# Text for Data_Analisys with Python
import numpy as np
# １次元配列
li = [1,2,3,4,5] # [1,2,3,4,5]
arr = np.array(li) # array([1, 2, 3, 4, 5]
type(arr) # numpy.ndarray
arr.shape #(5,)
(5,)
#２次元配列
li = [[1,2,3,4],[5,6,7,8]] # [[1, 2, 3, 4], [5, 6, 7, 8]]
arr = np.array(li)
#array([[1, 2, 3, 4],
# [5, 6, 7, 8]])
arr.shape # (2, 4) ２行４列
(2, 4)
# 変形 reshape
li = [1,2,3,4,5,6]
arr = np.array(li)
arr = arr.reshape(2,3) # ２行３列に変形
#array([[1, 2, 3],
# [4, 5, 6]])
arr = arr.ravel() # "浅いコピー"で１次元配列にする
# array([1, 2, 3, 4, 5, 6])
arr = arr.reshape(2,3) # 再び２行３列に変形
#array([[1, 2, 3],
# [4, 5, 6]])
arr = arr.flatten() # "浅いコピー"で１次元配列にする
# array([1, 2, 3, 4, 5, 6])
"""補足
np.reshape(引数)はタプルで与えても同じ。
arr.reshape((2,3))
"""
'補足\nnp.reshape(引数)はタプルで与えても同じ。\narr.reshape((2,3))\n'
li = [1,2,3,4,5,6]
# リストのスライスは深いコピー
li_deep = li[:]
# リストの代入は浅いコピー
li_shallow =li
#確認
li_deep[3]=100
li_deep # [1, 2, 3, 100, 5, 6]
li #[1, 2, 3, 4, 5, 6]
li_shallow[4] = 200
li_shallow # [1, 2, 3, 4, 200, 6]
li # [1, 2, 3, 4, 200, 6] #元リストにも影響あり
"""深いコピーをするときは
スライスをするとよい。li2 = li[:]
正統な方法としては、li2=li.copy()
がある。
"""
'深いコピーをするときは\nスライスをするとよい。li2 = li[:]\n\n正統な方法としては、li2=li.copy()\nがある。\n'
li = [1,2,3,4,5,6]
arr = np.array(li)
# np.array() のスライスは浅いコピー
arr_shallow = arr[:]
arr_shallow # array([1, 2, 3, 4, 5, 6])
# 確認
arr_shallow[3] = 300
arr_shallow # array([ 1, 2, 3, 300, 5, 6])
arr # array([ 1, 2, 3, 300, 5, 6])
"""深いコピーするときは
li.copy()と同様に
arr.copy()をすればよい。
"""
li = [1,2,3,4,5,6]
arr = np.array(li)
arr_deep = arr.copy()
arr_deep[1] = 500
arr_deep # array([ 1, 500, 3, 4, 5, 6])
arr #array([1, 2, 3, 4, 5, 6])
"""
リストと np.arrayの共通項を考慮すれば
深いコピーをするときは
li.copy() arr.copy()
を使用すれば良い。
"""
'\nリストと\u3000np.arrayの共通項を考慮すれば\n深いコピーをするときは\nli.copy() arr.copy()\nを使用すれば良い。\n'
# 数列を作成
np.arange(10)
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(3,10,2)
# array([3, 5, 7, 9])
np.arange
<function numpy.core.multiarray.arange>
# ==== 乱数生成 ====
# 乱数 0 to 1 一様分布
np.random.seed(0) #乱数シードの固定 シード番号0と定義
arr = np.random.random((3,2)) #３行２列 タプルで入れる
# array([[0.5488135 , 0.71518937],
# [0.60276338, 0.54488318],
# [0.4236548 , 0.64589411]])
# 乱数 0 to 1 一様分布
np.random.seed(1)
np.random.rand(3,2) # random.randomと違ってタプルにしなくていい。
# array([[4.17022005e-01, 7.20324493e-01],
# [1.14374817e-04, 3.02332573e-01],
# [1.46755891e-01, 9.23385948e-02]])
array([[4.17022005e-01, 7.20324493e-01],
[1.14374817e-04, 3.02332573e-01],
[1.46755891e-01, 9.23385948e-02]])
# 乱数 整数の一様分布
np.random.seed(2)
np.random.randint(10) # 8
np.random.randint(0,10,(3,5))
# array([[8, 6, 2, 8, 7],
# [2, 1, 5, 4, 4],
# [5, 7, 3, 6, 4]])
array([[8, 6, 2, 8, 7],
[2, 1, 5, 4, 4],
[5, 7, 3, 6, 4]])
# 乱数 0.0以上 5,0未満の一様分布
np.random.seed(3)
np.random.uniform(0.0, 5.0, size=(2,3))
# array([[2.75398951, 3.54073911, 1.45452369],
# [2.55413803, 4.46473477, 4.48146544]])
array([[2.75398951, 3.54073911, 1.45452369],
[2.55413803, 4.46473477, 4.48146544]])
# 乱数 0-1 正規分布
np.random.seed(4)
np.random.randn(2,3)
# array([[ 0.05056171, 0.49995133, -0.99590893],
# [ 0.69359851, -0.41830152, -1.58457724]])
array([[ 0.05056171, 0.49995133, -0.99590893],
[ 0.69359851, -0.41830152, -1.58457724]])
# ==== 特殊行列生成 ====
# ゼロ行列
np.zeros((2,3)) #タプル
# array([[0., 0., 0.],
# [0., 0., 0.]])
# 単位行列
np.eye(2)
# array([[1., 0.],
# [0., 1.]])
#１の行列
np.ones((2,3)) #タプル
# array([[1., 1., 1.],
# [1., 1., 1.]])
# 任意の数の行列
np.full((2,3),2.71)
# array([[2.71, 2.71, 2.71],
# [2.71, 2.71, 2.71]])
# np.nanの行列
np.array([1,2,np.nan,4])
# array([ 1., 2., nan, 4.])
type(np.nan) # as float
"""
np.nanは floatとして扱われる。
numpyでは同じタイプでないと計算できない。
欠損値を扱うための措置
"""
print(np.nan * 100) # nan
nan
# ==== 均等割り 0 - 5を 6等分 ====
np.linspace(0,5,6) #array([0., 1., 2., 3., 4., 5.])
array([0., 1., 2., 3., 4., 5.])
# ==== 等差数列 ====
arr1 = np.array([1,1,2,3,4,4,6])
arr2 = np.diff(arr1) # array([0, 1, 1, 1, 0, 2])
# ==== 連結 ====
arr3 = [1,2,3]
arr4 = [10,20,30]
arr_cat = np.concatenate([arr3,arr4])
# array([ 1, 2, 3, 10, 20, 30])
# 連結 縦ベクトル（2次元配列）
arr = np.array([[1], [2], [3]])
# array([[1],
# [2],
# [3]])
arr1 = np.array([[4], [5] ,[6]])
# array([[4],
# [5],
# [6]])
arr_cat = np.concatenate([arr, arr1],axis=1) #軸を列に指定すること
# array([[1, 4],
# [2, 5],
# [3, 6]])
# 連結 np.hstack
arr = np.array([[1], [2], [3]])
arr1 = np.array([[4], [5] ,[6]])
arr_hstacked = np.hstack([arr,arr1])
# array([[1, 4],
# [2, 5],
# [3, 6]])
# 連結 np.vstack
arr = np.array([1,2,3,4,5])
arr1 = np.array([10,20,30,40,50])
arr_vstacked = np.vstack([arr,arr1])
# array([[ 1, 2, 3, 4, 5],
# [10, 20, 30, 40, 50]])
# ==== 分割 ====
np.random.seed(123)
arr = np.random.randn(12).reshape(3,4)
# array([[-1.0856306 , 0.99734545, 0.2829785 , -1.50629471],
# [-0.57860025, 1.65143654, -2.42667924, -0.42891263],
# [ 1.26593626, -0.8667404 , -0.67888615, -0.09470897]])
# 列を分割 1つ目は3列 2つ目は残りの1列
arr_splited_1 = np.split(arr,[3],axis=1)
arr_splited_1[0]
# array([[-1.0856306 , 0.99734545, 0.2829785 ],
# [-0.57860025, 1.65143654, -2.42667924],
# [ 1.26593626, -0.8667404 , -0.67888615]])
arr_splited_1[1]
# array([[-1.50629471],
# [-0.42891263],
# [-0.09470897]])
# 行を分割 1つ目は2行 2つ目は残りの1行
arr_splited_0 = np.split(arr, [2],axis=0)
arr_splited_0[0]
# array([[-1.0856306 , 0.99734545, 0.2829785 , -1.50629471],
# [-0.57860025, 1.65143654, -2.42667924, -0.42891263]])
arr_splited_0[1]
# array([[ 1.26593626, -0.8667404 , -0.67888615, -0.09470897]])
print(arr.shape)
arr_3, arr_4 = np.hsplit(arr, [2]) # 機能しない
arr_5, arr_6 = np.vsplit(arr, [1]) # 機能しない
(3, 4)
#転置行列
arr = np.array([[1,2,3],[4,5,6]])
# array([[1, 2, 3],
# [4, 5, 6]])
arr.T
# array([[1, 4],
# [2, 5],
# [3, 6]])
array([[1, 4],
[2, 5],
[3, 6]])
# 次元の追加
arr = np.array([1,2,3,4])
arr # array([1, 2, 3, 4])
arr_1 = arr[np.newaxis,:] # array([[1, 2, 3, 4]])
arr_2 = arr[:,np.newaxis]
# array([[1],
# [2],
# [3],
# [4]])
# メッシュグリッドデータの生成
arr_x = np.array([1,2,3,4,5])
arr_y = np.array([10,20,30])
xx, yy =np.meshgrid(arr_x, arr_y)
xx
# array([[1, 2, 3, 4, 5],
# [1, 2, 3, 4, 5],
# [1, 2, 3, 4, 5]])
yy
# array([[10, 10, 10, 10, 10],
# [20, 20, 20, 20, 20],
# [30, 30, 30, 30, 30]])
array([[10, 10, 10, 10, 10],
[20, 20, 20, 20, 20],
[30, 30, 30, 30, 30]])
# ユニバーサルファンクション（一括変換）
# 各成分を全て絶対値にする
arr = [5, -12, -3 , 2]
np.abs(arr) # array([ 5, 12, 3, 2])
# sin cos tan
arr = np.linspace(0, 2*np.pi, 100)
np.sin(arr)
array([ 0.00000000e+00, 6.34239197e-02, 1.26592454e-01, 1.89251244e-01,
2.51147987e-01, 3.12033446e-01, 3.71662456e-01, 4.29794912e-01,
4.86196736e-01, 5.40640817e-01, 5.92907929e-01, 6.42787610e-01,
6.90079011e-01, 7.34591709e-01, 7.76146464e-01, 8.14575952e-01,
8.49725430e-01, 8.81453363e-01, 9.09631995e-01, 9.34147860e-01,
9.54902241e-01, 9.71811568e-01, 9.84807753e-01, 9.93838464e-01,
9.98867339e-01, 9.99874128e-01, 9.96854776e-01, 9.89821442e-01,
9.78802446e-01, 9.63842159e-01, 9.45000819e-01, 9.22354294e-01,
8.95993774e-01, 8.66025404e-01, 8.32569855e-01, 7.95761841e-01,
7.55749574e-01, 7.12694171e-01, 6.66769001e-01, 6.18158986e-01,
5.67059864e-01, 5.13677392e-01, 4.58226522e-01, 4.00930535e-01,
3.42020143e-01, 2.81732557e-01, 2.20310533e-01, 1.58001396e-01,
9.50560433e-02, 3.17279335e-02, -3.17279335e-02, -9.50560433e-02,
-1.58001396e-01, -2.20310533e-01, -2.81732557e-01, -3.42020143e-01,
-4.00930535e-01, -4.58226522e-01, -5.13677392e-01, -5.67059864e-01,
-6.18158986e-01, -6.66769001e-01, -7.12694171e-01, -7.55749574e-01,
-7.95761841e-01, -8.32569855e-01, -8.66025404e-01, -8.95993774e-01,
-9.22354294e-01, -9.45000819e-01, -9.63842159e-01, -9.78802446e-01,
-9.89821442e-01, -9.96854776e-01, -9.99874128e-01, -9.98867339e-01,
-9.93838464e-01, -9.84807753e-01, -9.71811568e-01, -9.54902241e-01,
-9.34147860e-01, -9.09631995e-01, -8.81453363e-01, -8.49725430e-01,
-8.14575952e-01, -7.76146464e-01, -7.34591709e-01, -6.90079011e-01,
-6.42787610e-01, -5.92907929e-01, -5.40640817e-01, -4.86196736e-01,
-4.29794912e-01, -3.71662456e-01, -3.12033446e-01, -2.51147987e-01,
-1.89251244e-01, -1.26592454e-01, -6.34239197e-02, -2.44929360e-16])
# 自然対数 底 = ネピア数 e
arr = np.array([0, 1, 2, 3])
np.log(arr) #[ -inf 0. 0.69314718 1.09861229]
# 常用対数 底 = 10
np.log10(arr) #array([ -inf, 0. , 0.30103 , 0.47712125])
# exp()
np.exp(1) # 2.718281828459045
C:\Users\omoiy\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: RuntimeWarning: divide by zero encountered in log
This is separate from the ipykernel package so we can avoid doing imports until
C:\Users\omoiy\Anaconda3\lib\site-packages\ipykernel_launcher.py:6: RuntimeWarning: divide by zero encountered in log10
2.718281828459045
# ブロードキャス（自動拡張計算）
arr = np.array([[1,2,3], [4,5,6]])
arr2 =np.array([10,10,10])
arr_sum = arr + arr2
# array([[11, 12, 13], # 2行ともに和算されている
# [14, 15, 16]])
arr = np.array([[1,2,3], [4,5,6]])
arr2 =np.array([10,10,10])
arr_sub = arr - arr2
# array([[-9, -8, -7], # 2行ともに差算されている
# [-6, -5, -4]])
arr = np.array([[1,2,3], [4,5,6]])
arr2 =np.array([10,100,1000])
arr_multi = arr * arr2
# array([[ 10, 200, 3000], # 2行ともに乗算されている
# [ 40, 500, 6000]])
arr = np.array([1,2,3])
arr2 = np.array([[1], [2], [3]])
arr + arr2
# array([[2, 3, 4], # 3x3行列に和算される
# [3, 4, 5],
# [4, 5, 6]])
# 自分の平均からの距離をそれぞれ求める
arr = np.array([[1,2,3], [4,5,6]])
arr2 = arr - np.mean(arr)
# array([[-2.5, -1.5, -0.5],
# [ 0.5, 1.5, 2.5]])
# スカラーを乗ずる
arr = np.array([[1,2,3], [4,5,6]])
arr2 = arr * 10
# array([[10, 20, 30],
# [40, 50, 60]])
# 3乗する
arr = np.array([[1,2,3], [4,5,6]])
arr2 = arr ** 3
# array([[ 1, 8, 27],
# [ 64, 125, 216]], dtype=int32)
# ゼロを含んだ行列で除算をするときのテクニック
arr = np.array([[1,2,3], [4,5,6]])
arr2 =np.array([0,10,100])
arr_div = arr / (arr2 + 1e-6)
# array([[1.00000000e+06, 1.99999980e-01, 2.99999997e-02],
# [4.00000000e+06, 4.99999950e-01, 5.99999994e-02]])
# ドット積
arr = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([[10], [20], [30]])
np.dot(arr, arr2)
# array([[140],
# [320]])
"""
arr @ arr2 でも良い
"""
array([[140],
[320]])
# 判定 論理値
arr = np.array([[1,2,3], [4,5,6]])
arr > 3
# array([[False, False, False],
# [ True, True, True]])
# ゼロでない要素数をカウントする
np.count_nonzero(arr) # 6
# 論理式と共に使えば、条件にある要素数をカウントできる
np.count_nonzero(arr > 3) # 3
# sum を使ってもできる （True=1なので）
np.sum(arr > 3) # 3
# 全要素が条件に入るか
np.all(arr > 0) # True
np.all(arr > 1) # False
# 条件に入る要素だけを取り出す
arr_true = arr[arr > 2]
arr_true # array([3, 4, 5, 6])
# 比較
arr = np.array([[1,2,3], [4,5,6]])
arr2 =np.array([1,2,3])
arr == arr2
# array([[ True, True, True], #ブロードキャストが有効になっている
# [False, False, False]])
# 条件に合うものだけを抽出
arr = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([1,2,3])
arr3 = np.array([1,10,100])
arr4 = arr[(arr == arr2) | (arr > 5)]
# array([1, 2, 3, 6])
# 浮動小数点誤差を無視しながら行列が同等か調べる
arr = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([[1,2,3], [4,5,7]])
np.allclose(arr, arr2, atol=1) # True
# arr2 の最後のみ誤差１を含んでいるが、atolの許容誤差以内なので
# 同じ行列とみなされる
True
# 関数 と メソド どちらでもいい
arr = np.array([1,2,3,4,5])
np.sum(arr) # 関数 15
arr.sum() # メソド
# arrを定義した時点でarrはクラスのインスタンスに
# なっているのでメソドが使用できる
15
