📖 このステップで学ぶこと

・配列の形状（shape）の確認方法

・reshape（リシェイプ）で配列の形を変える

・配列の結合（vstack、hstack）

・配列の分割（vsplit、hsplit）

・転置（transpose）で行と列を入れ替える

学習時間の目安: 2.5〜3時間

コード：1次元と2次元の形を確認

import numpy as np

# 1次元配列
arr_1d = np.array([1, 2, 3, 4, 5])
print("【1次元配列】")
print(f"配列: {arr_1d}")
print(f"形状: {arr_1d.shape}")
print()

# 2次元配列
arr_2d = np.array([
    [1, 2, 3],
    [4, 5, 6]
])
print("【2次元配列】")
print(arr_2d)
print(f"形状: {arr_2d.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

【1次元配列】
配列: [1 2 3 4 5]
形状: (5,)

【2次元配列】
[[1 2 3]
 [4 5 6]]
形状: (2, 3)

📌 shapeの読み方

コード：配列の詳細情報を表示

import numpy as np

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

print("配列:")
print(arr)
print()
print(f"形状（shape）: {arr.shape}")
print(f"次元数（ndim）: {arr.ndim}")
print(f"要素数（size）: {arr.size}")
print(f"行数: {arr.shape[0]}")
print(f"列数: {arr.shape[1]}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

配列:
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

形状（shape）: (3, 4)
次元数（ndim）: 2
要素数（size）: 12
行数: 3
列数: 4

💡 コードの解説

arr.shape[0]

・shapeの最初の要素 = 行数

・(3, 4)なら shape[0] は 3

arr.shape[1]

・shapeの2番目の要素 = 列数

・(3, 4)なら shape[1] は 4

📝 書き方：reshape()

配列.reshape(行数, 列数)

元の配列を、指定した行数×列数の形に変形します。

条件：元の要素数 = 新しい行数 × 新しい列数

コード：1次元配列を2次元に変形

import numpy as np

# 1次元配列を作成（要素6個）
arr = np.array([1, 2, 3, 4, 5, 6])
print(f"元の配列: {arr}")
print(f"形状: {arr.shape}")
print()

# 2行3列に変形
arr_2x3 = arr.reshape(2, 3)
print("2行3列に変形:")
print(arr_2x3)
print(f"形状: {arr_2x3.shape}")
print()

# 3行2列に変形
arr_3x2 = arr.reshape(3, 2)
print("3行2列に変形:")
print(arr_3x2)
print(f"形状: {arr_3x2.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列: [1 2 3 4 5 6]
形状: (6,)

2行3列に変形:
[[1 2 3]
 [4 5 6]]
形状: (2, 3)

3行2列に変形:
[[1 2]
 [3 4]
 [5 6]]
形状: (3, 2)

💡 reshapeの仕組み

元の配列 [1, 2, 3, 4, 5, 6] が、左上から右に向かって順番に詰められていきます：

2行3列の場合：

　1行目：1, 2, 3

　2行目：4, 5, 6

⚠️ reshapeの条件

元の要素数と新しい形の要素数は同じでなければなりません。

OK：6個の要素 → (2, 3) または (3, 2) → 2×3=6、3×2=6

NG：6個の要素 → (2, 4) → 2×4=8 ≠ 6 → エラー

📝 書き方：-1を使ったreshape

配列.reshape(3, -1) → 3行で、列数は自動計算

配列.reshape(-1, 4) → 4列で、行数は自動計算

配列.reshape(-1) → 1次元に変換

コード：-1で自動計算

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
print(f"元の配列: {arr}")
print(f"要素数: {arr.size}")
print()

# 3行で、列数は自動計算（12÷3=4列）
arr_3rows = arr.reshape(3, -1)
print("3行、列数自動:")
print(arr_3rows)
print(f"形状: {arr_3rows.shape}")
print()

# 4列で、行数は自動計算（12÷4=3行）
arr_4cols = arr.reshape(-1, 4)
print("行数自動、4列:")
print(arr_4cols)
print(f"形状: {arr_4cols.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列: [ 1  2  3  4  5  6  7  8  9 10 11 12]
要素数: 12

3行、列数自動:
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
形状: (3, 4)

行数自動、4列:
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
形状: (3, 4)

💡 -1 はとても便利！

「3行にしたいけど、列数は計算が面倒…」というときに使います。

NumPyが自動で計算してくれるので、ミスが減ります。

実務では頻繁に使うテクニックです！

コード：2次元を1次元に変換

import numpy as np

arr_2d = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

print("2次元配列:")
print(arr_2d)
print()

# flatten()で1次元に変換
arr_1d = arr_2d.flatten()
print(f"1次元に変換: {arr_1d}")

# reshape(-1)でも同じ結果
arr_1d_v2 = arr_2d.reshape(-1)
print(f"reshape(-1): {arr_1d_v2}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

2次元配列:
[[1 2 3]
 [4 5 6]
 [7 8 9]]

1次元に変換: [1 2 3 4 5 6 7 8 9]
reshape(-1): [1 2 3 4 5 6 7 8 9]

💡 flatten()とreshape(-1)の違い

flatten()：常に新しい配列のコピーを作る

reshape(-1)：元の配列と同じメモリを参照することがある

通常はどちらを使っても問題ありませんが、flatten()の方が安全です。

📝 書き方：vstack

np.vstack([配列1, 配列2, …])

vstack = Vertical Stack（垂直に積む）

配列を下に追加していくイメージです。

コード：配列を縦に結合

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

print(f"配列1: {arr1}")
print(f"配列2: {arr2}")
print()

# 縦に結合
result = np.vstack([arr1, arr2])
print("縦に結合（vstack）:")
print(result)
print(f"形状: {result.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

配列1: [1 2 3]
配列2: [4 5 6]

縦に結合（vstack）:
[[1 2 3]
 [4 5 6]]
形状: (2, 3)

💡 vstackのイメージ

2つの1次元配列が、2次元配列の各行になりました：

　[1, 2, 3] → 1行目

　[4, 5, 6] → 2行目

📝 書き方：hstack

np.hstack([配列1, 配列2, …])

hstack = Horizontal Stack（水平に並べる）

配列を右に追加していくイメージです。

コード：配列を横に結合

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

print(f"配列1: {arr1}")
print(f"配列2: {arr2}")
print()

# 横に結合
result = np.hstack([arr1, arr2])
print(f"横に結合（hstack）: {result}")
print(f"形状: {result.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

配列1: [1 2 3]
配列2: [4 5 6]

横に結合（hstack）: [1 2 3 4 5 6]
形状: (6,)

コード：2次元配列の結合

import numpy as np

arr1 = np.array([
    [1, 2],
    [3, 4]
])

arr2 = np.array([
    [5, 6],
    [7, 8]
])

print("配列1:")
print(arr1)
print("\n配列2:")
print(arr2)

# 縦に結合（行を追加）
v_result = np.vstack([arr1, arr2])
print("\n縦に結合（vstack）:")
print(v_result)
print(f"形状: {v_result.shape}")

# 横に結合（列を追加）
h_result = np.hstack([arr1, arr2])
print("\n横に結合（hstack）:")
print(h_result)
print(f"形状: {h_result.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

配列1:
[[1 2]
 [3 4]]

配列2:
[[5 6]
 [7 8]]

縦に結合（vstack）:
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
形状: (4, 2)

横に結合（hstack）:
[[1 2 5 6]
 [3 4 7 8]]
形状: (2, 4)

📌 vstackとhstackの覚え方

📝 書き方：concatenate

np.concatenate([配列1, 配列2], axis=0) → 縦方向（vstackと同じ）

np.concatenate([配列1, 配列2], axis=1) → 横方向（hstackと同じ）

axis（軸）: 0 = 縦方向、1 = 横方向

コード：concatenateで結合方向を指定

import numpy as np

arr1 = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

arr2 = np.array([
    [7, 8, 9],
    [10, 11, 12]
])

# axis=0 で縦方向に結合（vstackと同じ）
result_v = np.concatenate([arr1, arr2], axis=0)
print("縦に結合（axis=0）:")
print(result_v)
print()

# axis=1 で横方向に結合（hstackと同じ）
result_h = np.concatenate([arr1, arr2], axis=1)
print("横に結合（axis=1）:")
print(result_h)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

縦に結合（axis=0）:
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

横に結合（axis=1）:
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

💡 vstack/hstack と concatenate の使い分け

vstack/hstack：単純な縦・横結合に便利。覚えやすい

concatenate：3次元以上の配列や、プログラムで方向を切り替えたいときに便利

最初はvstack/hstackを使い、慣れてきたらconcatenateも使ってみましょう。

📝 書き方：vsplit

np.vsplit(配列, 分割数)

配列を縦方向に、指定した数に等分します。

条件：行数が分割数で割り切れること

コード：配列を縦に分割

import numpy as np

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

print("元の配列:")
print(arr)
print(f"形状: {arr.shape}")
print()

# 2つに分割
part1, part2 = np.vsplit(arr, 2)

print("前半（part1）:")
print(part1)
print()
print("後半（part2）:")
print(part2)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列:
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
形状: (4, 3)

前半（part1）:
[[1 2 3]
 [4 5 6]]

後半（part2）:
[[ 7  8  9]
 [10 11 12]]

💡 vsplitのイメージ

4行の配列を2分割 → 各2行ずつの配列が2つできます。

「上半分」と「下半分」に分けるイメージです。

コード：配列を横に分割

import numpy as np

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

print("元の配列:")
print(arr)
print(f"形状: {arr.shape}")
print()

# 3つに分割（6列 ÷ 3 = 各2列）
part1, part2, part3 = np.hsplit(arr, 3)

print("1つ目:")
print(part1)
print()
print("2つ目:")
print(part2)
print()
print("3つ目:")
print(part3)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列:
[[ 1  2  3  4  5  6]
 [ 7  8  9 10 11 12]]
形状: (2, 6)

1つ目:
[[1 2]
 [7 8]]

2つ目:
[[ 3  4]
 [ 9 10]]

3つ目:
[[ 5  6]
 [11 12]]

📝 書き方：split（位置指定）

np.split(配列, [位置1, 位置2, …])

指定した位置で配列を切り分けます。

位置は「その前で切る」イメージです。

コード：指定位置で分割

import numpy as np

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

print(f"元の配列: {arr}")
print()

# インデックス3と7の位置で分割
# [1,2,3] | [4,5,6,7] | [8,9,10]
part1, part2, part3 = np.split(arr, [3, 7])

print(f"0〜3番目（インデックス0-2）:  {part1}")
print(f"3〜7番目（インデックス3-6）:  {part2}")
print(f"7番目以降（インデックス7-9）: {part3}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列: [ 1  2  3  4  5  6  7  8  9 10]

0〜3番目（インデックス0-2）:  [1 2 3]
3〜7番目（インデックス3-6）:  [4 5 6 7]
7番目以降（インデックス7-9）: [ 8  9 10]

💡 splitの位置指定の考え方

[3, 7]を指定すると：

・0〜2番目（3個）

・3〜6番目（4個）

・7〜9番目（3個）

の3つに分かれます。「その位置の前で切る」と覚えましょう。

📝 書き方：転置

配列.T

Tは「Transpose（転置）」の頭文字です。

とても短く書けて便利です。

コード：行と列を入れ替える

import numpy as np

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

print("元の配列（2行3列）:")
print(arr)
print(f"形状: {arr.shape}")
print()

# 転置
arr_t = arr.T
print("転置後（3行2列）:")
print(arr_t)
print(f"形状: {arr_t.shape}")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元の配列（2行3列）:
[[1 2 3]
 [4 5 6]]
形状: (2, 3)

転置後（3行2列）:
[[1 4]
 [2 5]
 [3 6]]
形状: (3, 2)

💡 転置のイメージ

元の配列の1行目が、転置後の1列目になります：

　元の1行目 [1, 2, 3] → 転置後の1列目 [1, 2, 3]

　元の2行目 [4, 5, 6] → 転置後の2列目 [4, 5, 6]

表を「斜め45度に傾ける」イメージです。

コード：生徒×科目 → 科目×生徒 に変換

import numpy as np

# 生徒3人の国語、数学、英語の点数
# 行 = 生徒、列 = 科目
scores = np.array([
    [85, 90, 78],  # 太郎
    [92, 88, 95],  # 花子
    [78, 85, 82]   # 次郎
])

print("元のデータ（生徒×科目）:")
print(scores)
print("→ 各行が1人の生徒の全科目の点数")
print()

# 転置して科目×生徒に変換
scores_t = scores.T
print("転置後（科目×生徒）:")
print(scores_t)
print("→ 各行が1科目の全生徒の点数")
print()

# 各科目の平均点を計算（転置後なら各行の平均）
subjects = ["国語", "数学", "英語"]
print("各科目の平均点:")
for i, subject in enumerate(subjects):
    avg = scores_t[i].mean()
    print(f"  {subject}: {avg:.1f}点")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元のデータ（生徒×科目）:
[[85 90 78]
 [92 88 95]
 [78 85 82]]
→ 各行が1人の生徒の全科目の点数

転置後（科目×生徒）:
[[85 92 78]
 [90 88 85]
 [78 95 82]]
→ 各行が1科目の全生徒の点数

各科目の平均点:
  国語: 85.0点
  数学: 87.7点
  英語: 85.0点

💡 転置が便利な場面

・「生徒ごと」のデータを「科目ごと」に変えたいとき

・「店舗ごと」のデータを「日付ごと」に変えたいとき

・行列の計算で形を合わせたいとき

コード：12ヶ月のデータを四半期別に整形

import numpy as np

# 12ヶ月の売上データ（1次元、単位：万円）
monthly_sales = np.array([
    120, 135, 150,   # 1-3月（Q1）
    145, 160, 175,   # 4-6月（Q2）
    180, 190, 185,   # 7-9月（Q3）
    170, 160, 200    # 10-12月（Q4）
])

print(f"月次売上データ: {monthly_sales}")
print(f"要素数: {monthly_sales.size}")
print()

# 4四半期 × 3ヶ月 に整形
quarterly = monthly_sales.reshape(4, 3)
print("四半期別に整形（4行3列）:")
print(quarterly)
print()

# 各四半期の合計を計算
print("四半期別の売上合計:")
quarters = ["Q1（1-3月）", "Q2（4-6月）", "Q3（7-9月）", "Q4（10-12月）"]
for i, q in enumerate(quarters):
    total = quarterly[i].sum()
    print(f"  {q}: {total}万円")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

月次売上データ: [120 135 150 145 160 175 180 190 185 170 160 200]
要素数: 12

四半期別に整形（4行3列）:
[[120 135 150]
 [145 160 175]
 [180 190 185]
 [170 160 200]]

四半期別の売上合計:
  Q1（1-3月）: 405万円
  Q2（4-6月）: 480万円
  Q3（7-9月）: 555万円
  Q4（10-12月）: 530万円

コード：3店舗のデータを結合して分析

import numpy as np

# 各店舗の1週間の売上（単位：千円）
store_a = np.array([50, 62, 58, 71, 65, 88, 92])
store_b = np.array([45, 55, 60, 68, 70, 85, 90])
store_c = np.array([52, 58, 55, 65, 68, 82, 88])

print("店舗A:", store_a)
print("店舗B:", store_b)
print("店舗C:", store_c)
print()

# 縦に結合して、店舗×日 の2次元配列に
all_stores = np.vstack([store_a, store_b, store_c])
print("全店舗のデータ（縦に結合）:")
print(all_stores)
print(f"形状: {all_stores.shape}")
print()

# 各店舗の週間合計（行ごとの合計）
print("各店舗の週間合計:")
stores = ["店舗A", "店舗B", "店舗C"]
for i, store in enumerate(stores):
    total = all_stores[i].sum()
    print(f"  {store}: {total}千円")
print()

# 各曜日の全店舗合計（列ごとの合計）
daily_total = all_stores.sum(axis=0)
days = ["月", "火", "水", "木", "金", "土", "日"]
print("曜日別の全店舗合計:")
for day, total in zip(days, daily_total):
    print(f"  {day}曜: {total}千円")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

店舗A: [50 62 58 71 65 88 92]
店舗B: [45 55 60 68 70 85 90]
店舗C: [52 58 55 65 68 82 88]

全店舗のデータ（縦に結合）:
[[50 62 58 71 65 88 92]
 [45 55 60 68 70 85 90]
 [52 58 55 65 68 82 88]]
形状: (3, 7)

各店舗の週間合計:
  店舗A: 486千円
  店舗B: 473千円
  店舗C: 468千円

曜日別の全店舗合計:
  月曜: 147千円
  火曜: 175千円
  水曜: 173千円
  木曜: 204千円
  金曜: 203千円
  土曜: 255千円
  日曜: 270千円

💡 コードの解説

all_stores.sum(axis=0)

・axis=0 は「縦方向に合計」という意味

・各列（日ごと）の全店舗合計が計算されます

zip(days, daily_total)

・2つのリストを同時にループで回すときに使います

・day と total が同時に取り出されます

📋 問題

1から12までの整数を含む1次元配列を作成し、3行4列の2次元配列に変形してください。

📋 問題

[1, 2, 3]という配列と[4, 5, 6]という配列を作成し、縦に結合してください。

📋 問題

以下の2行3列の配列を転置して、各行（元の列）の合計を計算してください。

arr = [[10, 20, 30], [40, 50, 60]]

📋 問題

1から20までの配列を作成し、前半10個と後半10個に分割してください。それぞれの合計も表示してください。

📋 問題

3つの店舗の売上データ（各5日分）があります。これらを結合して3行5列の配列を作り、各店舗の平均売上と各日の合計売上を計算してください。

店舗A = [120, 135, 150, 145, 160]
店舗B = [110, 125, 140, 138, 155]
店舗C = [115, 130, 145, 142, 158]

📋 問題

1から24までの連続した数値を含む配列を作成し、以下の操作を行ってください：

1. 4行6列に整形

2. 転置して6行4列に変換

3. 2つに分割（前半3行、後半3行）

4. それぞれの平均値を計算

✅ 学んだこと

✓ shapeで配列の形状（行数×列数）を確認できる

✓ reshape()で配列の形を変更できる

✓ -1を使うとサイズを自動計算してくれる

✓ vstack/hstackで配列を縦/横に結合できる

✓ vsplit/hsplitで配列を縦/横に分割できる

✓ .Tで転置（行と列の入れ替え）ができる

✓ flatten()で1次元に変換できる

💡 次のステップに進む前に確認

以下のことができるようになったか確認しましょう：

□ reshape()で配列の形を変えられる

□ vstack/hstackで配列を結合できる

□ vsplit/hsplitで配列を分割できる

□ .Tで転置ができる

□ axis（軸）の概念が理解できている

これらができたら、次のステップに進みましょう！

A: -1を指定すると、NumPyが自動的にサイズを計算してくれます。例えば12個の要素をreshape(3, -1)とすると、3行で列数は自動的に4になります（12÷3=4）。計算が面倒なときにとても便利なので、積極的に使いましょう！

A: データを追加する方向で決めます。vstackは新しい行を追加（下に追加）、hstackは新しい列を追加（右に追加）します。「新しいデータ（行）を追加」ならvstack、「新しい項目（列）を追加」ならhstackと覚えましょう。

A: データの見方を変えたい時に使います。例えば、「生徒ごとの点数」を「科目ごとの点数」に変えたい時です。Excelで「行列の入れ替え」をするのと同じ操作です。データ分析では頻繁に使います。

A: どちらも1次元に変換しますが、flatten()は常に新しい配列のコピーを作るのに対し、reshape(-1)は元の配列と同じメモリを参照する場合があるという違いがあります。安全性を重視するならflatten()、メモリ効率を重視するならreshape(-1)を使いましょう。

A: エラーが出ます。vstackなら列数が同じ、hstackなら行数が同じである必要があります。まずはshapeで形を確認し、必要ならreshape()で調整しましょう。

A: axis=0は「縦方向」（行をまたぐ）、axis=1は「横方向」（列をまたぐ）です。例えばsum(axis=0)は「各列の合計」、sum(axis=1)は「各行の合計」になります。「axis=0は行を圧縮」「axis=1は列を圧縮」と覚えると分かりやすいです。