要素ごとの演算

Q: なぜ + ではなく np.add を使うのですか？

これらは同一の機能です。内部的には、 + が np.add を呼び出しています。 dtype 、 out 、 where のような追加のパラメータが必要な場合や、ユニバーサル関数 をコールバックとして渡す場合は、関数形式を使用してください。

Q: ゼロによる除算はエラーになりますか？

浮動小数点数の場合、例外は発生しません。代わりに inf または -inf が生じ、 0/0 では nan が生じます。また、 np.seterr に基づいて警告が表示される場合があります。整数のゼロ除算では ZeroDivisionError が発生します。

Q: ベクトル化はループよりも常に高速ですか？

単純な演算を行う大規模な配列の場合、ベクトル化は通常、50～200倍高速です。しかし、非常に小さな配列（要素数100未満）の場合、ufuncの呼び出しに伴うオーバーヘッドにより、ループよりも遅くなる可能性があります。

Q: ユニバーサル関数 とは何ですか？

ユニバーサル関数（universal 関数）のことで、要素ごとの演算を行うための C 言語レベルのラッパーです。各 ユニバーサル関数 は、ブロードキャスト、型の昇格、出力バッファリングを自動的に処理します。これは、NumPy のベクトル化を支えるエンジンです。

1. 学習内容

❶ 算術 — + - * / // % ** およびそれに対応する関数
❷ 比較 — > < >= <= == != ブールマスクの生成
❸ 論理演算 — & | ^ ~ や np.logical_and など
❹ ベクトル化とループ — パフォーマンスの比較と原理
❺ ufuncの概要 — ユニバーサル関数の概念と性質

2. ストーリー

ボブはforループを使って100万個の数を2乗する――所要時間は0.3秒だ。アリスはa ** 2を1行記述する――所要時間は3ミリ秒だ。

「NumPyの演算はPythonのループではありません。C言語レベルのufuncによるバッチ処理であり、100倍高速です。」

ボブが「ufuncって何？」と尋ねると、アリスはターミナルを開いてnp.addと入力した――すべては要素ごとの演算から始まるのだ。

3. 主要な概念

(1) 算術演算子と関数

NumPy の演算は、配列のすべての要素に対して行われ、形状は自動的にブロードキャストされます：

PYTHON

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

print(a + b)      # [11 22 33 44]
print(a * b)      # [10 40 90 160]
print(a ** 2)     # [ 1  4  9 16]
print(b // a)     # [10 10 10 10]
print(b % a)      # [0 0 0 0]

TEXT

> 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.

⚠️ 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。

各演算子は、NumPyの関数に対応しています：

演算子	関数	説明
`+`	`np.add`	追加
`-`	`np.subtract`	引き算
`*`	`np.multiply`	乗算
`/`	`np.true_divide`	真の除算
`//`	`np.floor_divide`	フロア区分
`%`	`np.mod`	モジュロ
`**`	`np.power`	電源

(2) 比較演算

比較は要素単位で行われ、ブール配列（マスク）が返されます：

PYTHON

a = np.array([3, 7, 1, 9, 5])

print(a > 4)           # [False  True False  True  True]
print(a == 7)          # [False  True False False False]
print((a >= 3) & (a <= 7))  # [ True  True False False  True]

TEXT

> 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.

⚠️ 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。

(3) 論理演算

要素ごとの論理演算を行うには、ビット演算子 & | ^ ~（and or not ではない）を使用してください：

PYTHON

a = np.array([True, True, False, False])
b = np.array([True, False, True, False])

print(a & b)                # [ True False False False]
print(a | b)                # [ True  True  True False]
print(~a)                   # [False False  True  True]
print(np.logical_and(a, b)) # [ True False False False]

TEXT

> 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.

⚠️ 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。

(4) ユニバーサル関数の概念

ユニバーサル関数（ユニバーサル関数）は、NumPyにおける要素ごとの演算のための低レベルの抽象化です：

各ufuncは、すべての要素に対して同じ演算を適用するC言語レベルのループです
ブロードキャスト、型昇格、出力バッファリングに対応しています
.types、.nin、.nout のプロパティを持つ

PYTHON

print(np.add.nin)   # 2 (number of inputs)
print(np.add.nout)  # 1 (number of outputs)
print(np.add.types) # list of supported type signatures

TEXT

> 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.

⚠️ 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) ▶ サンプル

TEXT

> 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.

: 算術演算（難易度 ⭐）

PYTHON

import numpy as np

a = np.array([2, 4, 6, 8])
b = np.array([1, 3, 5, 7])

print("a + b =", a + b)        # [ 3  7 11 15]
print("a - b =", a - b)        # [1 1 1 1]
print("a * b =", a * b)        # [ 2 12 30 56]
print("a / b =", a / b)        # [2.   1.33 1.2  1.14]
print("a // b =", a // b)      # [2 1 1 1]
print("a % b =", a % b)        # [0 1 1 1]
print("a  3 =", a  3)      # [  8  64 216 512]

TEXT

> 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.

⚠️ 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。

(2) ▶ サンプル

TEXT

> 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.

: 比較用マスク（難易度 ⭐）

PYTHON

import numpy as np

scores = np.array([55, 82, 91, 47, 73, 100])

pass_mask = scores >= 60
print("Pass mask:", pass_mask)
print("Pass scores:", scores[pass_mask])

excellent = scores >= 90
print("Excellent:", scores[excellent])

mid_range = (scores >= 60) & (scores < 90)
print("Mid-range:", scores[mid_range])

TEXT

> 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.

⚠️ 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。

(3) ▶ サンプル：ユニバーサル関数の出力パラメータの使用（難易度 ⭐⭐）

PYTHON

import numpy as np

a = np.array([10, 20, 30, 40])
b = np.array([3, 4, 5, 6])

# In-place addition using out parameter
result = np.empty(4)
np.add(a, b, out=result)
print("Result:", result)

# Chain operations with out
np.multiply(result, 2, out=result)
print("Doubled:", result)

# Comparison ufunc
print("a > 15:", np.greater(a, 15))

出力：

TEXT

結果：[13 24 35 46]
2倍：[26 48 70 92]
a > 15: [偽　真　真　真]

❓ よくある質問

Q なぜ + ではなく np.add を使うのですか？

A これらは同一の機能です。内部的には、+ が np.add を呼び出しています。 dtype、out、where のような追加のパラメータが必要な場合や、ユニバーサル関数をコールバックとして渡す場合は、関数形式を使用してください。

Q ゼロによる除算はエラーになりますか？

A 浮動小数点数の場合、例外は発生しません。代わりに inf または -inf が生じ、0/0 では nan が生じます。また、 np.seterr に基づいて警告が表示される場合があります。整数のゼロ除算では ZeroDivisionError が発生します。

Q ベクトル化はループよりも常に高速ですか？

A 単純な演算を行う大規模な配列の場合、ベクトル化は通常、50～200倍高速です。しかし、非常に小さな配列（要素数100未満）の場合、ufuncの呼び出しに伴うオーバーヘッドにより、ループよりも遅くなる可能性があります。

Q ユニバーサル関数とは何ですか？

A ユニバーサル関数（universal 関数）のことで、要素ごとの演算を行うための C 言語レベルのラッパーです。各ユニバーサル関数は、ブロードキャスト、型の昇格、出力バッファリングを自動的に処理します。これは、NumPy のベクトル化を支えるエンジンです。

📖 まとめ

算術演算子 + - * / // % ** は要素ごとの演算であり、それぞれに対応する np.xxx 関数がある
比較演算子は、条件付きフィルタリング用のブールマスクを生成します
論理演算には & | ^ ~ を使用し、and or not は使用しません。また、np.logical_* の関数も使用可能です。
Cレベルのufuncsを活用することで、ベクトル化はPythonのループよりも50～200倍高速です
ufuncs は NumPy の要素単位演算エンジンであり、ブロードキャスティングと型昇格をサポートしています

📝 練習問題

初心者（難易度 ⭐）：x = np.linspace(-5, 5, 100) を作成してください。ベクトル化を用いてシグモイド関数 1 / (1 + np.exp(-x)) を計算し、0.5 を超える結果がいくつあるかを数えてください。
中級（難易度 ⭐⭐）：forループとベクトル化の両方を用いて、100万個の乱数に対してnp.sin(x)を計算してください。実行時間を比較し、速度向上率を算出してください。
上級（難易度 ⭐⭐⭐）：x = np.linspace(-3, 3, 20) に対して、ベクトル化された ReLU 関数 max(0, x) を実装してください。ブールマスク x * (x > 0) と np.maximum(0, x) の両方を使用して実装してください。

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

要素ごとの演算

1. 学習内容

2. ストーリー

3. 主要な概念

(1) 算術演算子と関数

(2) 比較演算

(3) 論理演算

(4) ユニバーサル関数 の概念

(1) ▶ サンプル

(2) ▶ サンプル

(3) ▶ サンプル：ユニバーサル関数 の出力パラメータの使用（難易度 ⭐⭐）

❓ よくある質問

📖 まとめ

📝 練習問題

(4) ユニバーサル関数の概念

(3) ▶ サンプル：ユニバーサル関数の出力パラメータの使用（難易度 ⭐⭐）