Day 027 — numpy入門（配列操作・数値計算）

2026-05-06 白 / Phase 1 コーディング numpy入門（配列操作・数値計算）

📚 背景知識（読んでから問題へ）

numpyは「数値の塊（配列）をまとめて操るための道具箱」です。Pythonのリストと違い、numpyの配列（ndarray）は全要素に対して一気に計算できるため、ループを書かずに高速処理できます。

今日のポイント：配列の形（shape）と変形（reshape）

shape = 配列の「縦×横」の構造
例: shape (3, 4) → 3行4列の表
  • arr.shape → 配列の形を確認
  • arr.reshape(行, 列) → 形を変える（要素数は変えられない）
  • arr.flatten() → どんな形でも1次元に戻す
  • np.zeros(shape) / np.ones(shape) → 0や1で埋めた配列を作る
  • np.arange(start, stop, step) → Pythonのrange()のnumpy版

なぜKaggleで重要？

モデルに渡すデータは「行列」（2次元配列）の形であることがほとんどです。reshapeを使いこなせないと、エラーが多発します。特に画像データ（28×28ピクセルを784次元に変換するなど）では頻繁に登場します。

📝 問題

以下のタスクをnumpyを使って実装してください。

タスク:

  1. 0から23までの整数を含む1次元配列を作成する（要素数24）
  2. その配列を「4行6列」の2次元配列に変形する
  3. 変形後の配列の「2行目（インデックス1）」だけを取り出す
  4. 変形後の配列の「3列目（インデックス2）」だけを取り出す
  5. 変形後の配列の各行の合計を計算する（結果は4つの値）
  6. 変形後の配列の各列の平均を計算する（結果は6つの値）

出力例:

▶ 出力を見る
1次元配列: [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
4行6列:\n
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]
2行目: [ 6  7  8  9 10 11]
3列目: [ 2  8 14 20]
各行の合計: [15 51 87 123]
各列の平均: [ 9. 10. 11. 12. 13. 14.]

🔍 ヒント（段階的開示）

ヒント1（方向性）

numpyのarange、reshape、スライス（[行, 列]記法）、sum、meanを組み合わせて解きます。まず1次元配列を作ってから変形しましょう。

ヒント2（アプローチ）
  • np.arange(24) で0〜23の配列を作成
  • .reshape(4, 6) で形を変える
  • arr[1] または arr[1, :] で2行目を取得
  • arr[:, 2] で3列目を取得（「:」は「全て」の意味）
  • arr.sum(axis=1) で行ごとの合計（axis=1 → 横方向に足す）
  • arr.mean(axis=0) で列ごとの平均（axis=0 → 縦方向に平均）
ヒント3（コード骨格）
import numpy as np

# 1. 0から23の1次元配列
arr1d = np.arange(__)

# 2. 4行6列に変形
arr2d = arr1d.reshape(__, __)

# 3. 2行目（インデックス1）
row1 = arr2d[__, :]

# 4. 3列目（インデックス2）
col2 = arr2d[:, __]

# 5. 各行の合計
row_sum = arr2d.sum(axis=__)

# 6. 各列の平均
col_mean = arr2d.mean(axis=__)

✅ 模範解答

import numpy as np

# 1. 0から23までの整数（24要素）
arr1d = np.arange(24)
print("1次元配列:", arr1d)

# 2. 4行6列に変形
arr2d = arr1d.reshape(4, 6)
print("4行6列:")
print(arr2d)

# 3. 2行目（インデックス1）を取り出す
row1 = arr2d[1, :]
print("2行目:", row1)

# 4. 3列目（インデックス2）を取り出す
col2 = arr2d[:, 2]
print("3列目:", col2)

# 5. 各行の合計（axis=1: 横方向に足す）
row_sum = arr2d.sum(axis=1)
print("各行の合計:", row_sum)

# 6. 各列の平均（axis=0: 縦方向に平均）
col_mean = arr2d.mean(axis=0)
print("各列の平均:", col_mean)

🪜 Step-by-Step 解説

1
1次元配列を作る
arr1d = np.arange(24)
# [ 0  1  2  3 ... 23]

np.arange(24) はPythonのrange(24)と同じ感覚で使えます。結果はリストではなくndarray（numpy配列）になります。

2
形を変える（reshape）
arr2d = arr1d.reshape(4, 6)

「24個の要素を4行6列に並べ直す」というイメージです。4×6=24なので要素数が合っています。要素数が合わないとエラーになります（例: reshape(3, 6) はNG、3×6=18≠24）。

3
行を取り出す（スライス）
row1 = arr2d[1, :]  # または arr2d[1]
# [ 6  7  8  9 10 11]

[行番号, 列番号] の記法を使います。:は「全て」の意味。「1行目」は0から数えてインデックス1です。

4
列を取り出す
col2 = arr2d[:, 2]
# [ 2  8 14 20]

[:, 2] は「全行の、2番目の列」という意味。Excelで特定の列を選ぶ感覚です。

5
各行の合計（axis=1）
row_sum = arr2d.sum(axis=1)
# [15 51 87 123]

axis=1は「列方向（横方向）に計算する」という意味。1行目: 0+1+2+3+4+5=15、2行目: 6+7+8+9+10+11=51、...

6
各列の平均（axis=0）
col_mean = arr2d.mean(axis=0)
# [ 9. 10. 11. 12. 13. 14.]

axis=0は「行方向（縦方向）に計算する」という意味。1列目: (0+6+12+18)/4=9.0。

📐 数学・統計の補足（文系向け）

axisの直感的な理解

axisは「どの方向に計算するか」を指定します：

axis=0 → 縦方向（行をまたいで計算）→ 結果は列の数だけ出る
axis=1 → 横方向（列をまたいで計算）→ 結果は行の数だけ出る

Excelで例えると：

  • axis=0でsum → 各列の縦合計（Excelの「列合計」）
  • axis=1でsum → 各行の横合計（Excelの「行合計」）

最初は混乱しますが、「axis=0→縦、axis=1→横」と覚えると楽になります。

🏆 Kaggleでの実践的な使い方

画像データの変換（定番のreshape）

# MNISTデータセット（手書き数字）
# 元の形: (60000, 28, 28) → 6万枚の28×28ピクセル画像
# モデルに入力するため1次元に変換
X = images.reshape(60000, -1)  # → (60000, 784)
# -1 は「残りの次元を自動計算」という意味

特徴量の集計

# コンペのデータで「ユーザーごとの購入額合計」を計算する際も
# 内部的にはaxis=0やaxis=1の考え方が使われています
user_total = purchase_matrix.sum(axis=1)

⚠️ よくある誤解・ミス

誤解・ミスなぜ起こるか正しい理解
reshape後に元の配列も変わったreshapeはビュー（参照）を返すことがある変更したくない場合は.copy()を使う
axis=0とaxis=1を間違える日本語の「行・列」と英語の概念がずれる「0→縦、1→横」と暗記する
arr[1]とarr[1, :]の違いが分からないどちらも同じ結果だが記法が違うどちらでもOK。2次元では[行, 列]記法を推奨
np.arangeとrangeの違い見た目が似ているrangeはリスト、np.arangeはndarray。計算速度が全然違う

🚀 次のステップ

  • 発展: np.concatenate・np.vstack・np.hstack で配列を結合する
  • 次回予告: pandas入門（DataFrame・Series）— Excelのように表形式データを操作する

🎯 自己評価

自分の回答

気づき・メモ