【Python】NumPy配列（ndarray）の基本操作：生成・アクセス・型指定

2026年1月3日

NumPyの中心となるデータ構造 ndarray（N-dimensional array）は、Python標準のリストよりも高速でメモリ効率が良く、豊富な数学関数を備えています。

ご提示いただいたコードには、arange（連番生成）や linspace（等分割）、スライシング、型指定といった重要な要素が含まれています。これらを整理し、誤字（aragen, prntなど）を修正した実行可能なコードと解説を以下に示します。

実行可能なサンプルコード

import numpy as np

def ndarray_operations():
    print("=== 1. ndarrayの生成 ===")
    
    # リストから生成
    x = np.array([1, 0, 1])
    print(f"From List: {x}")

    # 範囲指定で生成 (arange)
    # np.arange(開始, 終了, ステップ) -> 終了値は含まない
    x1 = np.arange(1, 10)
    print(f"arange(1, 10):    {x1}")
    
    x2 = np.arange(1, 10, 2)
    print(f"arange(step 2):   {x2}")

    # 要素数を指定して生成 (linspace)
    # np.linspace(開始, 終了, 要素数) -> 終了値を含む等間隔な値
    x_lin = np.linspace(1, 2, 5)
    print(f"linspace(1, 2, 5): {x_lin}")

    print("\n=== 2. データアクセスと変更 ===")
    
    x_acc = np.array([1, 2, 3, 4, 5])

    # インデックス指定
    print(f"Index 0:   {x_acc[0]}")
    
    # スライシング [開始:終了] -> 終了インデックスは含まない
    print(f"Slice 0:2: {x_acc[0:2]}")
    
    # 後ろからアクセス
    print(f"Index -1:  {x_acc[-1]}")

    # データの変更
    x_mod = np.array([1, 2, 3])
    print(f"Before: {x_mod}")
    x_mod[0] = 100
    print(f"After:  {x_mod}")

    print("\n=== 3. データ型 (dtype) ===")
    
    # 型の自動推定
    # 整数のみなら int32 または int64 になる
    x_int = np.array([1, 2, 3])
    print(f"Default: {x_int.dtype}")

    # 型の明示的指定
    # dtype=np.float64 で浮動小数点数として作成
    x_float = np.array([1, 2, 3], dtype=np.float64)
    print(f"Explicit: {x_float.dtype}")
    print(f"Values:   {x_float}") # 1. 2. 3. と表示される

if __name__ == "__main__":
    ndarray_operations()