NumPy

[Python] NumPyで2次元配列を作成する方法

2025-01-18更新日: 2025-01-18

NumPyで2次元配列を作成するには、numpy.array()関数を使用します。

リストのリストを引数として渡すことで、2次元配列を作成できます。

例えば、numpy.array([[1, 2, 3], [4, 5, 6]])は、2行3列の2次元配列を生成します。

また、numpy.zeros()やnumpy.ones()を使って、すべての要素が0や1の2次元配列を作成することも可能です。

目次から探す

2次元配列の作成方法
2次元配列の基本操作
2次元配列の形状変更
2次元配列の結合と分割
2次元配列の応用例
まとめ

2次元配列の作成方法

numpy.array()を使った2次元配列の作成

numpy.array()を使用すると、リストやタプルから簡単に2次元配列を作成できます。

以下はその例です。

import numpy as np
# リストから2次元配列を作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d)

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

このコードでは、2つのリストを含むリストを渡すことで、2次元配列を生成しています。

numpy.zeros()を使った2次元配列の作成

numpy.zeros()を使うと、指定した形状のすべての要素が0の2次元配列を作成できます。

import numpy as np
# 3行2列のゼロ行列を作成
zeros_array = np.zeros((3, 2))
print(zeros_array)

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

このコードでは、3行2列のゼロで埋められた配列を作成しています。

numpy.ones()を使った2次元配列の作成

numpy.ones()を使用すると、すべての要素が1の2次元配列を作成できます。

import numpy as np
# 2行3列の行列を作成
ones_array = np.ones((2, 3))
print(ones_array)

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

このコードでは、2行3列の1で埋められた配列を生成しています。

numpy.full()を使った任意の値で埋めた2次元配列の作成

numpy.full()を使うと、指定した値で埋められた2次元配列を作成できます。

import numpy as np
# 2行2列の配列を5で埋める
full_array = np.full((2, 2), 5)
print(full_array)

[[5 5]
 [5 5]]

このコードでは、2行2列の配列を5で埋めています。

numpy.empty()を使った未初期化の2次元配列の作成

numpy.empty()を使用すると、未初期化の2次元配列を作成できます。

これは、メモリを確保するだけで、値は不定です。

import numpy as np
# 2行3列の未初期化の配列を作成
empty_array = np.empty((2, 3))
print(empty_array)

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

出力結果は未初期化のため、実行するたびに異なる値が表示されることがあります。

numpy.arange()とreshape()を使った2次元配列の作成

numpy.arange()を使って連続した数値を生成し、reshape()で2次元配列に変換することができます。

import numpy as np
# 0から5までの数値を生成し、2行3列の配列に変形
arange_array = np.arange(6).reshape((2, 3))
print(arange_array)

[[0 1 2]
 [3 4 5]]

このコードでは、0から5までの数値を持つ2行3列の配列を作成しています。

2次元配列の基本操作

要素へのアクセス方法

2次元配列の要素には、行と列のインデックスを使ってアクセスします。

インデックスは0から始まります。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 1行2列の要素にアクセス
element = array_2d[0, 1]  # 2を取得
print(element)

このコードでは、1行2列の要素にアクセスし、その値を取得しています。

要素の変更方法

特定の要素を変更するには、インデックスを指定して新しい値を代入します。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 1行2列の要素を変更
array_2d[0, 1] = 10
print(array_2d)

[[ 1 10  3]
 [ 4  5  6]]

このコードでは、1行2列の要素を10に変更しています。

行や列の抽出方法

行や列を抽出するには、スライシングを使用します。

行全体や列全体を簡単に取得できます。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 1行目を抽出
first_row = array_2d[0, :]
# 2列目を抽出
second_column = array_2d[:, 1]
print("1行目:", first_row)
print("2列目:", second_column)

1行目: [1 2 3]
2列目: [2 5]

このコードでは、1行目と2列目をそれぞれ抽出しています。

配列の形状を確認するshape属性

shape属性を使用すると、配列の形状(行数と列数)を確認できます。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 配列の形状を確認
shape = array_2d.shape
print(shape)

(2, 3)

このコードでは、配列の形状が2行3列であることを示しています。

配列の次元数を確認するndim属性

ndim属性を使用すると、配列の次元数を確認できます。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 配列の次元数を確認
dimensions = array_2d.ndim
print(dimensions)

このコードでは、配列が2次元であることを示しています。

2次元配列の形状変更

reshape()を使った形状変更

reshape()メソッドを使用すると、配列の形状を変更できます。

元のデータはそのままで、異なる形状の配列を作成します。

import numpy as np
# 1次元配列の作成
array_1d = np.array([1, 2, 3, 4, 5, 6])
# 2行3列の形状に変更
array_2d = array_1d.reshape((2, 3))
print(array_2d)

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

このコードでは、1次元配列を2行3列の2次元配列に変形しています。

flatten()を使った1次元配列への変換

flatten()メソッドを使用すると、2次元配列を1次元配列に変換できます。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 1次元配列に変換
array_1d = array_2d.flatten()
print(array_1d)

[1 2 3 4 5 6]

このコードでは、2次元配列を1次元配列に変換しています。

transpose()を使った転置

transpose()メソッドを使用すると、配列を転置できます。

行と列が入れ替わります。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 転置
transposed_array = array_2d.transpose()
print(transposed_array)

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

このコードでは、元の配列の行と列が入れ替わった転置配列を生成しています。

resize()とreshape()の違い

resize()とreshape()は似た機能を持っていますが、いくつかの重要な違いがあります。

特徴	`reshape()`	`resize()`
元の配列の変更	しない	する(元の配列が変更される)
新しい形状の指定	新しい形状を指定する	新しい形状を指定する
サイズの不一致	エラーが発生する	サイズが不一致の場合、配列が切り詰められるか、ゼロで埋められる

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# reshapeの使用
reshaped_array = array_2d.reshape((3, 2))
print("Reshaped Array:\n", reshaped_array)
# resizeの使用
array_2d.resize((3, 2))
print("Resized Array:\n", array_2d)

Reshaped Array:
 [[1 2]
 [3 4]
 [5 6]]
Resized Array:
 [[1 2]
 [3 4]
 [5 6]]

このコードでは、reshape()で新しい配列を作成し、resize()で元の配列を変更しています。

2次元配列の結合と分割

hstack()を使った水平方向の結合

hstack()を使用すると、複数の配列を水平方向に結合できます。

配列の行数が同じである必要があります。

import numpy as np
# 2つの2次元配列を作成
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
# 水平方向に結合
hstacked_array = np.hstack((array1, array2))
print(hstacked_array)

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

このコードでは、2つの配列を水平方向に結合しています。

vstack()を使った垂直方向の結合

vstack()を使用すると、複数の配列を垂直方向に結合できます。

配列の列数が同じである必要があります。

import numpy as np
# 2つの2次元配列を作成
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
# 垂直方向に結合
vstacked_array = np.vstack((array1, array2))
print(vstacked_array)

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

このコードでは、2つの配列を垂直方向に結合しています。

concatenate()を使った任意の軸での結合

concatenate()を使用すると、任意の軸で配列を結合できます。

axis引数で結合する軸を指定します。

import numpy as np
# 2つの2次元配列を作成
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
# 水平方向に結合
concatenated_array_h = np.concatenate((array1, array2), axis=1)
print("水平方向の結合:\n", concatenated_array_h)
# 垂直方向に結合
concatenated_array_v = np.concatenate((array1, array2), axis=0)
print("垂直方向の結合:\n", concatenated_array_v)

水平方向の結合:
 [[1 2 5 6]
 [3 4 7 8]]
垂直方向の結合:
 [[1 2]
 [3 4]
 [5 6]
 [7 8]]

このコードでは、concatenate()を使って水平方向と垂直方向の両方で配列を結合しています。

split()を使った配列の分割

split()を使用すると、配列を指定した数の部分に分割できます。

indices_or_sections引数で分割の位置を指定します。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 2つの部分に分割
split_arrays = np.split(array_2d, 3)
for i, arr in enumerate(split_arrays):
    print(f"分割された配列 {i+1}:\n", arr)

分割された配列 1:
 [[1 2 3]]
分割された配列 2:
 [[4 5 6]]
分割された配列 3:
 [[7 8 9]]

このコードでは、3つの部分に分割された配列を表示しています。

hsplit()とvsplit()を使った水平方向・垂直方向の分割

hsplit()を使用すると、配列を水平方向に分割できます。

vsplit()を使用すると、配列を垂直方向に分割できます。

import numpy as np
# 2次元配列の作成
array_2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
# 水平方向に分割
hsplit_arrays = np.hsplit(array_2d, 2)
for i, arr in enumerate(hsplit_arrays):
    print(f"水平方向に分割された配列 {i+1}:\n", arr)
# 垂直方向に分割
vsplit_arrays = np.vsplit(array_2d, 2)
for i, arr in enumerate(vsplit_arrays):
    print(f"垂直方向に分割された配列 {i+1}:\n", arr)

水平方向に分割された配列 1:
 [[1 2]
 [5 6]]
水平方向に分割された配列 2:
 [[3 4]
 [7 8]]
垂直方向に分割された配列 1:
 [[1 2 3 4]]
垂直方向に分割された配列 2:
 [[5 6 7 8]]

このコードでは、配列を水平方向と垂直方向に分割した結果を表示しています。

2次元配列の応用例

2次元配列を使った行列演算

NumPyの2次元配列は、行列演算に非常に便利です。

行列の加算、減算、乗算、転置などが簡単に行えます。

import numpy as np
# 2つの行列を作成
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
# 行列の加算
matrix_sum = matrix_a + matrix_b
print("行列の加算:\n", matrix_sum)
# 行列の乗算
matrix_product = np.dot(matrix_a, matrix_b)
print("行列の乗算:\n", matrix_product)

行列の加算:
 [[ 6  8]
 [10 12]]
行列の乗算:
 [[19 22]
 [43 50]]

このコードでは、2つの行列の加算と乗算を行っています。

2次元配列を使った画像データの処理

画像は通常、2次元配列として表現されます。

NumPyを使用して画像データを処理することができます。

import numpy as np
import matplotlib.pyplot as plt
# 画像データの作成(例としてランダムなデータを使用)
image_data = np.random.rand(100, 100)
# 画像を表示
plt.imshow(image_data, cmap='gray')
plt.title("ランダムな画像データ")
plt.show()

このコードでは、ランダムなデータを生成し、グレースケールの画像として表示しています。

2次元配列を使ったデータ分析

2次元配列は、データ分析においても広く使用されます。

例えば、データフレームのように行と列でデータを管理できます。

import numpy as np
import pandas as pd
# データの作成
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
df = pd.DataFrame(data, columns=['A', 'B', 'C'])
# 各列の平均を計算
mean_values = df.mean()
print("各列の平均:\n", mean_values)

各列の平均:
 A    4.0
B    5.0
C    6.0
dtype: float64

このコードでは、2次元配列をデータフレームに変換し、各列の平均を計算しています。

2次元配列を使った統計計算

NumPyを使用すると、2次元配列に対して統計計算を簡単に行うことができます。

例えば、合計、平均、標準偏差などです。

import numpy as np
# 2次元配列の作成
data = np.array([[1, 2, 3], [4, 5, 6]])
# 各列の合計
column_sum = np.sum(data, axis=0)
print("各列の合計:\n", column_sum)
# 各行の平均
row_mean = np.mean(data, axis=1)
print("各行の平均:\n", row_mean)

各列の合計:
 [5 7 9]
各行の平均:
 [2. 5.]

このコードでは、各列の合計と各行の平均を計算しています。

2次元配列を使ったフィルタリング処理

2次元配列を使用して、データのフィルタリング処理を行うことができます。

条件に基づいて特定の要素を抽出できます。

import numpy as np
# 2次元配列の作成
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 5より大きい要素をフィルタリング
filtered_data = data[data > 5]
print("5より大きい要素:\n", filtered_data)