コンテンツにスキップ
AI Roads AI Roads

3.2.5 配列の変形と操作

NumPy 変形と軸操作の図

学習目標

Section titled “学習目標”
  • reshape、flatten、ravel などの変形操作を身につける
  • 配列の結合（concatenate、stack、hstack、vstack）を学ぶ
  • 配列の分割（split、hsplit、vsplit）を学ぶ
  • 転置と軸の入れ替えを理解する

reshape：形状を変える

Section titled “reshape：形状を変える”

reshape は最もよく使う変形操作です。データを変えずに配列の形状だけを変えます。

基本的な使い方

Section titled “基本的な使い方”
import numpy as np


arr = np.arange(12)    # [ 0  1  2  3  4  5  6  7  8  9 10 11]
print(arr.shape)       # (12,)


# 3 行 4 列にする
m1 = arr.reshape(3, 4)
print(m1)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]


# 4 行 3 列にする
m2 = arr.reshape(4, 3)
print(m2)
# [[ 0  1  2]
#  [ 3  4  5]
#  [ 6  7  8]
#  [ 9 10 11]]


# 2×2×3 の3次元配列にする
m3 = arr.reshape(2, 2, 3)
print(m3)
# [[[ 0  1  2]
#   [ 3  4  5]]
#  [[ 6  7  8]
#   [ 9 10 11]]]

-1 を使って自動計算する

Section titled “-1 を使って自動計算する”

-1 は「NumPy にこの次元を自動計算してもらう」という意味です。

arr = np.arange(12)


# 3 行にしたい。列数は自動で計算してほしい
m1 = arr.reshape(3, -1)    # 4 列になる
print(m1.shape)             # (3, 4)


# 4 列にしたい。行数は自動で計算してほしい
m2 = arr.reshape(-1, 4)    # 3 行になる
print(m2.shape)             # (3, 4)


# 1 列にする（列ベクトル）
col = arr.reshape(-1, 1)
print(col.shape)            # (12, 1)

flatten と ravel：配列を平らにする

Section titled “flatten と ravel：配列を平らにする”

多次元配列を1次元に戻します。

matrix = np.array([
    [1, 2, 3],
    [4, 5, 6]
])


# flatten：コピーを返す（変更しても元の配列に影響しない）
flat = matrix.flatten()
print(flat)          # [1 2 3 4 5 6]
flat[0] = 99
print(matrix[0, 0])  # 1  ← 元の配列は変わらない


# ravel：ビューを返す（変更すると元の配列にも影響する）
rav = matrix.ravel()
print(rav)           # [1 2 3 4 5 6]
rav[0] = 99
print(matrix[0, 0])  # 99  ← 元の配列も変わる！
方法戻り値の種類変更が元の配列に影響するか速度
flatten()コピーしないやや遅い（データをコピーする）
ravel()ビューするやや速い（コピーしない）
reshape(-1)ビューするやや速い

配列の結合

Section titled “配列の結合”

concatenate：汎用的な結合

Section titled “concatenate：汎用的な結合”
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])


# 1次元の結合
c = np.concatenate([a, b])
print(c)  # [1 2 3 4 5 6]

2次元配列を結合するときは、方向（axis）を指定します。

m1 = np.array([[1, 2], [3, 4]])
m2 = np.array([[5, 6], [7, 8]])


# axis=0：上下に結合（行数が増える）
v = np.concatenate([m1, m2], axis=0)
print(v)
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]


# axis=1：左右に結合（列数が増える）
h = np.concatenate([m1, m2], axis=1)
print(h)
# [[1 2 5 6]
#  [3 4 7 8]]

vstack と hstack：手軽な結合

Section titled “vstack と hstack：手軽な結合”
m1 = np.array([[1, 2], [3, 4]])
m2 = np.array([[5, 6], [7, 8]])


# vstack = vertical stack = 上下に結合 = concatenate(axis=0)
print(np.vstack([m1, m2]))
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]


# hstack = horizontal stack = 左右に結合 = concatenate(axis=1)
print(np.hstack([m1, m2]))
# [[1 2 5 6]
#  [3 4 7 8]]

stack：新しい次元を作る

Section titled “stack：新しい次元を作る”

stack と concatenate の違いは、stack が次元を1つ増やすことです。

a = np.array([1, 2, 3])   # shape: (3,)
b = np.array([4, 5, 6])   # shape: (3,)


# stack で新しい次元に積む
s0 = np.stack([a, b], axis=0)   # 「横に並べる」イメージ
print(s0)
# [[1 2 3]
#  [4 5 6]]
print(s0.shape)  # (2, 3)


s1 = np.stack([a, b], axis=1)   # 「縦に並べる」イメージ
print(s1)
# [[1 4]
#  [2 5]
#  [3 6]]
print(s1.shape)  # (3, 2)

結合方法のまとめ

Section titled “結合方法のまとめ”
関数役割次元の変化
np.concatenate()既存の軸に沿って結合次元は変わらず、どこかの軸が長くなる
np.vstack()上下に結合行数が増える
np.hstack()左右に結合列数が増える
np.stack()新しい軸に沿って積む次元が1つ増える

配列の分割

Section titled “配列の分割”

split：均等に分割する

Section titled “split：均等に分割する”
arr = np.arange(12)   # [ 0  1  2  3  4  5  6  7  8  9 10 11]


# 3 つに均等分割
parts = np.split(arr, 3)
print(parts[0])   # [0 1 2 3]
print(parts[1])   # [4 5 6 7]
print(parts[2])   # [8 9 10 11]


# 指定した位置で分割
parts2 = np.split(arr, [3, 7])  # インデックス 3 と 7 で切る
print(parts2[0])  # [0 1 2]
print(parts2[1])  # [3 4 5 6]
print(parts2[2])  # [7 8 9 10 11]

2次元の分割

Section titled “2次元の分割”
matrix = np.arange(16).reshape(4, 4)
print(matrix)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]
#  [12 13 14 15]]


# vsplit：上下に分割
top, bottom = np.vsplit(matrix, 2)
print(top)
# [[0 1 2 3]
#  [4 5 6 7]]


# hsplit：左右に分割
left, right = np.hsplit(matrix, 2)
print(left)
# [[ 0  1]
#  [ 4  5]
#  [ 8  9]
#  [12 13]]

転置と軸の入れ替え

Section titled “転置と軸の入れ替え”

2次元の転置

Section titled “2次元の転置”

転置は、行を列に、列を行に変えることです。

matrix = np.array([
    [1, 2, 3],
    [4, 5, 6]
])
print(matrix.shape)  # (2, 3)


# 転置
t = matrix.T
print(t)
# [[1 4]
#  [2 5]
#  [3 6]]
print(t.shape)  # (3, 2)


# transpose でもできる
t2 = matrix.transpose()
print(np.array_equal(t, t2))  # True

次元を追加する：np.newaxis と expand_dims

Section titled “次元を追加する：np.newaxis と expand_dims”

配列に次元を1つ追加したいことがあります。たとえば、行ベクトルを列ベクトルにしたいときです。

np.newaxis
arr = np.array([1, 2, 3])      # shape: (3,)


row = arr[np.newaxis, :]        # shape: (1, 3) 行ベクトル
col = arr[:, np.newaxis]        # shape: (3, 1) 列ベクトル
print(row)  # [[1 2 3]]
print(col)
# [[1]
#  [2]
#  [3]]


# 方法 2：np.expand_dims
row2 = np.expand_dims(arr, axis=0)   # axis=0 に次元を追加 → (1, 3)
col2 = np.expand_dims(arr, axis=1)   # axis=1 に次元を追加 → (3, 1)


# 方法 3：reshape
row3 = arr.reshape(1, -1)   # (1, 3)
col3 = arr.reshape(-1, 1)   # (3, 1)

次元を減らす：squeeze

Section titled “次元を減らす：squeeze”

サイズが 1 の次元を取り除きます。

arr = np.array([[[1, 2, 3]]])
print(arr.shape)          # (1, 1, 3)


squeezed = arr.squeeze()
print(squeezed.shape)     # (3,)
print(squeezed)           # [1 2 3]

実践：データの再構成

Section titled “実践：データの再構成”
import numpy as np


# 例：12か月分の売上データ（1次元）
monthly_sales = np.array([
    120, 135, 150, 180, 200, 210,
    195, 188, 220, 250, 280, 310
])


# 4 四半期 × 3 か月に再構成
quarterly = monthly_sales.reshape(4, 3)
print("四半期データ:")
print(quarterly)
# [[120 135 150]    Q1
#  [180 200 210]    Q2
#  [195 188 220]    Q3
#  [250 280 310]]   Q4


# 各四半期の売上合計
q_totals = quarterly.sum(axis=1)
quarters = ["Q1", "Q2", "Q3", "Q4"]
for q, total in zip(quarters, q_totals):
    print(f"  {q}: {total}")


# 前半と後半
first_half, second_half = np.vsplit(quarterly, 2)
print(f"\n前半の合計: {first_half.sum()}")
print(f"後半の合計: {second_half.sum()}")

残す証拠

Section titled “残す証拠”

このページを終えたら、この evidence card を残します。

配列状態
操作前の shape、dtype、axis、サンプル値
操作
indexing、slicing、broadcasting、reshape、線形代数、またはランダム/stat関数
出力
結果の配列形状、値、または統計量
失敗確認
軸の混同、view/copy の落とし穴、ブロードキャスト不一致、または誤った形状
期待される成果
配列操作を確認できる出力形状と値

まとめ

Section titled “まとめ”
操作関数説明
形状を変えるreshape()要素数は変えずに、次元の並びを変える
平らにするflatten() / ravel()多次元を1次元にする
結合するconcatenate() / vstack() / hstack()複数の配列をまとめる
積むstack()まとめて、さらに1次元増やす
分割するsplit() / vsplit() / hsplit()1つの配列を複数に分ける
転置する.T / transpose()行と列を入れ替える
次元を増やすnp.newaxis / expand_dims()size=1 の次元を追加する
次元を減らすsqueeze()size=1 の次元を取り除く

やってみよう

Section titled “やってみよう”

練習 1：reshape の練習

Section titled “練習 1：reshape の練習”
arr = np.arange(24)


# 1. 4×6 の行列にする
# 2. 2×3×4 の3次元配列にする
# 3. 6 行にする（列数は自動計算）
# 4. (2,3,4) の配列を1次元に戻す

練習 2：結合と分割

Section titled “練習 2：結合と分割”
# 3 クラス分の成績データ
class_a = np.array([[85, 90], [78, 82], [92, 88]])   # 3 人 × 2 科目
class_b = np.array([[76, 80], [95, 91], [83, 87]])   # 3 人 × 2 科目
class_c = np.array([[88, 92], [71, 75], [90, 85]])   # 3 人 × 2 科目


# 1. 3 クラスの成績を 9×2 の行列にまとめる
# 2. 3 科目目の点数を追加したいとき、どう結合する？
extra_scores = np.array([[70], [65], [80], [75], [90], [85], [78], [72], [88]])
# 3. まとめた 9×3 の行列を、3 人ずつに分割して 3 グループに戻す

練習 3：データの再構成

Section titled “練習 3：データの再構成”
# 1年365日の気温データ（ダミーデータ）
rng = np.random.default_rng(seed=42)
daily_temps = rng.uniform(low=-5, high=38, size=360)  # 分割しやすいように360日を使う


# 1. 12 か月 × 30 日に再構成する
# 2. 各月の平均気温を計算する
# 3. 最も暑い月と最も寒い月を見つける
# 4. 前半と後半の平均気温の差を計算する
参考実装と解説
  • 同じ 24 個の値は、要素数が 24 のままであれば (4, 6)、(2, 3, 4)、(6, -1) に変形できます。-1 は NumPy に推定させるため、1 つの次元だけに使います。
  • クラス別スコアでは、np.vstack が縦方向の結合、np.hstack が列方向の追加、行数がそろう場合は np.split で同じ大きさのブロックに戻せます。
  • 日別気温データは、各月 30 件なら (12, 30) に reshape し、axis=1 で月平均、argmax や argmin で最も暑い月や寒い月を探します。