NumPy:【集計関数のaxis】の説明と実行例

page:[NumPyまとめ]

1. サマリ
2. はじめに
3. axisの方向
- 3.1. はじめに注意事項
- 3.2. 方向を理解するためのイメージ
4. サンプルコードで理解を深める
- 4.1. 2次元データで考える
- 4.2. 多次元だとどうなるか？
5. まとめ
- 5.1. axisについてのまとめ

サマリ

np.sum
- 合計
np.mean
- 平均
np.max
- 最大
np.min
- 最小
axis
- 集計する方向

目次へ＞＞　先頭へ＞＞

はじめに

前提

np.shape、np.ndim
- NumPy:【形状、次元、要素数】の確認方法
np.arange
- NumPy:【序数,順列,倍数,等分割】の実行結果
np.random.randint
- NumPy:【np.random】のあれこれ（実行結果で説明）

目次へ＞＞　先頭へ＞＞

基本

データ作成

import numpy as np
a = np.arange(5)
print(a)
print(a.shape)

[0 1 2 3 4]
(5,)

形状(5, )のndarray（NumPy配列）を作成
1次元のデータ

集計関数を実行

print(np.sum(a)) #合計
print(np.mean(a)) #平均
print(np.max(a)) #最大
print(np.min(a)) #最小

合計は10
平均は2.0
最大は4
最小は0

目次へ＞＞　先頭へ＞＞

2つの使い方を理解

b = np.max(a)
c = a.max()
print(b)
print(c)

4
4

np.max(a)
- 引数にndarray（NumPy配列）を指定する
a.max()
- ndarray（NumPy配列）のメソッドとして実行
- 後ろにつける時に()を付け忘れないように
いずれでも実行可能
- 以降で説明するaxisはnp.max(a, axis=0)、a.max(axis=0)のように記述できる

目次へ＞＞　先頭へ＞＞

axisの方向

はじめに注意事項

このイメージは最も基本的な2次元配列（行列）で考える
集計関数にaxisとして指定する”方向”を理解するためのイメージ
- 3次元以降の多次元はイメージで理解するのは難しい
- あくまで初歩的な理解として

目次へ＞＞　先頭へ＞＞

方向を理解するためのイメージ

axis=0

下方向から板を当てて、上に向かって力を加えて、ぐちゃっとつぶす
axis=0の方向は下から上方向ってことが分かる
(3, )
- (2,3)の1次元目がなくなり(3, )になる

axis=1

1つ目の矢印
- 右方向から板を当てて、左に向かって力を加えて、ぐちゃっとつぶす
- 方向としてはaxis=1の方向は右から左方向ってことが分かる
2つ目の矢印
- 勝手にコロッと回転させられる
- ここが混乱の元
(2, )
- (2,3)の2次元目がなくなり(2, )になる

目次へ＞＞　先頭へ＞＞

サンプルコードで理解を深める

2次元データで考える

データ作成

import numpy as np
a = np.random.randint(3, 6, (2,3))
print(a)
print(a.shape)

[[5 5 3]
 [3 4 4]]
(2, 3)

形状(2,3)のndarray（NumPy配列）を作成
行方向にまとめ（sum）た場合の想定
- 5+3=8
- 5+4=9
- 3+4=7
列方向にまとめ（sum）た場合の想定
- 5+5+3=13
- 3+4+4=11

行方向の集計（sum）の実行

b = a.sum(axis=0)
print(b)
print(b.shape)

[8 9 7]
(3,)

行方向に足している
- sum（和）の計算結果は想定の通り
(2, 3)から(3, )
- 1次元目の2がなくなって3になる

目次へ＞＞　先頭へ＞＞

列方向の集計（sum）の実行（axis=1)

c = a.sum(axis=1)
print(c)
print(c.shape)

[13 11]
(2,)

列方向に足している
- sum（和）の計算結果は想定の通り
(2, 3)から(2, )
- 2次元目の3がなくなって2になる

目次へ＞＞　先頭へ＞＞

多次元だとどうなるか？

データ作成

import numpy as np
a = np.random.randint(3, 6, (2,3,2,4,3))
print(a)
print(a.shape)

全文表示

[[[[[4 3 3]
    [4 4 4]
    [5 3 5]
    [4 4 5]]

   [[5 4 3]
    [5 4 5]
    [3 4 5]
    [3 5 3]]]


  [[[3 5 4]
    [5 4 3]
    [4 5 5]
    [4 4 3]]

   [[5 3 4]
    [5 3 4]
    [4 3 5]
    [5 3 5]]]


  [[[5 3 4]
    [3 3 3]
    [4 5 5]
    [5 5 5]]

   [[3 5 4]
    [3 4 5]
    [5 5 5]
    [3 5 5]]]]



 [[[[4 3 5]
    [5 3 4]
    [4 3 3]
    [4 4 5]]

   [[5 4 5]
    [5 3 5]
    [5 5 4]
    [5 3 4]]]


  [[[4 4 4]
    [4 3 3]
    [5 5 4]
    [3 3 3]]

   [[5 3 4]
    [3 5 3]
    [4 5 4]
    [3 3 4]]]


  [[[4 3 4]
    [3 5 3]
    [5 3 4]
    [5 5 5]]

   [[5 5 4]
    [3 4 5]
    [4 3 3]
    [3 4 5]]]]]
(2, 3, 2, 4, 3)

多次元（この例では5次元）を考える
- 2x3x2x4x3=144個のデータ
- この程度のデータ数になると集計結果を計算で確かめるのは大変
注目するところはndarray（NumPy配列）の形状(2,3,2,4,3)
- 1次元目（0）の要素数は2
- 2次元目（1）の要素数は3
- 3次元目（2）の要素数は2
- 4次元目（3）の要素数は4
- 5次元目（4）の要素数は3
次にaxis=3での集計を試してみる
- axis=3は0から始まるので4次元目（3）のことで要素数は4

集計実行

b = a.sum(axis=3)
print(b)
print(b.shape)

全文表示

[[[[17 14 17]
   [16 17 16]]

  [[16 18 15]
   [19 12 18]]

  [[17 16 17]
   [14 19 19]]]


 [[[17 13 17]
   [20 15 18]]

  [[16 15 14]
   [15 16 15]]

  [[17 16 16]
   [15 16 17]]]]
(2, 3, 2, 3)