【Python】NumPy入門：インストールから多次元配列（ndarray）の作成まで

2026年1月3日

科学技術計算や機械学習、Webデータ分析などの分野では、大量の数値データを高速に処理する必要があります。Python標準のリスト型では処理速度や記述の面で限界があるため、NumPy（ナンパイ） というライブラリが事実上の標準として使われます。

ここでは、NumPyの導入方法と、その核となる「多次元配列（ndarray）」の基本的な作り方を解説します。

1. インストールとインポート

NumPyは外部ライブラリのため、インストールが必要です。慣例として np という別名を付けてインポートします。

インストール

pip install numpy

インポート

import numpy as np

2. NumPy配列（ndarray）の作成

NumPyでは np.array() 関数を使って、Pythonのリストから配列を作成します。ユーザーの例にあるような「リストのリスト」を渡すと、自動的に「2次元配列（行列）」として認識されます。

実行可能なサンプルコード

import numpy as np

def numpy_basics_demo():
    print("=== NumPy Array Creation ===")

    # 1. 2次元配列の作成（ユーザー提示の例）
    # リストの入れ子構造を渡します
    source_list = [
        [11, 12, 13],
        [21, 22, 23],
        [31, 32, 33]
    ]
    
    # np.array() で ndarray オブジェクトに変換
    x = np.array(source_list)

    print(f"x:\n{x}")
    
    # 2. 配列の重要属性（プロパティ）を確認
    # データ分析では、まずこれらの情報を確認するのが基本です
    print("\n[Array Attributes]")
    print(f"Type:  {type(x)}")      # <class 'numpy.ndarray'>
    print(f"Rank (ndim): {x.ndim}") # 次元の数（今回は2）
    print(f"Shape: {x.shape}")      # 各次元の要素数（3行3列なので (3, 3)）
    print(f"Size:  {x.size}")       # 全要素数（9）
    print(f"Dtype: {x.dtype}")      # データ型（例: int64）

    # 3. NumPyならではの機能：要素への一括アクセス
    # Pythonのリストではループが必要な処理も、NumPyなら一行で書けます
    print("\n[Operations]")
    
    # スライシング: [行範囲, 列範囲]
    # 例: 全行の、インデックス1（2列目）を取得
    col_2 = x[:, 1]
    print(f"2nd column: {col_2}") # [12 22 32]
    
    # ブロードキャスト計算
    # 全要素に 100 を足す（ループ不要）
    x_plus = x + 100
    print(f"x + 100:\n{x_plus}")

if __name__ == "__main__":
    numpy_basics_demo()

解説：Pythonリストとの違い

np.array は単なるリストではありません。最大の違いは 「メモリ効率」 と 「ベクトル演算」 です。

型が固定される: リストは数値や文字列を混在できますが、NumPy配列は「すべての要素が同じ型（int や float など）」である必要があります。これにより高速な計算が可能になります。
要素ごとの計算:
- リスト: [1, 2] * 2 → [1, 2, 1, 2] （連結される）
- NumPy: np.array([1, 2]) * 2 → [2, 4] （各要素が計算される）