次元配列のすべての要素数を調べることができます。

『「変数名」+.(ドット)+size

を使います。

  • vector_arrayでは、3個
  • matrix_arrayでは、6個

のデータが全部であることがわかります。

 

 

 

NumPyアレイの要素の「型(type)」の調べ方

python numpy dtype

上の「type()」は、アレイ全体の型を調べています。

それに対して、アレイ内のそれぞれのデータ(全て同じ型)の型を調べることができます。

そのためには「変数名+(.ドット)+ dtype」が使えます。

上の例では、アレイ内の数値データは、

int64 : 64bitの整数型」であることがわかります。

 

 

 

NumPyアレイの要素の「バイトサイズ(itemsize)」の調べ方

python numpy itemsize bytesize

アレイ内のそれぞれのデータの大きさ(バイトサイズ)を調べることができます。

そのためには「変数名+(.ドット)+ itemsize」が使えます。

上の例では、アレイ内の数値データは、

8バイト」であることがわかります。

NumPyで定義されたアレイデータは、どのデータも

  • 同じ型
  • 同じサイズ

になっています。

なので、私たちユーザーは、大規模なデータを扱うときなどに、

前もって必要となるメモリの総量を計算することができます。

  • データの型
  • 1つのデータの必要データ容量
  • データの数

の情報から、以下のように、全体として必要なメモリ量を計算することができます。

(全体のメモリ量)=(1つのデータの必要メモリ量)×(データ数)

(1つのデータの必要メモリ量は、データの型で決まります)

上の例だと、

vector_arrayの場合

  • 1つのデータの必要メモリは8バイト

(itemsize を使って求めました)

  • データ数は3

(size を使って求めました)

なので、トータルのメモリは、

8×3=24バイト

と計算ができることになります。

 

 

 

 

というわけで、本記事では、

NumPyアレイを使いこなしていきたいあなたのために、

NumPyアレイの知っておくと役立つポイントをご紹介しました。

 

 

 

こちらもございます↓

スポンサーリンク
スポンサーリンク
スポンサーリンク
スポンサーリンク
スポンサーリンク
error: Content is protected !!
タイトルとURLをコピーしました