NumPy: NumPy 入門

Q: ndarrayとPythonのarrayモジュールの違いは？

Python組み込みの array モジュールは1次元の均一配列のみをサポートし、ブロードキャスト、線形代数、FFT機能はありません。NumPyのndarrayは多次元データ、ブロードキャスト、豊富な数学関数をサポートしており、まったく次元の異なる存在です。

NumPyはPython科学計算の基盤です。機械学習、データ分析、工学シミュレーションのいずれを行うにしても、ほぼすべての数値計算ライブラリはNumPyの上に構築されています。この章では、Pythonリストのパフォーマンス上の問題点から始め、NumPyがどのように160倍の高速化を実現するのかを明らかにします。数値計算への第一歩です。

⚠️ 注意： 以下のコードは、ローカルの Python 環境で実行する必要があります。

1. 学習内容

❶ Pythonリストが数値計算を苦手とする理由
❷ NumPyの主な利点（高速化・メモリ効率・ブロードキャスト）
❸ ndarrayとPythonリストの主な違い
❹ NumPyエコシステムの概要
❺ NumPyのインストールと最初のプログラムの実行

2. 100万件データでの高速化の旅

(1) 問題：アリスのリストループ

アリスはデータアナリストで、100万個の乱数を2乗する必要があります。彼女は最も「自然な」Pythonコード、つまりリストの要素を1つずつ処理するforループを書きました。

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: リストの二乗（難易度 ⭐）

PYTHON

import time
import random

size = 1_000_000  # 1 million numbers
data = [random.random() for _ in range(size)]

start = time.time()
result = [x * x for x in data]
elapsed = time.time() - start

print(f"List comprehension: {elapsed:.4f} seconds")
# Typical output: List comprehension: 0.8000 seconds

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

アリスのコードは約0.8秒で実行されます。それほど悪くはないように思えますが、同じ操作を数億件のデータポイントに対して行う必要が生じると、待ち時間は耐え難いものになります。

(2) 解決策：ボブのNumPyベクトル化

ボブはたった2行を変更しただけです。リストをnp.arrayに置き換え、ループを単一のベクトル化された乗算に置き換えました。

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: NumPyでの二乗（難易度 ⭐⭐）

PYTHON

import time
import numpy as np

size = 1_000_000  # 1 million numbers
data = np.random.random(size)

start = time.time()
result = data * data  # vectorized operation
elapsed = time.time() - start

print(f"NumPy vectorized: {elapsed:.4f} seconds")
# Typical output: NumPy vectorized: 0.0050 seconds

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

同じ100万個の数値でも、NumPyではわずか約5ミリ秒で処理されます — およそ160倍高速です。

(3) その成果：160倍高速化の理由

NumPyの高速さは「Pythonが速くなった」からではありません — 重要なのは計算をCに委譲し、連続メモリを使用することです。

内部はC言語: NumPyの中核的な演算はC/Fortranで実装されており、Pythonインタプリタの行ごとのオーバーヘッドを回避します
連続メモリ: ndarrayの要素はメモリ上に密に配置されるため、CPUキャッシュのヒット率が高くなります
ベクトル化: 1つの命令で配列全体を一度に処理するため、Pythonレベルのループは不要です

これがNumPyの核となる思想です — Pythonの使いやすさと、C言語の速度。

3. Pythonリストが数値計算を苦手とする理由

(1) ループのオーバーヘッド：インタプリタ実行

Pythonは動的型付け言語です。ループの各反復では、型チェック → メソッド検索 → 演算の実行 → 結果のボックス化という処理を通ります。数値計算において、これらの余分な手順は純粋な無駄です。

PYTHON

# Each iteration: type check + method lookup + boxing
result = []
for x in data:          # Python loop overhead per iteration
    result.append(x * x)  # type check, method dispatch, result boxing

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

コンパイル済みのCのマシンコードと比べると、Pythonのループ1回分のコストは、実際の乗算の数十倍になることがあります。

(2) 型のオーバーヘッド：各要素は完全なオブジェクト

Pythonリストは生の数値を格納するのではなく、PyObjectへのポインタを格納します。整数42はPythonでは28バイトを消費しますが、Cではわずか4バイトです。

4. NumPyの主な利点

(1) ndarrayとは

ndarray（N次元配列）はNumPyの中核となるデータ構造です。その特徴は次のとおりです。

均一性: すべての要素が同じ型を共有します（例：すべてfloat64）
固定サイズ: 要素サイズが固定されており、ボックス化は不要です
連続性: 要素がメモリ上に密に配置され、ポインタの間接参照はありません
多次元: 1次元、2次元、さらにはN次元のデータをサポートします

(2) ndarray と Pythonリストの比較

特徴	Pythonリスト	NumPy ndarray
要素の型	混在可能	均一（単一のdtype）
メモリ配置	ポインタ配列、要素が分散	連続したメモリブロック
単一整数のメモリ	28バイト（PyObject）	8バイト（int64）
一括演算	リスト内包表記 / forループ	ベクトル化、単一の式
ブロードキャスト	非対応	自動的な次元拡張
スライス	コピーを返す	デフォルトでビューを返す（ゼロコピー）
多次元	ネストしたリスト（不規則）	ネイティブなN次元、shape属性
内部実装	CPythonインタプリタ	C / Fortranのコンパイル済みコード

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: メモリ使用量の比較（難易度 ⭐）

PYTHON

import sys
import numpy as np

size = 1_000_000  # 1 million integers

# Python list
py_list = list(range(size))
list_bytes = sys.getsizeof(py_list) + sum(sys.getsizeof(x) for x in py_list[:1000]) * size // 1000
print(f"Python list: ~{list_bytes / 1024 / 1024:.1f} MB")

# NumPy ndarray
np_array = np.arange(size, dtype=np.int64)
array_bytes = np_array.nbytes
print(f"NumPy ndarray: {array_bytes / 1024 / 1024:.1f} MB")

print(f"Ratio: {list_bytes / array_bytes:.1f}x more memory for list")
# Typical output:
# Python list: ~44.7 MB
# NumPy ndarray: 7.6 MB
# Ratio: 5.9x more memory for list

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

単純なint64のndarrayは、同じサイズのPythonリストと比べて約6倍少ないメモリしか使用しません。ndarrayは完全なPythonオブジェクトではなく生の値を格納するためです。

(3) ブロードキャストの第一歩

「ブロードキャスト」により、異なる形状の配列同士を、手動で次元を拡張することなく直接演算できます。

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: 配列演算とリスト内包表記の比較（難易度 ⭐⭐）

PYTHON

import numpy as np

# Task: add 100 to every element and multiply by 2
data = [1, 2, 3, 4, 5]

# --- Python list ---
result_list = [(x + 100) * 2 for x in data]
print(result_list)
# [202, 204, 206, 208, 210]

# --- NumPy ndarray ---
arr = np.array(data)
result_np = (arr + 100) * 2  # broadcasting + vectorization
print(result_np)
# [202 204 206 208 210]

# With a 2D array and 1D array
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])
row = np.array([10, 20, 30])
print(matrix + row)
# [[11 22 33]
#  [14 25 36]]

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

リスト内包表記ではループのロジックを明示的に書く必要がありますが、NumPyは1つの数式だけで済みます — コードがそのまま数式になります。

5. NumPyエコシステムの概要

(1) NumPyエコシステム

NumPyはPython科学計算エコシステム全体の基盤です。ほぼすべての主要ライブラリがこれに依存しています。

mindmap
  root((NumPy Ecosystem))
    Data Science
      Pandas
      Polars
    Machine Learning
      Scikit-learn
      TensorFlow
      PyTorch
    Scientific Computing
      SciPy
      Matplotlib
      SymPy
    Deep Learning Frameworks
      Keras
      JAX
      MXNet
    Specialized Domains
      scikit-image
      NetworkX
      AstroPy

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

(2) エコシステム参照表

ライブラリ	分野	NumPyに依存する理由
Pandas	データ分析	DataFrameは内部で列データをndarrayとして格納
Scikit-learn	機械学習	モデルの入力と出力がndarray
SciPy	科学計算	ndarray上で線形代数・最適化・積分を提供
Matplotlib	可視化	プロットのデータソースがndarray
TensorFlow	ディープラーニング	Tensorの概念はndarrayに由来し、相互変換可能
PyTorch	ディープラーニング	Tensorとndarrayは相互運用可能
Polars	データ分析	列指向ストレージだが、NumPy互換

(3) NumPyと純粋なPythonの使い分け

シナリオ	純粋なPython	NumPy	推奨
数十回程度の単純な演算	十分	わずかに速い	純粋なPython
1万件以上の一括演算	遅い	10〜100倍速い	NumPy
行列の乗算	ネストループで非常に遅い	BLASベースで非常に速い	NumPy
線形方程式の求解	手書きは非現実的	`np.linalg.solve`	NumPy
文字列処理	柔軟	得意ではない	純粋なPython
型が混在するデータ	リストが自然に処理	構造化配列が必要	状況による

6. インストールと最初のプログラム

(1) インストール方法

方法	コマンド	用途
pip	`pip install numpy`	一般的で最も簡単
conda	`conda install numpy`	Anaconda / Miniconda環境
システムパッケージ	`apt install python3-numpy`	Linuxへのシステム全体インストール
ソースから	`python setup.py build`	カスタムBLASバックエンドが必要な場合

初心者はpip install numpyを使用してください。Anacondaユーザーはconda install numpyを使用できます。

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: インストールの確認（難易度 ⭐）

BASH

# Install
pip install numpy

# Verify
python -c "import numpy as np; print(np.__version__)"
# Output (example): 2.1.0

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

(2) 最初のndarrayを作成する

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: np.arrayでの配列作成（難易度 ⭐）

PYTHON

import numpy as np

# From a Python list
a = np.array([1, 2, 3, 4, 5])
print(type(a))   # <class 'numpy.ndarray'>
print(a.dtype)   # int64
print(a.shape)   # (5,)

# From nested list (2D)
b = np.array([[1, 2, 3],
              [4, 5, 6]])
print(b.shape)   # (2, 3)
print(b.ndim)    # 2

# Specify dtype explicitly
c = np.array([1, 2, 3], dtype=np.float32)
print(c.dtype)   # float32

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

(3) バージョンと設定の確認

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: バージョンと設定の確認（難易度 ⭐）

PYTHON

import numpy as np

print(f"NumPy version: {np.__version__}")

# Show build configuration (BLAS, LAPACK, etc.)
np.show_config()
# Output includes: BLAS, LAPACK backend info,
# which determines computation performance

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

np.show_config()で表示されるBLAS/LAPACKバックエンドが、NumPyの行列演算の速度を左右します。OpenBLAS、MKL、その他のバックエンド間では、パフォーマンスに数倍の差が生じることがあります。

7. 実践：1000万件の数値の平均と標準偏差

1000万個の浮動小数点数の平均と標準偏差を計算します。これはデータ分析で最も一般的なタスクの1つです。純粋なPythonとNumPyの両方で実装し、コード量、速度、メモリを比較します。

▶ サンプル

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

: 総合比較 — リスト vs NumPy（難易度 ⭐⭐⭐）

PYTHON

import time
import math
import random
import numpy as np
import sys

size = 10_000_000  # 10 million

# ========== Pure Python ==========
py_data = [random.random() for _ in range(size)]

t0 = time.time()
mean_py = sum(py_data) / len(py_data)
var_py = sum((x - mean_py) ** 2 for x in py_data) / len(py_data)
std_py = math.sqrt(var_py)
elapsed_py = time.time() - t0

# Memory estimate for list
mem_py = sys.getsizeof(py_data) + size * 24  # ~24 bytes per float object

# ========== NumPy ==========
np_data = np.random.random(size)

t0 = time.time()
mean_np = np.mean(np_data)
std_np = np.std(np_data)
elapsed_np = time.time() - t0

# Memory for ndarray
mem_np = np_data.nbytes

# ========== Results ==========
print(f"--- Pure Python ---")
print(f"  Mean: {mean_py:.6f}  Std: {std_py:.6f}")
print(f"  Time: {elapsed_py:.3f}s")
print(f"  Memory: ~{mem_py / 1024 / 1024:.0f} MB")

print(f"--- NumPy ---")
print(f"  Mean: {mean_np:.6f}  Std: {std_np:.6f}")
print(f"  Time: {elapsed_np:.3f}s")
print(f"  Memory: {mem_np / 1024 / 1024:.1f} MB")

print(f"--- Comparison ---")
print(f"  Speedup: {elapsed_py / elapsed_np:.1f}x")
print(f"  Memory saving: {mem_py / mem_np:.1f}x")
# Typical output:
# --- Pure Python ---
#   Mean: 0.500032  Std: 0.288675
#   Time: 3.200s
#   Memory: ~305 MB
# --- NumPy ---
#   Mean: 0.500032  Std: 0.288675
#   Time: 0.030s
#   Memory: 76.3 MB
# --- Comparison ---
#   Speedup: 106.7x
#   Memory saving: 4.0x

TEXT 📖 参照専用

> **Output:** Run NumPy 2.x in your local Python environment to see the ndarray output. The Piston server does not have NumPy pre-installed — install it locally (`pip install numpy`) and compare. Actual values may vary by NumPy version and random seed.

指標	純粋なPython	NumPy	比較
コード行数（コアロジック）	4行	2行	NumPyは50%少ない
実行時間	約3.2秒	約0.03秒	約100倍高速
メモリ使用量	約305MB	約76MB	4分の1

結論：データが大きくなるほど、NumPyの真価が発揮されます。1000万件のデータポイントでは、NumPyは速度とメモリの両面で純粋なPythonを圧倒します。

❓ よくある質問

Q NumPyとPythonの関係は？

A NumPyはサードパーティ製のライブラリであり、Python標準ライブラリには含まれません。中核となる計算エンジンはCで書かれており、Pythonインターフェースを通じて公開されているため、PythonからCに近い速度を得られます。

Q NumPyがリストよりはるかに高速な理由は？

A 理由は3つあります — ① Cレベルの実装がPythonインタプリタのオーバーヘッドを回避する、② 連続メモリ配置がCPUキャッシュ効率を最大化する、③ ベクトル化演算が配列全体を1つの命令で処理し、要素ごとのループが不要になる、という点です。

Q NumPyを使うためにCを学ぶ必要はありますか？

A いいえ。NumPyの設計目標は、PythonユーザーがPythonの構文のままでCレベルの速度を享受できるようにすることです。Cが必要になるのは、低レベルコードに貢献したい場合や、NumPy用のカスタムC拡張を書きたい場合だけです。

Q NumPyはExcelの代わりになりますか？

A 数値計算やバッチ処理において、NumPyはExcelよりはるかに強力で効率的です。ただし、NumPyにはスプレッドシートのUI、ドラッグ＆ドロップのグラフ、インタラクティブなフィルタリングはありません。通常はPandas（表形式データ）やMatplotlib（可視化）と組み合わせて使用します。

Q NumPy 2.xと1.xの違いは？

A NumPy 2.0（2024年リリース）では、主にC APIの安定性が向上し、いくつかの文字列操作APIが追加され、dtypeシステムが強化されました。日常的なPythonユーザーにとってAPIの変更はわずかで、ほとんどの1.xコードはそのまま移行できます。新しいプロジェクトでは2.xを使用すべきです。

Q ndarrayとPythonのarrayモジュールの違いは？

A Python組み込みのarrayモジュールは1次元の均一配列のみをサポートし、ブロードキャスト、線形代数、FFT機能はありません。NumPyのndarrayは多次元データ、ブロードキャスト、豊富な数学関数をサポートしており、まったく次元の異なる存在です。

📖 まとめ

Pythonリストには数値計算上の2つの問題点があります。ループ解釈のオーバーヘッドが大きいことと、要素あたりのメモリが大きい（完全なオブジェクト）ことです
NumPyは、Cレベルの実装＋連続メモリ＋ベクトル化により、100万件のデータポイントで約160倍の高速化を実現します
ndarrayは均一・固定サイズ・連続の多次元配列であり、Pythonリストと比べて約6分の1のメモリで済みます
ブロードキャストにより、異なる形状の配列同士を直接演算できます — コードがそのまま数式になります
NumPyはPython科学計算エコシステムの基盤です。Pandas、Scikit-learn、SciPy、TensorFlowなど、多くのライブラリがこれに依存しています
pip install numpyでインストールし、np.array()で配列を作成し、np.show_config()で設定を確認します

📝 練習問題

初心者（難易度 ⭐）：NumPyをインストールし、import numpy as np; print(np.__version__)を実行してください。バージョンが1.24以上であることを確認し、出力を記録してください。
中級（難易度 ⭐⭐）：それぞれ500万個の乱数を含むリストとndarrayを作成してください。リスト内包表記とNumPyのベクトル化を使い、各数値の2乗に10を加えた値を計算してください。time.time()で両方の実行時間を計測して比較し、速度比を記録してください。
上級（難易度 ⭐⭐⭐）：np.show_config()を実行し、使用しているNumPyのBLASバックエンド（OpenBLAS / MKL / その他）を特定してください。このバックエンドが行列演算のパフォーマンスにどのように影響するかを調査し、簡単な説明を書いてください。

Web-Tutorial 技術チーム

複数の開発者によって共同維持されているプログラミングチュートリアルプラットフォーム。各チュートリアルは専門分野の開発者が執筆・レビューしています。正確で信頼性の高いコンテンツを目指しています — 問題を見つけた場合はお知らせください。

私たちについて