形状演算

Q: .T と .transpose() の違いは何ですか？

.T は、すべての軸を反転させるショートカットです（順序を逆にした .transpose() と同等です）。 2次元配列の場合、これらは同じ動作をします。3次元以上の配列の場合、 .T はすべての軸を反転させますが、 .transpose(1,0,2) では順序を指定できます。

1. 学習内容

❶ reshape はデータをコピーせず、メタデータのみを変更します
❷ -1 次元サイズを自動推定
❸ flatten 対 ravel：コピー対ビュー
❹ 転置 / .T 転置
❺ 寸法を追加するには「newaxis」、削除するには「squeeze」

2. ある開発者の実話

(1) 問題点

ボブは、3×4 の 12 個のデータポイントを 4×3 に変形させ、「メモリの再配置」をしているつもりだったが、その変形処理のたびにデータがコピーされていたため、メモリと処理速度が著しく低下してしまった。

(2) 解決策

アリスは彼にMermaidの図を見せながら、「reshapeはメタデータのみを変更するもので、データは1バイトたりとも移動しない。それがNumPyの高速化の秘訣よ」と説明した。演算の結果がビューである限り、データはコピーされない。

(3) 成果

ボブが「ビューとコピー」の違いを理解すると、彼の形状操作コードはメモリ使用量を1桁減らし、実行速度も数倍向上した。フラット化のみが真のコピーであり、それ以外（リシェイプ、ラヴェル、トランスポーズ、スワップアクスなど）はすべてビューである。

3. 形状演算の詳細

(1) reshape の仕組み

reshape は配列の形状を変更しますが、データをコピーすることはありません。これは配列のメタデータ（形状とストライド）のみを変更するものであり、メモリ内の生データはそのまま残ります。

PYTHON

import numpy as np

a = np.arange(12)
b = a.reshape(3, 4)

print(a.shape)   # (12,)
print(b.shape)   # (3, 4)
print(b.base is a)  # True — b is a view of a

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。

PYTHON

# reshape does NOT copy data
b[0, 0] = 999
print(a[0])  # 999 — modifying b changes a!

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.

メモリダイアグラムの再構成

graph LR
    A["Original Array<br/>shape=(12,)"] -->|"reshape(3,4)"| B["View<br/>shape=(3,4)"]
    A -->|"reshape(4,3)"| C["View<br/>shape=(4,3)"]
    A -->|"reshape(2,6)"| D["View<br/>shape=(2,6)"]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#9C27B0,color:#fff

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.

要点：A、B、C、Dはすべて同じメモリを共有しており、単にその「解釈」の仕方が異なるだけである。

(2) -1 自動推論

reshape 内で -1 を使用すると、NumPy がその次元のサイズを自動的に計算するようになります。

PYTHON

a = np.arange(12)

# NumPy infers: 12 / 3 = 4
b = a.reshape(3, -1)     # shape = (3, 4)
c = a.reshape(2, -1)     # shape = (2, 6)
d = a.reshape(-1, 6)     # shape = (2, 6)

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) フラット化とラヴェル

メソッド	戻り値	コピーする？	メモリ
`ndarray.flatten()`	1次元配列	常にコピーされる	新しいメモリ
`ndarray.ravel()`	1次元配列	可能であれば参照	通常は共有

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

f = a.flatten()  # always a copy
r = a.ravel()    # usually a view

f[0] = 999
print(a[0, 0])   # 0 — f is a copy, a unchanged

r[0] = 999
print(a[0, 0])   # 999 — r is a view, a changed

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) 転置と .T

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)
print(a.shape)   # (3, 4)

b = a.T          # transpose — view, no copy
print(b.shape)   # (4, 3)

# For multi-dimensional arrays, transpose accepts an axis order
c = a.transpose(1, 0)
print(c.shape)   # (4, 3)

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。

(5) newaxis と squeeze

PYTHON

import numpy as np

a = np.array([1, 2, 3])       # shape (3,)

# newaxis adds a dimension
b = a[np.newaxis, :]           # shape (1, 3)
c = a[:, np.newaxis]           # shape (3, 1)
d = a[np.newaxis, :, np.newaxis]  # shape (1, 3, 1)

# squeeze removes dimensions of size 1
e = np.squeeze(d)              # shape (3,) — back to original

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.

: -1 による自動推論を用いた再構成 (難易度 ⭐)

PYTHON

import numpy as np

a = np.arange(24)

# Use -1 for auto-inference
b = a.reshape(2, -1)      # 2 x 12
c = a.reshape(3, -1)      # 3 x 8
d = a.reshape(4, -1)      # 4 x 6
e = a.reshape(6, -1)      # 6 x 4

print(f"a.shape={a.shape}")
print(f"b.shape={b.shape}")  # (2, 12)
print(f"c.shape={c.shape}")  # (3, 8)
print(f"d.shape={d.shape}")  # (4, 6)
print(f"e.shape={e.shape}")  # (6, 4)

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.

: flatten 対 ravel — copy 対 view (難易度 ⭐⭐)

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

# flatten always copies
flat = a.flatten()
flat[0] = 999
print("After flat[0]=999, a[0,0]=", a[0,0])  # 0 (unchanged)

# ravel usually returns a view
rav = a.ravel()
rav[0] = 999
print("After rav[0]=999, a[0,0]=", a[0,0])  # 999 (changed!)

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

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.

: transpose と newaxis (難易度 ⭐⭐)

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

# Transpose
print("Original shape:", a.shape)     # (3, 4)
print("Transposed shape:", a.T.shape)  # (4, 3)

# newaxis: add dimensions
row = np.array([1, 2, 3])
print("row shape:", row.shape)                # (3,)
print("row[np.newaxis,:] shape:", row[np.newaxis, :].shape)  # (1, 3)
print("row[:,np.newaxis] shape:", row[:, np.newaxis].shape)  # (3, 1)

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. 比較表

(1) 形状演算の概要

操作	戻り値	データをコピーするか？	ユースケース
`reshape`	表示	なし	形状を変更
`flatten`	コピー	はい	安全な1D変換
`ravel`	表示（通常）	まれ	高速 1D
`T` / `transpose`	表示	なし	軸の順序変更
`newaxis`	表示	なし	寸法を追加
`squeeze`	表示	なし	サイズが1小さい次元を除外
`swapaxes`	表示	なし	2つの軸を入れ替える

(2) 表示とコピー

機能	表示	コピー
メモリ	共有	新規割り当て
変更	オリジナルへの影響	独立
速度	O(1)	O(n)
`base` 属性	出典へのリンク	なし
使用すべき場面	読み取り専用または意図的な共有	安全な変更

5. 原理図

graph TB
    A["Original (12,)"] -->|reshape/flatten/ravel| B["New shape"]
    A --> C["data buffer: [0 1 2 ... 11]"]
    B --> C
    B -->|flatten| D["copy of data buffer"]
    B -->|ravel| C
    B -->|transpose| C
    B -->|newaxis| C
    
    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#E91E63,color:#fff

❓ よくある質問

Q reshape は常にビューを返しますか？

A ほとんどの場合、そうです。ただし、配列がメモリ上で連続している場合に限ります。配列が連続していない場合（例えば、転置を行った後など）、reshape はコピーを行う必要がある場合があります。必要に応じて、まず np.ascontiguousarray() を使用してください。

Q .T と .transpose() の違いは何ですか？

A .T は、すべての軸を反転させるショートカットです（順序を逆にした .transpose() と同等です）。 2次元配列の場合、これらは同じ動作をします。3次元以上の配列の場合、.Tはすべての軸を反転させますが、.transpose(1,0,2)では順序を指定できます。

Q 「flatten」と「ravel」は、それぞれどのような場合に使うべきですか？

A 1次元の結果を変更する予定があり、元のデータに影響を与えたくない場合は、「flatten」を使用してください（安全なコピー）。単に読み取るだけの場合や、変更を反映させたい場合は、ravel を使用してください（処理が速く、通常はビューとして扱われます）。

Q reshape における -1 は何を意味しますか？

A これは NumPy に対して「この次元を自動的に決定する」よう指示するものです。-1 は 1 つだけ指定可能です。NumPy はこれを total_size / product_of_other_dims として計算します。

📖 まとめ

reshape は形状およびストライドのメタデータのみを変更します。データのコピーは行われず、O(1) の操作です。
-1 要素の総数から次元のサイズを自動で推定する
flatten は常にコピーを行います。一方、ravel は通常、ビューを返します（.base を参照）。
transpose/T/swapaxes は、ストライドを変更したビューを返し、データの移動は行わない
newaxis はサイズ 1 の次元を追加し、squeeze はサイズ 1 の次元を削除します
「view」と「copy」の違いを理解することは、メモリ効率の良いNumPyコードを書くための鍵となります

📝 練習問題

初心者（難易度 ⭐）：20要素の配列を作成し、-1 を使用して、それを (4,5)、(5,4)、(2,10)、(10,2) の形に再構成してください。すべての形状が正しいことを確認してください。
中級（難易度 ⭐⭐）：3×4の配列を作成し、それを転置した後、転置した結果をreshapeで再成形してみてください。reshapeを使用しても、コピーは回避できるでしょうか？ .base に確認してみてください。
上級（難易度 ⭐⭐⭐）：形状が (2,3,4) の3次元配列を作成してください。 transpose(2,0,1) を使用して軸の順序を変更してください。結果において各次元が何を表しているかを説明してください。その後、swapaxes を使用して同じ結果を得てください。

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