NumPy入門！配列操作と高速計算の基礎をやさしく解説

最終更新2025年10月15日

リンドくん

たなべ先生、データサイエンスを勉強するには「NumPy」が必要って聞いたんですけど、これって何ですか？

たなべ

NumPyはPythonで数値計算を高速に行うためのライブラリなんだ。
大量のデータを扱うとき、普通のPythonリストより圧倒的に速いんだよ。

データサイエンスやAI開発を学ぶ上で、NumPy（ナムパイ）は避けて通れないライブラリです。
機械学習の有名なライブラリであるPandasやscikit-learn、TensorFlowなども、すべてNumPyを基盤として作られています。

しかし、初めて触れる方にとって「なぜ必要なのか」「どう使うのか」は分かりにくいかもしれません。

この記事では、プログラミング初心者の方でも理解できるよう、NumPyの基礎をシンプルに解説します。
実際のコード例を見ながら、配列の作成から基本操作、高速計算の仕組みまで学んでいきましょう。

プログラミング学習でお悩みの方へ

HackATAは、エンジニアを目指す方のためのプログラミング学習コーチングサービスです。経験豊富な現役エンジニアがあなたの学習をサポートします。

✓ 質問し放題

✓ β版公開中（2025年内の特別割引）

HackATAの詳細を見る

NumPyとは？普通のリストとの違い

リンドくん

NumPyって、普通のPythonリストと何が違うんですか？

たなべ

一番の違いは速さなんだ。
100万個のデータを処理する場合、NumPyは普通のリストより10倍以上速いこともあるよ！

NumPyの特徴

NumPyは「Numerical Python」の略で、数値計算を効率的に行うためのライブラリです。

普通のPythonリストとの主な違いは以下の通りです。

処理速度が速い → 大量のデータを素早く計算できる
メモリ効率が良い → 同じデータ型だけを格納するため無駄がない
簡潔に書ける → ループを書かずに配列全体を一度に処理できる
豊富な数学関数 → 平均、標準偏差、三角関数などが最初から用意されている

なぜデータサイエンスで使われるのか

データサイエンスでは、数十万、数百万といった大量のデータを扱います。例えば、1枚の画像データだけでも数百万のピクセル情報があります。

このような大量データを普通のPythonリストで処理すると、以下の問題が起きます。

処理に時間がかかりすぎる
メモリをたくさん使ってしまう
コードが長く複雑になる

NumPyを使えば、これらの問題を解決できるのです。実際、データサイエンス分野のほぼすべてのライブラリがNumPyを基盤にしているほど重要なツールです。

NumPyのインストールと配列の作り方

リンドくん

NumPyを使うには、まず何をすればいいですか？

たなべ

インストールはたった1行でできるよ！とても簡単だから安心してね。

インストール方法

pip install numpy

インストール後、Pythonコードで以下のようにインポートします。

import numpy as np

世界中の開発者がnpという短い名前でインポートしているので、この書き方を覚えておきましょう。

配列を作ってみよう

リストから配列を作る

import numpy as np

# 1次元配列
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)
# 出力: [1 2 3 4 5]

# 2次元配列
array_2d = np.array([[1, 2, 3], 
                     [4, 5, 6]])
print(array_2d)
# 出力:
# [[1 2 3]
#  [4 5 6]]

便利な配列の作り方

# すべて0の配列
zeros = np.zeros((3, 4))  # 3行4列
print(zeros)

# すべて1の配列
ones = np.ones((2, 3))  # 2行3列
print(ones)

# 連続した数値
numbers = np.arange(0, 10, 2)  # 0から10まで2刻み
print(numbers)
# 出力: [0 2 4 6 8]

# ランダムな数値
random = np.random.rand(3, 3)  # 3×3のランダム配列
print(random)

これらの関数を使えば、様々なパターンの配列を簡単に作れます。機械学習では初期化やテストデータ作成でよく使います。

配列の基本操作

リンドくん

配列を作ったら、次は何ができるんですか？

たなべ

配列の情報を確認したり、形を変えたり、特定の要素を取り出したりできるよ。これらは実際の開発でとてもよく使うんだ。

配列の情報を見てみよう

import numpy as np

array = np.array([[1, 2, 3, 4],
                  [5, 6, 7, 8],
                  [9, 10, 11, 12]])

# 形を確認
print(f"形: {array.shape}")  # (3, 4) → 3行4列

# 要素の個数
print(f"要素数: {array.size}")  # 12個

# データ型
print(f"データ型: {array.dtype}")  # int64

配列の形を変える

# 1次元配列を作成
original = np.arange(12)
print(original)
# 出力: [ 0  1  2  3  4  5  6  7  8  9 10 11]

# 3行4列に変形
reshaped = original.reshape(3, 4)
print(reshaped)
# 出力:
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

配列から要素を取り出す

array = np.array([[1, 2, 3, 4],
                  [5, 6, 7, 8],
                  [9, 10, 11, 12]])

# 特定の要素
print(array[0, 0])  # 1行1列目 → 1
print(array[1, 2])  # 2行3列目 → 7

# 行全体
print(array[0])  # 1行目 → [1 2 3 4]

# 列全体
print(array[:, 1])  # 2列目 → [ 2  6 10]

Pythonのリストと似ていますが、2次元配列でも直感的にアクセスできるのがNumPyの便利なところです。

NumPyの高速計算

リンドくん

NumPyが速いって聞きましたけど、実際どう使うんですか？

たなべ

NumPyの最大の特徴は、ループを書かずに配列全体を一度に処理できることなんだ。これを見てみよう！

配列全体への計算

import numpy as np

array = np.array([1, 2, 3, 4, 5])

# すべての要素を2倍に
doubled = array * 2
print(doubled)
# 出力: [ 2  4  6  8 10]

# すべての要素に10を足す
added = array + 10
print(added)
# 出力: [11 12 13 14 15]

# すべての要素を2乗
squared = array ** 2
print(squared)
# 出力: [ 1  4  9 16 25]

普通のPythonリストなら、ループやリスト内包表記を書く必要があります。NumPyならこんなにシンプルです！

配列同士の計算

array1 = np.array([1, 2, 3, 4])
array2 = np.array([10, 20, 30, 40])

# 足し算
print(array1 + array2)
# 出力: [11 22 33 44]

# 掛け算（要素ごと）
print(array1 * array2)
# 出力: [ 10  40  90 160]

便利な数学関数

array = np.array([1, 4, 9, 16, 25])

# 平方根
print(np.sqrt(array))
# 出力: [1. 2. 3. 4. 5.]

# 平均値
print(np.mean(array))
# 出力: 11.0

# 合計
print(np.sum(array))
# 出力: 55

# 最大値・最小値
print(np.max(array))  # 25
print(np.min(array))  # 1

これらの関数は、データ分析や機械学習で頻繁に使います。

データの統計処理

リンドくん

テストの点数とか、データを分析するときにはどう使えばいいですか？

たなべ

いい質問だね！実際の成績データを例に見てみよう。

成績データの分析例

import numpy as np

# 学生5人、科目3つの成績データ
scores = np.array([
    [85, 90, 78],  # 学生1
    [92, 88, 95],  # 学生2
    [76, 85, 80],  # 学生3
    [88, 92, 87],  # 学生4
    [95, 89, 93]   # 学生5
])

# 各学生の平均点（行方向に計算）
student_avg = np.mean(scores, axis=1)
print("各学生の平均点:", student_avg)
# 出力: [84.33 91.67 80.33 89.   92.33]

# 各科目の平均点（列方向に計算）
subject_avg = np.mean(scores, axis=0)
print("各科目の平均点:", subject_avg)
# 出力: [87.2 88.8 86.6]

# 全体の平均点
total_avg = np.mean(scores)
print("全体の平均:", total_avg)
# 出力: 87.53

# 最高点と最低点
print("最高点:", np.max(scores))  # 95
print("最低点:", np.min(scores))  # 76

条件を使ったデータ処理

# 80点以上の科目数を数える
high_scores = scores >= 80
count = np.sum(high_scores, axis=1)
print("80点以上の科目数:", count)
# 出力: [2 3 2 3 3]

# 90点以上の点数だけ抽出
excellent = scores[scores >= 90]
print("90点以上:", excellent)
# 出力: [90 92 95 92 95 93]

このように、NumPyを使えばデータ分析が簡単にできます。

実際の速度を比べてみよう

リンドくん

NumPyって本当に速いんですか？実際に見てみたいです！

たなべ

それじゃあ比較してみよう。同じ処理をNumPyとPythonリストでやった場合の違いを見てもらうよ。

速度比較

import numpy as np
import time

# 100万個のデータを準備
size = 1000000
python_list = list(range(size))
numpy_array = np.arange(size)

# Pythonリストで処理（リスト内包表記）
start = time.time()
result_list = [x * 2 for x in python_list]
time_list = time.time() - start
print(f"Pythonリスト: {time_list:.4f}秒")

# NumPyで処理
start = time.time()
result_numpy = numpy_array * 2
time_numpy = time.time() - start
print(f"NumPy: {time_numpy:.4f}秒")

# 何倍速いか
print(f"NumPyは約{time_list / time_numpy:.1f}倍速い！")

# 実行結果の例
# Pythonリスト: 0.0856秒
# NumPy: 0.0034秒
# NumPyは約25.2倍速い！

データ量が多いほど、NumPyの速さが際立ちます。これがデータサイエンスでNumPyが必須とされる理由です。

まとめ

リンドくん

NumPyって思ったよりシンプルですね！すぐに使えそうです。

たなべ

その通り！基本をマスターすれば、データサイエンスやAI開発の土台がしっかりできるよ。ぜひ実際に手を動かして試してみてね。

NumPyの重要ポイントとまとめておきましょう。

高速な数値計算 → 普通のPythonリストより10倍以上速い
シンプルな書き方 → ループを書かずに配列全体を処理できる
豊富な関数 → 平均、合計、統計処理などが簡単にできる
データサイエンスの基盤 → Pandas、scikit-learn、TensorFlowなどの土台

NumPyは、データサイエンスやAI開発を学ぶ上で最初に身につけるべき重要なスキルです。
最初は難しく感じるかもしれませんが、基本的な使い方はとてもシンプルです。

実際に手を動かして、コードを書いてみることが上達への近道です。
今回紹介したコード例を試しながら、NumPyの便利さを体感してみてください。

この記事をシェア

NumPy入門！配列操作と高速計算の基礎をやさしく解説

プログラミング学習でお悩みの方へ

NumPyとは？普通のリストとの違い

NumPyの特徴

なぜデータサイエンスで使われるのか

NumPyのインストールと配列の作り方

インストール方法

配列を作ってみよう

リストから配列を作る

便利な配列の作り方

配列の基本操作

配列の情報を見てみよう

配列の形を変える

配列から要素を取り出す

NumPyの高速計算

配列全体への計算

配列同士の計算

便利な数学関数

データの統計処理

成績データの分析例

条件を使ったデータ処理

実際の速度を比べてみよう

速度比較

まとめ

関連するコンテンツ