[Python] ndarrayで4次元配列を扱う方法を解説

pip install numpy

import numpy as np
# 4次元配列の作成
array_4d = np.array([[[[1, 2], [3, 4]], [[5, 6], [7, 8]]]])
print(array_4d)

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

import numpy as np
# 4次元配列の初期化(すべて0)
zeros_4d = np.zeros((2, 3, 4, 5))  # 形状は(2, 3, 4, 5)
print(zeros_4d)

[[[[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.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]]]

import numpy as np
# 4次元配列の作成
array_4d = np.arange(24).reshape((2, 3, 4, 1))  # 形状は(2, 3, 4, 1)
print(array_4d)

[[[[ 0]
  [ 1]
  [ 2]
  [ 3]]
 [[[ 4]
  [ 5]
  [ 6]
  [ 7]]]
 [[[ 8]
  [ 9]
  [10]
  [11]]
 [[[12]
  [13]
  [14]
  [15]]]
 [[[16]
  [17]
  [18]
  [19]]]
 [[[20]
  [21]
  [22]
  [23]]]]]

import numpy as np
# 4次元配列の作成
array_4d = np.array([[[[1, 2], [3, 4]], [[5, 6], [7, 8]]]])
# 要素へのアクセス
element = array_4d[0, 1, 0, 1]  # 1次元目0、2次元目1、3次元目0、4次元目1の要素
print(element)

6

import numpy as np
# 4次元配列の作成
array_4d = np.array([[[[1, 2], [3, 4]], [[5, 6], [7, 8]]]])
# 要素の変更
array_4d[0, 1, 0, 1] = 10  # 変更前の要素6を10に変更
print(array_4d)

[[[[ 1  2]
  [ 3  4]]
 [[[ 5 10]
  [ 7  8]]]]

import numpy as np
# 4次元配列の作成
array_4d = np.arange(24).reshape((2, 3, 4, 1))  # 形状は(2, 3, 4, 1)
# スライシング
sliced_array = array_4d[:, 1:3, :, :]  # 1次元目は全て、2次元目は1から2まで
print(sliced_array)

[[[[ 4]
  [ 5]
  [ 6]
  [ 7]]]
 [[[ 8]
  [ 9]
  [10]
  [11]]]]

import numpy as np
# 4次元配列の作成
array_4d = np.arange(24).reshape((2, 3, 4, 1))  # 形状は(2, 3, 4, 1)
# 転置
transposed_array = np.transpose(array_4d, (0, 2, 1, 3))  # 軸を入れ替え
print(transposed_array.shape)

(2, 4, 3, 1)

import numpy as np
# 2つのカラー画像(高さ、幅、色チャネル)を持つ4次元配列の作成
image_batch = np.random.rand(2, 256, 256, 3)  # 2つの256x256のRGB画像
print(image_batch.shape)

(2, 256, 256, 3)

import numpy as np
# 3つのセンサーからのデータを持つ4次元配列の作成
time_series_data = np.random.rand(10, 3, 5, 1)  # 10時間、3センサー、5測定値
print(time_series_data.shape)

(10, 3, 5, 1)

import numpy as np
# 3次元空間における温度データのシミュレーション
simulation_data = np.random.rand(5, 10, 10, 3)  # 5時間、10x10の空間、3つの物理量
print(simulation_data.shape)

(5, 10, 10, 3)

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 4次元配列の作成
data = np.random.rand(100, 4)  # 100個のデータポイント(x, y, z, color_value)
# 3次元プロットの作成
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
sc = ax.scatter(data[:, 0], data[:, 1], data[:, 2], c=data[:, 3], cmap='viridis')
# カラーバーの追加
plt.colorbar(sc)
plt.title('3D Scatter Plot with Color Mapping')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 4次元配列の作成
data = np.random.rand(100, 4)  # 100個のデータポイント(x, y, z, size)
# 3次元プロットの作成
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
sc = ax.scatter(data[:, 0], data[:, 1], data[:, 2], s=data[:, 3] * 100, alpha=0.5)
plt.title('3D Scatter Plot with Varying Sizes')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.show()

import numpy as np
# float32型の4次元配列を作成
array_4d = np.zeros((2, 3, 4, 5), dtype=np.float32)  # メモリ効率を向上
print(array_4d.nbytes)  # 使用メモリ量を表示

480

import numpy as np
# 4次元配列の作成
array_4d = np.random.rand(2, 3, 4, 5)
# ベクトル化を利用した計算
result = array_4d * 2 + 1  # 配列全体に対して演算
print(result)

import numpy as np
from joblib import Parallel, delayed
# 4次元配列の作成
array_4d = np.random.rand(2, 3, 4, 5)
# 並列処理を利用した計算
def process_element(x):
    return x * 2 + 1
# 各要素に対して並列処理を実行
result = Parallel(n_jobs=-1)(delayed(process_element)(x) for x in array_4d.flatten())
result_array = np.array(result).reshape(array_4d.shape)
print(result_array)