Python でデータ分析や統計、統計解析をやりたい
と思われる方も多いかと思います。
Pythonでこれらの処理を、よりラクに行う方法があります。
それは「NumPy」を使うことです。
NumPyを使うことで、統計に関する計算など、
通常のPythonで行うよりも、効率的で、よりラクに実行することができます。
Pythonでデータ分析や統計解析、機械学習、人工知能などをやってみたい
といった方は、NumPyを使えるようになるのは大きなメリットとなります。
というわけで、本記事では、
- NumPyとは？NumPyの読み方は？
- NumPyはどんな時に役立つの？
- NumPyの基本的な使い方（サンプルコードあり）
について、サクッとご紹介します。
【Python NumPy 独学】「NumPy」とは？読み方、何のために使うのか、基本的な使い方をサンプルコードとともに、まとめました【Python 入門】
NumPyとは？NumPyの読み方は？
NumPyの読み方は？
「NumPy」の読み方は、「ナンパイ」か「ナムパイ」です。
Numは、「Number（ナンバー）（ナムバー）」
Pyは、「Python（パイソン）」
これらの組み合わせなので、「ナンパイ」「ナムパイ」と読めます。
NumPyとは？
NumPyは、Pythonの機能を拡張するための、
外部パッケージ、ライブラリ、モジュール
になります。
通常のPythonよりも、数値計算をうまく扱うために使われます。
以下で少し詳しく説明しますね。
NumPyはどんな時に役立つの？
python numpy matrix
NumPyは、数値計算が得意な「Numeric」から作られました。
なので、NumPyは数値計算が得意な特徴を受け継いでいます。
それに対して、Pythonだけでも数値計算をできます。
しかし、Pythonでは、数値計算が遅い傾向があります。
遅くなる理由を説明しますね。
Pythonは変数の型を自動でつけてくれる言語（動的型付き言語）です。
なので、数値計算をするときにも、型を決める処理に時間がかかります。
結局、トータルとして、Pythonでの数値計算は遅いことになります。
この弱点を補ってくれるのが「NumPy」になります。
NumPyは、Pythonとは違う、外部のパッケージです。
Pythonと組み合わせて使うことができるライブラリ・モジュールになります。
Pythonと仲のいいお友達という感じです。
NumPyは、数値の情報を型付きで格納することで、数値計算のみに処理を集中できます。
また、NumPyは、内部で計算速度が速くなるC言語を組み合わせて記述されているので、Pythonのみで記述するよりも高速に演算ができます。
加えて、線形代数演算部分は、高速に動作するライブラリ（BLAS, ATLAS, Interl Math Kernel Library）などで実行されるので、さらに高速に処理することが可能です。
なので、Pythonで数値計算が関係する処理では、
その友達の「NumPy」さんにやってもらうのが吉というわけです。
「NumPy」を使うことで、ベクトル・行列演算などを、
よりスムーズに、高速に行うことができます。
具体的な応用分野としては、理工系や経済系、心理系など幅広く
- データ分析
- 統計解析
- 機械学習
- 人工知能
などで特に活躍します。
NumPyの基本的な使い方（サンプルコードあり）
NumPyの基本的な使い方をやってみます。
以下に目次を示します↓
- NumPyをインストールする
- NumPyを使えるようにする。読み込む（import）
- NumPyによるアレイの定義（ndarray）
Pythonは、アナコンダ環境でやっていきますね。
- もしアナコンダって何？
という方がおられたら、以下の記事をご覧ください↓
『【Python 環境構築】「Anaconda（アナコンダ）」とは？普通のPython環境との違いは？使うメリットはなに？についてサクッまとめました【anaconda python】』
まずは、Python環境を立ち上げます。
アナコンダを立ち上げましょう
真ん中上の、Jupyterの「Launch」（青色）部分をクリックします。
次に、右上の「New」をクリックし、「Python3」をクリックします。
これで Python3 の Jupyter Notebook が開き、準備ができました。
NumPyをインストールする
アナコンダを使う場合には、デフォルトでインストールされていると思いますので、インストールは不要です。
（もしアナコンダ以外でNumPyを使うのが初めてという方は、
最初にインストールが必要かと思います。）
NumPyを使えるようにする。読み込む（import）
NumPyは、まず召喚する必要があります。
Python本体には含まれていないからです。
そのためには「import（インポート）」を使います。
import numpy
で、NumPyを召喚しています。
as np
の部分は、「NumPy」を「np」で書きます、という宣言です。
「NumPy」を使う時に毎回 NumPy と打つのは面倒だからです。
ともあれ、これで「NumPy」を「np」として使うことができるようになりました。
NumPyによるベクトルの定義（array）
NumPyは数値計算が得意ですが、数値計算には、ベクトルデータがよく使われます。
NumPyにベクトルデータを定義してみます。
同じ型のデータが複数並んだデータを配列データと言います。
配列のことを「アレイ（array）」と言います。
なので、ベクトルデータは「アレイデータ」とも言います。
また「アレイ」に格納する、といった言い方をします。
NumPyにベクトルアレイを定義するには、
以下のように「array」を使います。
「array」は、「配列」の意味になります。
In[3] ： np.array( ベクトルデータ )
として、ベクトルデータを定義しています。
npの後に、「.（ドット）」を打って、「array( )」と続けます。
ベクトルデータは、リストで与えればオッケーです。
生成したベクトルアレイは、
変数「test_array」に格納しています。
変数の名前はなんでもいいです。
- 「リスト」ってなに？
って方は、以下の記事をどうぞ↓
『【Python 文法 独学】Python の「リスト」とは？リストの作成、定義、空のリスト、リストの要素など、サクッとまとめました【Python 学習 初心者】』
NumPyによる行列の定義（array）
NumPyに行列を定義するには、
以下のように「array」が使えます。
In[6] ： np.array( 行列データ )
として、行列データを定義しています。
npの後に、「.（ドット）」を打って、「array( )」と続けます。
行列データは、２次元リストで与えればオッケーです。
生成した行列アレイは、
変数「matrix_array」に格納しています。
（ちなみに、変数の名前はなんでもいいです）
というわけで、本記事では、
- NumPyとは？NumPyの読み方は？
- NumPyはどんな時に役立つの？
- NumPyの基本的な使い方（サンプルコードあり）
について、サクッとご紹介しました。
こちらもございます↓
「Numpy」については、こちらの書籍でも解説しています（無料）↓