【NumPy中級編2 第5回】実践！画像処理・グラフ描画・Pandas連携と次の一歩 🖼️📊📈

5月 30, 2025

「NumPyで配列操作はできるようになったけど、実際にどんなことに使えるの？」
「画像データってNumPyで扱えるって聞いたけど、どうやるの？」
「NumPyで計算した結果を、もっと分かりやすくグラフで見たいな。」
「PandasっていうライブラリとNumPyってどう違うの？一緒に使えるの？」

こんにちは！ NumPy探検隊、隊長のPythonistaです！前回の第4回では、NumPy配列をファイルに保存したり読み込んだりする方法や、線形代数の基本的な演算について学びましたね。これで、データの永続化と、より数学的な側面に触れることができました。

シリーズ第5回、そして中級編の締めくくりとなる今回は、NumPyが実際にどのような場面で活用されるのか、具体的な応用例をいくつかご紹介します。簡単な画像処理、Matplotlibを使ったグラフ描画のためのデータ準備、そしてデータ分析の強力な相棒であるPandasライブラリとの連携について触れていきます。さらに、NumPyの学習を終えた皆さんが次に何を学ぶべきか、そのヒントとなるような学習リソースもご紹介します。NumPyの真のパワーと、その先の広大な世界を垣間見ていきましょう！

1. NumPy実践活用例１：簡単な画像処理に挑戦！ 🎨

デジタル画像は、実はコンピュータの中では数値の集まり（ピクセルの色の配列）として表現されています。そのため、画像をNumPy配列として読み込むことができれば、NumPyの強力な配列操作を使って様々な画像処理を試みることができます。

1.1. 画像データとNumPy配列

カラー画像は通常、高さ(height) × 幅(width) × 色チャンネル(通常はRGBの3チャンネル、またはRGBAの4チャンネル) の3次元NumPy配列として表現されます。各要素の値は、そのピクセルの色の強度（例: 0～255）を表します。

1.2. Pillowライブラリとの連携：画像の読み込みと表示

画像ファイルの読み込みや表示、保存といった基本的な操作には、専用の画像処理ライブラリを使うのが一般的です。PythonではPillow (PIL Fork) というライブラリがよく使われます。

まずはPillowをインストールしましょう（まだインストールしていない場合）。ターミナルやコマンドプロンプトで以下を実行します。

pip install Pillow

Pillowを使って画像を開き、それをNumPy配列に変換してみましょう。

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt # 表示用にMatplotlibも使う

# 何か画像ファイルを用意してください (例: 'my_image.jpg')
# このスクリプトと同じディレクトリに置くか、適切なパスを指定します。
image_path = 'my_image.jpg' # ご自身の画像ファイルのパスに置き換えてください

try:
    # 画像を開いてNumPy配列に変換
    img_pil = Image.open(image_path)
    img_np = np.array(img_pil)

    print(f"\n--- 元の画像情報 ---")
    print(f"画像の形状 (高さ, 幅, 色チャンネル): {img_np.shape}")
    print(f"データ型: {img_np.dtype}") # 通常 uint8 (0-255の整数)

    # 元の画像を表示 (Matplotlibを使用)
    plt.figure(figsize=(5,5)) # 表示サイズ
    plt.imshow(img_np)
    plt.title("Original Image")
    plt.axis('off') # 軸を非表示
    plt.show()

except FileNotFoundError:
    print(f"エラー: 画像ファイル '{image_path}' が見つかりません。")
except Exception as e:
    print(f"エラーが発生しました: {e}")

（上記のコードを実行するには、何か画像ファイル（例: my_image.jpg）をPythonスクリプトと同じ場所に用意するか、image_pathに正しいパスを指定してください。また、Matplotlibもpip install matplotlibでインストールが必要です。）

1.3. NumPy配列操作による簡単な画像処理の例

画像がNumPy配列になれば、配列操作で様々な処理が可能です。

グレースケール化（白黒化）: RGBの各チャンネルの平均を取る、または特定の係数を掛けて足し合わせるなどの方法があります。

# 簡単なグレースケール化 (RGBの平均) - img_npが読み込まれている前提
        # gray_img_np = np.mean(img_np, axis=2).astype(np.uint8) # axis=2が色チャンネル
        
        # より一般的な輝度変換の係数 (例)
        if 'img_np' in locals() and img_np.ndim == 3: # カラー画像の場合のみ
            gray_weights = np.array([0.2989, 0.5870, 0.1140])
            gray_img_np = np.dot(img_np[...,:3], gray_weights).astype(np.uint8) # RGBAの場合アルファチャンネル除く

            plt.figure(figsize=(5,5))
            plt.imshow(gray_img_np, cmap='gray') # グレースケール表示にはcmap='gray'を指定
            plt.title("Grayscale Image")
            plt.axis('off')
            plt.show()

明るさの調整: 配列の全要素に一定値を加算（明るく）または減算（暗く）します。値が0-255の範囲に収まるようにクリッピング処理が必要です。

# 明るくする (img_npが読み込まれている前提)
        if 'img_np' in locals():
            brighter_img_np = np.clip(img_np + 50, 0, 255).astype(np.uint8)
            # plt.imshow(brighter_img_np); plt.title("Brighter"); plt.show() # 表示は省略

色の反転（ネガポジ反転）: 255から各ピクセルの値を引きます。

# 色の反転 (img_npが読み込まれている前提)
        if 'img_np' in locals():
            inverted_img_np = 255 - img_np
            # plt.imshow(inverted_img_np); plt.title("Inverted"); plt.show() # 表示は省略

画像のトリミング（切り抜き）: NumPy配列のスライシングを使います。

# トリミング (img_npが読み込まれている前提)
        if 'img_np' in locals():
            # 例: y座標50から150まで、x座標100から200までを切り抜き
            # cropped_img_np = img_np[50:150, 100:200]
            # plt.imshow(cropped_img_np); plt.title("Cropped"); plt.show() # 表示は省略
            print("画像のトリミング例は、具体的な範囲を指定して試してみてください。")

これらの処理はほんの一例ですが、NumPyの配列操作が画像処理の基本的な演算に応用できることが分かりますね。変更したNumPy配列は、Image.fromarray(img_np_modified)を使ってPillowのImageオブジェクトに戻し、ファイルに保存することもできます。

2. NumPy実践活用例２：Matplotlibでグラフを描くためのデータ準備 📊

データ分析の結果やシミュレーションの結果を視覚的に理解するためには、グラフ化が非常に有効です。Pythonでグラフを描画する際の定番ライブラリがMatplotlibです。NumPyは、このMatplotlibでグラフを描くための元となるデータを効率的に生成・操作するのに役立ちます。

まずはMatplotlibをインストールしましょう（まだの場合）。

pip install matplotlib

import numpy as np
import matplotlib.pyplot as plt # Matplotlibのpyplotモジュールをpltとしてインポート

# 例1: サインカーブとコサインカーブを描画
x_data = np.linspace(0, 2 * np.pi, 100) # 0から2πまでを100等分したx座標データ
y_sin_data = np.sin(x_data)          # 各xに対するsin(x)の値を計算
y_cos_data = np.cos(x_data)          # 各xに対するcos(x)の値を計算

plt.figure(figsize=(8, 4)) # グラフのサイズ指定
plt.plot(x_data, y_sin_data, label='sin(x)', color='blue')
plt.plot(x_data, y_cos_data, label='cos(x)', color='red', linestyle='--')

plt.title('Sin and Cos Curves') # グラフタイトル
plt.xlabel('x (radians)')       # x軸ラベル
plt.ylabel('y')               # y軸ラベル
plt.legend()               # 凡例を表示
plt.grid(True)                # グリッド線を表示
plt.show()                 # グラフを表示

# 例2: ランダムデータの散布図
num_points = 50
random_x = np.random.rand(num_points) # 0以上1未満の乱数を50個 (x座標)
random_y = np.random.rand(num_points) # 0以上1未満の乱数を50個 (y座標)
colors = np.random.rand(num_points)   # 各点の色 (0-1の値)
sizes = 1000 * np.random.rand(num_points) # 各点のサイズ

plt.figure(figsize=(6, 6))
plt.scatter(random_x, random_y, c=colors, s=sizes, alpha=0.7, cmap='viridis')
# c: 色, s: サイズ, alpha: 透明度, cmap: カラーマップ
plt.title('Random Scatter Plot')
plt.xlabel('X value')
plt.ylabel('Y value')
plt.colorbar(label='Color Intensity') # カラーバーを表示
plt.show()

このように、NumPyで生成・加工した配列データをMatplotlibに渡すことで、様々な種類のグラフを簡単に描画できます。Matplotlib自体の機能は非常に豊富ですが、その入力となるデータを準備する上でNumPyは欠かせない存在です。

3. NumPy実践活用例３：Pandasライブラリとの華麗なる連携 🐼

Pythonでデータ分析を行う際に、NumPyと並んで（あるいはそれ以上に）中心的な役割を果たすのがPandasライブラリです。Pandasは、ラベル付きのデータ（行名や列名を持つ表形式データなど）を効率的に扱うための高機能なデータ構造（SeriesやDataFrame）を提供します。

実は、PandasのSeriesやDataFrameの内部データは、多くの場合NumPyのndarrayで構成されています。そのため、NumPyとPandasは非常に親和性が高く、シームレスに連携できます。

（Pandasについては、以前このブログシリーズで詳しく解説する予定です！もし未読であれば、ぜひPandas入門記事もご覧ください。）

3.1. NumPy配列からPandasのDataFrame/Seriesを作成

import numpy as np
import pandas as pd # Pandasのインポート (pip install pandas が必要)

# 1次元NumPy配列からPandas Seriesを作成
np_arr1d = np.array([10, 20, 30, 40])
pd_series = pd.Series(np_arr1d, name='MyNumbers', index=['a', 'b', 'c', 'd'])
print(f"\n--- NumPy配列から作成したPandas Series ---")
print(pd_series)

# 2次元NumPy配列からPandas DataFrameを作成
np_arr2d = np.array([[1, 'Alice', 25],
                     [2, 'Bob', 30],
                     [3, 'Charlie', 22]])
column_names = ['ID', 'Name', 'Age']
pd_dataframe = pd.DataFrame(data=np_arr2d, columns=column_names)
print(f"\n--- NumPy配列から作成したPandas DataFrame ---")
print(pd_dataframe)

3.2. PandasのDataFrame/SeriesからNumPy配列を取得

# 上記のpd_series, pd_dataframe が存在すると仮定

# Pandas SeriesからNumPy配列へ
back_to_np_series = pd_series.values # .to_numpy() も使える
print(f"\n--- Pandas Seriesから取得したNumPy配列 ---")
print(back_to_np_series)
print(type(back_to_np_series))

# Pandas DataFrameからNumPy配列へ
back_to_np_dataframe = pd_dataframe.values # .to_numpy() も使える
print(f"\n--- Pandas DataFrameから取得したNumPy配列 ---")
print(back_to_np_dataframe)
print(type(back_to_np_dataframe))

3.3. どのような時に連携が便利か？

NumPyで複雑な数値計算や配列操作（線形代数演算、フーリエ変換など）を行い、その結果をPandasのDataFrameに入れて、列名やインデックスを付けてより分かりやすく管理・表示したり、さらにPandasの豊富なデータ分析機能（欠損値処理、グループ化、集計、時系列分析など）を適用したりする。
PandasでCSVファイルやデータベースから読み込んだデータを、特定の列だけ取り出してNumPy配列に変換し、NumPyの高速な計算処理や、他の科学技術計算ライブラリ（Scikit-learnなど）への入力として利用する。

NumPyとPandasは、データサイエンスにおける「車の両輪」のような存在です。それぞれの得意なことを活かして連携させることで、より高度で効率的なデータ分析が可能になります。

4. NumPyをさらに深く学ぶために：次のステップと学習リソース 📚

NumPy入門シリーズも今回で一区切りですが、NumPyの世界はまだまだ奥深いです。もしあなたがNumPyをさらに深く学び、使いこなしたいと考えるなら、以下のようなトピックやリソースが助けになるでしょう。

4.1. より高度なNumPyの機能

複雑なブロードキャストのルールと応用
ファンシーインデックス参照: 整数の配列やブール配列を使った、より柔軟な要素の選択・抽出・代入。
構造化配列 (Structured Arrays): 異なるデータ型をフィールドとして持つ、C言語の構造体のような配列。
ベクトル化 (Vectorization): np.vectorize()などを使った、Pythonの関数をNumPyのufuncのように動作させるテクニック。
メモリレイアウトとパフォーマンス: 配列がメモリ上でどのように配置されているか（C-contiguous vs Fortran-contiguous）と、それがパフォーマンスに与える影響。
サブモジュール: numpy.linalg (線形代数), numpy.fft (フーリエ変換), numpy.polynomial (多項式), numpy.random (より高度な乱数生成) など、特定の機能に特化したサブモジュール。

4.2. おすすめ学習リソース

NumPy公式ドキュメント:
- User Guide: https://numpy.org/doc/stable/user/index.html
- Tutorials: https://numpy.org/doc/stable/user/tutorials_index.html
- 公式ドキュメントは最も正確で網羅的な情報源です。特にチュートリアルは実践的な内容が多いです。
関連書籍: Pythonのデータサイエンスや数値計算に関する多くの書籍で、NumPyは基礎として詳しく解説されています。「Pythonによるデータ分析入門」（Wes McKinney著、O'Reilly）などが有名です。
オンラインコース: Coursera, edX, Udemy, DataCamp, Khan Academy (線形代数など) といったプラットフォームで、NumPyに特化したコースや、データサイエンス入門コースの一部として学べます。YouTubeにも多くの無料チュートリアルがあります。
実践あるのみ！:
- Kaggleなどのデータ分析コンペティションの入門的な課題に挑戦してみる。
- 自分自身の興味のあるデータ（例: スポーツの統計、株価、気象データなど）を使ってNumPyで分析してみる。
- 小さなプロジェクトをたくさん作って、学んだことを実際に使ってみる。

まとめ：NumPyは科学技術計算の冒険のコンパス！🧭

今回のNumPyシリーズ中級編2では、NumPyが実世界の様々な場面でどのように活用されるかの入り口を覗いてみました。

Pillowライブラリと連携した簡単な画像処理（画像をNumPy配列として扱う）。
Matplotlibライブラリを使ったグラフ描画のためのデータ準備。
データ分析の強力なパートナーであるPandasライブラリとの基本的な連携。
そして、NumPyの学習をさらに深めるための次のステップと学習リソース。

NumPyは、単独でも非常に強力な数値計算ライブラリですが、今回見たように、Pillow、Matplotlib、Pandasといった他の専門的なライブラリと組み合わせることで、その真価をさらに発揮します。NumPyの配列操作と計算の基礎をしっかりと固めることは、Pythonを使ったデータサイエンス、機械学習、AI、画像処理、その他多くの科学技術計算分野への扉を開くための重要な鍵となります。

このNumPy入門シリーズはこれで一区切りとなりますが、皆さんのNumPyを使った冒険はまだ始まったばかりです。ぜひ、ここで得た知識を土台にして、PythonとNumPyで様々なデータと戯れ、新しい発見と創造を楽しんでください！

これまでの標準ライブラリシリーズ、そして今回のNumPy入門シリーズをお読みいただき、ありがとうございました。皆さんのプログラミングライフが、より豊かで実り多いものになることを心から願っています。Happy NumPying! 🚀

次回からはNumpyレベルアップ編！

その他の投稿はこちら

このブログを検索

0から始めるPython