NumPyとは、Pythonの*数値計算ライブラリ*の一種です。NumPyは**多次元配列オブジェクト**をPythonに実装し、多数の演算関数を提供します。NumPyは英語の読み方として「ナムパイ」と発音します。一部「ナムピー」とも呼ばれていますが、*「ナムパイ」の読み方が多数派*です。

Pythonは元来数値計算向けに開発されたものではなかったため、*SIG（Special Interest Group）*が中心となってPythonの構文に配列の取扱いを取込みました。NumPyの意味ですが、最初のパッケージはNumericと呼ばれていました。後に"Numerical Python extensions"や"NumPy"と呼ばれるようになりました。

現在はNumericの機能拡張を経て、NumPyが正式名称で*”Numerical Python”の略*となっています。
参考：[NumPy](https://numpy.org/)
参考：[Guide to NumPy](https://archive.org/details/NumPyBook)

Pythonは*プログラム記述がシンプル*で、オブジェクト指向プログラミングにより高機能なプログラムが簡単に記述できるメリットがあります。Pythonの特徴は*オープンソースソフトウェア*のため、ライブラリ等の**ソフトウェア公開が進んでいる**ことが挙げられます。

*Pythonのライブラリ*とは*複数の機能をまとめたもの*で、パッケージ化したものです。上記Pythonの特徴から、分析アルゴリズムが共通化しやすい*AI*では*機械学習や深層学習*のライブラリが数多く提供されています。

公開ライブラリのインストール管理は、*PyPI*または*Anaconda*の2種類の公開サービスのいずれかを用いることが多いです。特に*Anaconda*は*数値計算やデータ分析に必要なライブラリ*を**一括管理**できるため、*NumPyを利用する*際にも*Anacondaの活用*をおすすめします。

NumPyは*数値計算を行うライブラリ*です。NumPyではベクトル演算や行列演算で用いる**多次元配列を扱う**ことができます。

さらに、*NumPyのライブラリコード*は**C言語**で作成されています。C言語はコンパイラ言語のため、インタープリタ型に比べてランタイムのオーバーヘッドが少なく、コード最適化が図られています。このため*NumPyのライブラリ*は**高速で処理できる**ことが特徴です。

Pythonには*バイトコンパイル機能*があるものの、*インタープリタ*として動作するためC言語で開発されたライブラリの活用は魅力的です。上記理由から、*NumPy*は*データの読み込み工程やデータの前処理・加工工程*で良く用いられています。

NumPyと同じようによく用いられているのが、*pandas*です。**pandasとは数表や時系列データ**に強みを持つデータ操作解析ライブラリです。データを読み込んで*並べ替え*を行ったり、*欠損データの補完*を行って**データ分析しやすい形式に変換**したり、主に*データの読み込み工程やデータの前処理工程*で用いられます。
参考：[Pandas](https://pandas.pydata.org/)

NumPyの使い方は、Pythonコードで以下のように**ライブラリをインポート**します。
*“import numpy as np”*
ここで”np”はNumPyのドキュメントでも頻繁に利用される名称ですので、コードの影響がなければそのまま使用します。

ここで”import”時にエラーとなる場合は、NumPyがインストールされていない可能性があります。その際は以下のインストール方法を試してみましょう。

NumPyをインストールするには*Anacondaのconda*または*Anaconda Navigator*を用いるか、*pip*を用いてインストールします。

AnacondaではNumPyがデフォルトでインストールされています。インストールが必要で*conda*を用いる場合は、*”conda install numpy”*を実行します。*Anaconda Navigator*の場合はパッケージの「*Not Installed*」からNumPyをチェックし「*Apply*」をクリックします。「*Installed*」に表示されたら**使用可能**です。

*pip*を用いる場合は、*”pip install numpy”*を実行します。インストールしても*“import numpy as np”*でエラーが発生する場合は、*ライブラリのパスが正しく反映されていない*可能性があります。

特に*Anaconda*の場合は、インストール時のインストール先のパスを変更した際に*PATH環境変数*への反映を行う必要があります。インストール時にインストーラの「*Advanced Options*」で設定するか、手動で*Anacondaインストール先の”Library\bin”*を*PATH環境変数へ追加する*必要があります。

*配列*とは英語で*array*と呼びます。そもそも配列とは、*コンピュータプログラムのデータ構造の一種*です。配列は連続するデータ空間に格納される**データの集合体**を意味します。*NumPy*でも配列は*array*として利用します。

*使用例：*
　import numpy as np
　a = np.arange(3)
　b = np.array([1, 2, 3, 4])
　c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
　d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
　print("a=",a)
　print("b=",b)
　print("c=",c)
　print("d=",d)

*実行結果：*
a= [0 1 2]
b= [1 2 3 4]
c= [[1 2 3 4]
 [5 6 7 8]]
d= [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

*arange関数*は等差数列の配列を生成する関数です。*array関数*は配列を作成する関数です。変数aには等差数列の[0 1 2]が作成されました。変数bは1次元配列、変数cは2次元配列、変数dは3次元配列です。

上記の他にも2次元配列を作成する*eye関数*や*diag関数*が用意されています。3次元以上の*ndarray*を作成する場合は*ones関数*や*zeros関数*等を用います。

*Python*でも数値計算を行うためにいくつかの*組み込み関数*や*math関数*が用意しています。Pythonで演算する場合は配列の要素を実行時に動的に分解したり、for文のループを行いますので*処理が複雑になり計算時間がかかります*。

*NumPy*ではあらかじめ必要な計算処理をそれぞれの関数として提供しますので、**開発コードがシンプルでかつ高速処理**が行えます。以下に、数値計算で用いる一般的な処理と対応する関数について説明します。

・*四則演算*
　配列の四則演算には対応するadd・subtract・multiply・divideの各関数が用意されています。
・*累乗・平方根・指数・対数*
　累乗・平方根・指数・対数には対応するpower・sqrt・exp・logをはじめとする各関数が用意されています。
・*三角関数*
　三角関数には対応するsin・cos・tan・arcsin・arccos・arctanをはじめとする各関数が用意されています。

*NumPy*で基本演算が完了したら集計機能を活用します。NumPyの**集計機能**は、以下のような関数を提供しています。

・*ソート関数*
　ソート関数はsort・ndarray.sortをはじめとする各関数が用意されています。
 ・*集計関数*
　集計関数はmin・max・sum・meanをはじめとする各関数が用意されています。
・*欠損値・異常値処理*
　欠損値はNaNですのでisnanで欠損値を検出したり、nan\_to\_numで補正することができます。
　その他にもisinf・isneginf・isposinfで異常値を検出することもできます。

*NumPyでデータ分析する場合*は、元となるデータを*ファイルから入力し結果をファイルに保存する*のが一般的です。NumPyでは以下のような**データ入出力機能**を提供しています。

・*ファイル入出力*
　ファイル入出力はsave・load・savetxt・loadtxtをはじめとする各関数が用意されています。
　Npy配列ファイルの入出力はload・save関数を用います。
・*CSVファイル入出力*
　CSVファイルやテキストファイルの読み込みはloadtxt関数です。
　複雑なファイルはgenfromtxt関数を用います。

NumPyの初心者は、CSVのインポート・エクスポートはpandasを用いた方がより簡単に読み込みできます。取り込んだデータをNumPyで配列演算に利用します。読み込みはread\_csv関数、書き込みはto\_csv関数です。
*使用例：*
　import pandas as pd
　a = pd.read\_csv('ファイル名.csv', header=0).values

## NumPyを用いて効率的にデータ分析をすすめましょう

*NumPy*では*多次元配列を用いて高度なデータ分析を行う*ことができます。そのためPythonのデータ分析業務では、*データの読み込み工程やデータの前処理・加工工程*で良く用いられています。

NumPyを使うことで配列の演算や分析作業が*シンプルなコードで効率的、かつ高速に実行する*ことができます。さらにNumPyを活用することで、*データ分析の効率が向上し分析精度が向上します*。ぜひ*NumPy*を**データ分析に活用する**ことをおすすめします。

NumPyは多次元配列オブジェクトを、Pythonで効率的に利用することでデータ分析作業を簡単に行うことができます。NumPyはシンプルなコードでかつ高速に動作しますので人気があります。ここではNumPyの基本から主要関数まで丁寧に解説していきます。

NumPyとはPythonの数値計算ライブラリの一種で、”Numerical Python”の略を指します

NumPyはベクトル演算や行列演算で用いる多次元配列を取り扱うことができます

NumPyはC言語で開発したライブラリのため、データ分析をシンプルなコードで高速に実行できます

NumPyとは？効率的なPythonのデータ分析手法を解説！

NumPyの記事（1ページ目）