Python – ML/DLのmodel開発でよく使うNumPy

Python – ML/DLのmodel開発でよく使うNumPy

今回はJupyter notebookでmodelingする際に、個人的によく使うnumpy関連の関数を備忘も兼ねてまとめてみました。

numpy.arange()

numpy.arange() は連番または等差数列を生成する関数です。使い方は Python 本体の組み込み関数range()とほぼ同様です。

numpy.arange([start,] stop [,step], dtype=None)

numpy.arange(n) は 0 から n-1 の数字が並ぶ配列を返します。

In [1]: import numpy as np

In [2]: np.arange(10)

Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

numpy.arange(m, n) は m から n-1 の連番配列を返します。

In [3]: np.arange(5, 9)

Out[3]: array([5, 6, 7, 8])

第3引数 step は数字同士の間隔です。numpy.arange(m, n, s) は m から始まって s 間隔で n-1 までの等差数列を生成します。

In [4]: np.arange(1, 10, 2)

Out[4]: array([1, 3, 5, 7, 9])

オプション引数 dtype には要素のデータ型を渡します(省略すると入力値から類推して自動的にデータ型が決定されます)。

In [5]: np.arange(10, dtype=float)

Out[5]: array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

reshape関数を使用すると、連続数字の二次元配列を生成することができます。

In [6]: np.arange(1, 10).reshape(3, 3)

Out[6]:
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

numpy.zeros()

numpy.zeros() は 0 で埋め尽くされた配列を生成します。

numpy.zeros(shape, dtype=None, order="C")

numpy.zeros(9) は 9 個の 0.0 が並ぶ配列を生成します。

In [7]: np.zeros(9)

Out[7]: array([0., 0., 0., 0., 0., 0., 0., 0., 0.])

デフォルトでは要素のデータ型はfloat型となります。データ型はdtypeで指定することができます。

In [8]: np.zeros(9, dtype=int)

Out[8]: array([0, 0, 0, 0, 0, 0, 0, 0, 0])

shape にタプルを渡すと、配列の形が指定できます。

In [9]: np.zeros((3, 3), dtype=int)

Out[9]:
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

numpy.zeros_like()

numpy.zeros_like() は与えられた引数と同じ形状の 0 で埋め尽くされた配列を生成します。

numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)

a に 2 × 3 配列を渡すと、0 で埋め尽くされた 2 × 3 配列が生成されます。

In [11]: arr = np.array([[1, 2, 3], [4, 5, 6]])
    ...: arr

Out[11]:
array([[1, 2, 3],
       [4, 5, 6]])

In [12]: np.zeros_like(arr)

Out[12]:
array([[0, 0, 0],
       [0, 0, 0]])

numpy.ones()

numpy.ones() は 1 で埋め尽くされた配列を生成します。

numpy.ones(shape, dtype=None, order="C")

numpy.ones(9) は 9 個の 1 が並ぶ配列を生成します。データ型は dtype で指定します (デフォルトは float)。

In [13]: np.ones(9, dtype=int)

Out[13]: array([1, 1, 1, 1, 1, 1, 1, 1, 1])

shape にタプルを渡して配列の形を指定することができます。

In [14]: np.ones((3, 3), dtype=int)

Out[14]:
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

numpy.ones_like()

numpy.ones_like() は与えられた引数と同じ形状で全ての要素を 1 とした配列を生成します。

numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)

a に 2 × 4 の配列を渡すと、1 で埋め尽くされた 2 × 4 の配列が生成されます。

In [15]: arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
    ...: arr

Out[15]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

In [16]: np.ones_like(arr)
Out[16]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1]])

numpy.full()

numpy.full() は同じ要素で埋め尽くされた配列を生成します。

numpy.full(shape, fill_value, dtype=None, order='C')

全ての要素が 5 である 2 × 3 の配列を作りたいときには、shape に (2, 3), fill_value に 5 を渡します。

In [17]: np.full((2, 3), 5, dtype="int32")

Out[17]:
array([[5, 5, 5],
       [5, 5, 5]], dtype=int32)

numpy.full_like()

numpy.full_like() は受け取った配列 a と同じ形状をもつ、指定要素 (fill_value) で埋め尽くされた配列を返します。

numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)

In [18]: arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
    ...: arr

Out[18]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

In [19]: np.full_like(arr, 9)

Out[19]:
array([[9, 9, 9, 9],
       [9, 9, 9, 9]])

numpy.eye()

numpy.eye() は対角線上に 1 が並ぶ配列を生成します。

numpy.eye(N, M=None, k=0, dtype=None, order='C')

3 × 3 の単位配列を作りたいときには引数 N に 3 を渡します。

In [20]: np.eye(3, dtype="int32")

Out[20]:
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]], dtype=int32)

引数 M には配列の列数を指定します(省略すると M = N です)。引数 k には対角線左上隅の 1 の位置を渡します。列(右)方向にずらす場合は正の値を、行(下)方向にずらす場合は負の値を指定します。

In [21]: np.eye(3, 4, k=1, dtype="int32")

Out[21]:
array([[0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]], dtype=int32)

numpy.identity()

numpy.identity() は主対角成分に 1 が並ぶ正方配列(単位配列)を生成します。

np.identity(n, dtype=None)

第1引数で配列のサイズを指定します。3×3 の単位配列を生成するときは次のようなコードを記述します。

In [23]: np.identity(3, dtype=int)

Out[23]:
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]])

numpy.matrix()

numpy.matrix() は文字列から配列を生成する関数です。

numpy.matrix(data, dtype=None, copy=True)

この関数で配列を生成するときは、各行を “;” で区切って指定します。

In [24]: np.matrix("1 2 3 ; 4 5 6 ; 7 8 9")

Out[24]:
matrix([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])

各要素のデータ型は dtype で指定します。データ型は複素数(complex)です。

In [25]: np.matrix("1 2 3 ; 4 5 6", dtype="complex")

Out[25]:
matrix([[1.+0.j, 2.+0.j, 3.+0.j],
        [4.+0.j, 5.+0.j, 6.+0.j]])

numpy.linspace()

numpy.linspace() は開始値 (start) から終了値 (stop) まで均等間隔に数字を並べます(等差数列を生成します)。

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

第 3 引数 num には要素数を指定します (デフォルトは 50)。[10 20 30 40 50] という配列を作る場合は次のようになります。

In [27]: np.linspace(10, 100, 10, dtype=int)

Out[27]: array([ 10,  20,  30,  40,  50,  60,  70,  80,  90, 100])

retstep は配列のあとに公差を表示するか否かのオプションです。デフォルトは False になっているので、表示したいときは True を指定します。

In [28]: np.linspace(10, 20, 3, retstep=True)

Out[28]: (array([10., 15., 20.]), 5.0)

numpy.logspace()

numpy.logspace() は対数スケールで等間隔の配列を生成します。

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

endpoint が True であるとき、配列の最初の要素は base ** start, 最後の要素は base ** stop です。要素の個数は num で指定します。たとえば、102 から 104 まで 5 個の要素を対数スケールで等間隔に並べる場合は次のコードを記述します。

In [30]: x = np.logspace(2.0, 4.0, num=5)
    ...: x

Out[30]:
array([  100.        ,   316.22776602,  1000.        ,  3162.27766017,
       10000.        ])

In [31]: np.log10(x)

Out[31]: array([2. , 2.5, 3. , 3.5, 4. ])

endpoint を False に設定すると、stop を含まない形で配列を生成します。

In [34]: x = np.logspace(2.0, 4.0, num=5, endpoint=False)
    ...: x

Out[34]:
array([ 100., 251.18864315, 630.95734448, 1584.89319246, 3981.07170553])

In [35]: np.log10(x)

Out[35]: array([2. , 2.4, 2.8, 3.2, 3.6])

numpy.geomspace()

numpy.geomspace() は等比数列 (geometric progression) を返します。

numpy.geomspace(start, stop, num=50, endpoint=True, dtype=None, axis=0)

start=1, stop=10000, num=5 を指定すると、1 から 10000 まで公比 10 で 5 個の数が並びます。

In [36]: np.geomspace(1, 10000, 5, dtype=np.int64)

Out[36]: array([1, 10, 100, 1000, 10000])

endpoint に False を渡すと、stop で指定した値を含まないように等比数列を生成します。

In [37]: np.geomspace(1, 10000, 4, endpoint=False)

Out[37]: array([1., 10., 100., 1000.])

numpy.diag()

numpy.diag() は対角配列を生成、もしくは配列の対角成分を抜き出す関数です。

numpy.diag(v, k=0)

第1引数 v に 1次元配列を渡すと、渡した配列を右斜めの対角要素とする(それ以外の要素を 0 とする)2次元配列を返します。第2引数 k でオフセットを指定することができます(正ならば列方向、負ならば行方向にずらします)。

In [38]: v = np.array([1, 2, 3])
    ...: v
Out[38]: array([1, 2, 3])

In [39]: np.diag(v)
Out[39]:
array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])

In [40]: np.diag(v, 2)
Out[40]:
array([[0, 0, 1, 0, 0],
       [0, 0, 0, 2, 0],
       [0, 0, 0, 0, 3],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

In [41]: np.diag(v, -2)
Out[41]:
array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [1, 0, 0, 0, 0],
       [0, 2, 0, 0, 0],
       [0, 0, 3, 0, 0]])

第1引数 v に 2次元配列を渡すと、配列から右斜めの対角線に並ぶ要素を抜き出して 1 次元配列として返します。第2引数 k はオフセットです。

In [43]: x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
    ...: x

Out[43]:
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

In [44]: np.diag(x)
Out[44]: array([1, 5, 9])

In [45]: np.diag(x, 1)
Out[45]: array([2, 6])

In [46]: np.diag(x, -1)
Out[46]: array([4, 8])

numpy.fromfunction()

numpy.fromfunction() は、第1引数に渡した関数を使って配列を生成します。

numpy.fromfunction(function, shape, **kwargs)

2変数 i と j の関数を渡すと、2次元配列におけるインデックス (i, j) の要素をその関数にしたがって決定することになります。

In [47]: np.fromfunction(lambda i, j: i + j, (3, 4), dtype=int)
Out[47]:
array([[0, 1, 2, 3],
       [1, 2, 3, 4],
       [2, 3, 4, 5]])

3変数 i, j, k の関数を渡すと、3次元配列を生成します。

In [48]: np.fromfunction(lambda i, j, k: i * j + k, (2, 3, 4), dtype=int)
Out[48]:
array([[[0, 1, 2, 3],
        [0, 1, 2, 3],
        [0, 1, 2, 3]],

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

まとめ

ということで、Python – ML/DLのmodel開発でよく使うNumPyについて記載しました。Jupyter notebookでmodelingするときによく使っているnumpyは他にもあるので、以下の記事もご参考いただければと思います。

(Visited 45 times, 1 visits today)