Pythonでデータを効率的に扱うには「配列」の理解が不可欠です。しかし、「Pythonには配列がないって聞いたけど、どうすればいい？」とか、「リストやタプル、NumPy配列の違いがよくわからない」、「データを追加・削除する方法を知りたい」など、配列の使い方で悩んでいませんか？
この記事では、Pythonにおける配列の基本から応用までを、具体的なコード例とともに徹底解説 します。リスト（list）やタプル（tuple）、NumPy配列の特徴や使い分け、要素の追加・削除、並び替え・検索・結合、さらにはパフォーマンスを向上させるコツまで網羅。初心者の方はもちろん、実践的なスキルを身につけたい中級者にも役立つ内容です。
この記事を読めば、Pythonの配列を自在に扱えるようになり、データ処理の効率が格段に向上するでしょう。ぜひ、最後までご覧ください。
目次
1.Pythonの配列とは？
Pythonでは、複数のデータをひとつの変数にまとめて扱うために「配列」としてリスト（list）やタプル（tuple）を利用します。数値計算が必要な場合は、NumPyの array を使うことで、高速な処理が可能です。他のプログラミング言語では「配列専用のデータ型」が用意されていますが、Pythonではリストがその代替として広く使用されています。
ここでは、Pythonの配列の基本的な概念や特徴、他のプログラミング言語との違い、メリット・デメリット、そして配列の種類について解説します。
Pythonにおける配列とは？
Pythonの配列は、リストやタプルを使って表現されます。リストは要素の追加・削除が可能で、柔軟にデータを扱うことができます。一方、タプルは作成後に変更できないため、データの整合性を保ちたい場合に適しています。また、Pythonでは異なるデータ型をひとつの配列に混在させることが可能です。
Pythonにおける配列の特徴
Pythonの配列は、固定サイズではなく可変長であり、要素の追加や削除が自由に行えます。さらに、数値、文字列、オブジェクトなど異なるデータ型を含めることも可能です。
mylist = [10, "apple", 3.14] print(mylist[0]) # 10 print(mylist[1]) # apple print(mylist[2]) # 3.14 |
コード例：リストの基本的な使い方
このコード例のように、Pythonのリストは異なるデータ型を含めることができ、インデックスを指定して要素を取得できます。
Pythonにおける配列と他のプログラミング言語の配列の違い
Pythonの配列（リスト）はサイズが可変であり、異なるデータ型の要素を格納できます。他のプログラミング言語では、配列のサイズを事前に決めたり、同じデータ型のみ格納可能な場合が多いです。
コード例：リストの追加・削除
mylist = [1, 2, 3] mylist.append(4) # 要素の追加 mylist.remove(2) # 要素の削除 print(mylist) # [1, 3, 4] |
このコード例のように、Pythonのリストはサイズを気にせず、動的にデータを管理できます。
Pythonで配列を使うメリット
Pythonの配列（リストやNumPy配列）は、データの追加・削除が容易であり、スライスを利用することで部分的なデータの取得も簡単に行えます。また、数値計算を行う場合は、NumPyを使うことで高速な処理が可能になります。
mylist = [0, 1, 2, 3, 4, 5] print(mylist[1:4]) # [1, 2, 3] |
このコード例のように、スライスを使えばリストの一部を簡単に取得可能です。
Pythonで配列を使うデメリット
Pythonのリストは便利ですが、メモリの消費が大きく、処理速度が遅いというデメリットもあります。各要素がオブジェクトとして管理されるため、C言語などの固定長配列と比べると、オーバーヘッドが大きくなります。
大量のデータを扱う場合は、NumPyを活用することでパフォーマンスを向上させることができます。
コード例：NumPyの活用
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr * 2) # [2 4 6 8] |
このコード例のように、NumPyを利用すると、リストよりも高速な計算が可能になります。
Pythonにおける配列の種類
Pythonには、リスト、タプルなど異なる種類の配列が存在します。また、拡張モジュールであるNumPyにも配列があります。それぞれの特徴を理解し、用途に応じて適切に使い分けることが重要です。
リスト（list）：最も基本的な配列
リストはPythonで最も一般的に使われる配列の形で、可変長で要素の追加・削除が可能です。
コード例：リスト作成
mylist = [10, "apple", 3.14] print(mylist) |
このコード例のように、Pythonのリストには異なるデータ型を含めることができます。
タプル（tuple）：変更不可な配列
タプルはリストと似ていますが、一度作成すると要素の変更ができません。データの整合性を保ちたい場合に適しています。
コード例：タプル作成
mytuple = (10, "banana", 2.5) print(mytuple) |
タプルを使うことで、誤ってデータを変更してしまうことを防げます。
NumPy配列（array）：数値計算向け
NumPyのarrayは、リストよりも高速な数値計算が可能で、特にデータ分析や機械学習の分野で多用されます。
コード例：NumPy配列作成
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr) |
NumPyを利用すると、大量の数値データを効率よく処理可能です。
dictやsetとの違い
リストやタプル以外にも、Pythonにはdictやsetといったデータ構造があります。dicはキーと値のペアを持ち、setは重複を許さないデータ管理に適しています。それぞれのデータ型の主な特徴は次の通りです。
list：順序あり・重複OK
tuple：順序あり・変更不可
NumPy：高速な数値計算向け
dict：キーと値のペア
set：順序なし・重複NG
関連記事
JavaとPythonの違いとは？文法比較などエンジニア初心者から現役開発者向けに解説
2.Pythonで配列を作る方法と初期化
Pythonでは、リスト（list）、タプル（tuple）、NumPy配列（array）を使って配列を作成できます。リストは一般的な配列の代用として使われ、可変長で要素の追加・削除が自由です。
一方、タプルは変更不可でデータの整合性を保つ用途に適しています。数値計算を行う場合は、NumPyの array を利用することで、より高速なデータ処理が可能です。
ここではPythonで配列を作成する方法と、配列の初期化について詳しく解説します。
Pythonにおいて配列を作る
Pythonでは、list() や []、 tuple()や ()、numpy.array()を利用して配列を作成できます。それぞれのデータ構造には特徴があり、用途に応じた選択が重要です。
list()と[]を使う
Pythonで最も基本的な配列の作成方法は、list() 関数または [] を使用する方法です。リストは可変長で、要素の追加・削除が自由にできます。
コード例：リスト作成
# 空のリスト mylist = list() # または mylist = []
numbers = [1, 2, 3, 4, 5] fruits = ["apple", "banana", "cherry"]
print(fruits) # ['apple', 'banana', 'cherry'] |
このコード例のように、リストを作成する際は [] を使用するのが一般的です。list() を使う方法もありますが、可読性の観点から [] を推奨します。
tuple()と()を使う
タプルは、リストと似ていますが、一度作成すると要素の変更ができません。データの整合性を保ちたい場合に適しています。
コード例：タプル作成
# 空のタプル mytuple = tuple() # または mytuple = ()
coordinates = (10, 20) colors = ("red", "green", "blue")
print(colors) # ('red', 'green', 'blue') |
タプルを使うことで、誤ってデータを変更してしまうリスクを防ぐことができますので、ぜひ使ってみてください。また、要素が1つのタプルを作成する場合はカンマが必要です。
numpy.array()を使った作成方法
NumPyのarray()を使用すると、数値計算に特化した配列を作成可能です。通常のリストよりもメモリ効率が良く計算速度も速いため、大量のデータを扱う場合に適しています。
コード例：NumPy配列の作成
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype) # int64（データ型） |
NumPyの配列を使用すると、数値演算が簡単に行えるため、機械学習やデータ分析の分野でよく使われます。
Pythonにおいて配列を初期化する
配列を作成する際に、最初から要素を入れるのではなく、空の配列を作成したり、特定の値で初期化することが可能です。
空の配列を作る（[]、list()）
空の配列を作る場合、[] または list() を使用します。
コード例：空のリスト作成
# 空のリスト empty_list1 = [] empty_list2 = list()
print(empty_list2) # [] |
特に理由がない限り、[] を使う方がシンプルで可読性が高いです。
初期値を持つ配列([0]n)
初期値として同じ値を持つ配列を作成する場合は、[値] * n という記法を使いましょう。
コード例：特定の値で初期化
# すべての要素が0のリストを作成 zeros = [0] * 5
hello_list = ["hello"] * 3
print(hello_list) # ['hello', 'hello', 'hello'] |
この方法では、リストのすべての要素が同じ値で初期化されるため、特定のデフォルト値を持つ配列を簡単に作成できます。ぜひ活用してください。
numpy.zeros()やnumpy.ones()を活用する
numpy.zeros()やnumpy.ones()を使うと、すべての要素が 0 または 1 の配列を簡単に作成できます。
コード例：numpy.zeros()やnumpy.ones()による配列の初期化
import numpy as np
zero_array = np.zeros(5)
one_array = np.ones(5)
print(one_array) # [1. 1. 1. 1. 1.] |
この方法を使えば、大量のデータを扱う際のメモリ効率が向上し、計算処理も高速になります。
3.Pythonにおける配列の基本操作
Pythonでは、リストやNumPy配列を使うことで、データの取得や部分的なスライス（抽出）が簡単にできます。リストを使うと、要素のインデックスを指定することでアクセスでき、スライスを活用することで特定の範囲のデータを取り出すことも可能です。
ここではPythonにおける配列の基本操作として、要素の取得方法やスライス操作について詳しく解説します。
Pythonで配列の要素を取得する
Pythonの配列は、インデックスを指定して特定の要素を取得できます。インデックスは0から始まり、負の値を指定すると後ろから取得することも可能です。
インデックスで取得(mylist[0])
Pythonのリストでは、インデックスを指定することで、特定の要素を取得できます。
コード例：リストの要素を取得
fruits = ["apple", "banana", "cherry"] print(fruits[0]) # apple print(fruits[1]) # banana print(fruits[2]) # cherry |
インデックス 0 から始まるため、fruits[0] は "apple" を返します。
[-1]を使って最後の要素を取得
Pythonでは、負のインデックスを使うことで、リストの末尾の要素を簡単に取得できます。
コード例：負のインデックスを使った要素の取得
fruits = ["apple", "banana", "cherry"] print(fruits[-1]) # cherry print(fruits[-2]) # banana |
このコード例ではfruits[-1] は最後の要素 "cherry" を取得し、fruits[-2] はその前の "banana" を取得します。
Pythonで配列をスライス操作する
Pythonのリストでは、スライス（slice）を利用して 特定の範囲の要素を取得可能です。スライスは list[start:end:step] の形式 で指定し、開始位置、終了位置、ステップを設定できます。
list[start:end:step]の基本
スライスを使う際には、開始位置と終了位置を指定し、指定範囲の要素を取得しましょう。
コード例：スライスの基本
numbers = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(numbers[2:5]) # [2, 3, 4]
print(numbers[:4]) # [0, 1, 2, 3]
print(numbers[5:]) # [5, 6, 7, 8, 9] |
スライスの startを指定しない場合は0、endを指定しない場合はリストの末尾まで取得されます。
逆順スライス([::-1])
Pythonのスライス機能を使えば、リストを 逆順にすることも可能 です。[::-1] を指定すると、リストの要素を逆順に並び替えた新しいリストが返されます。
コード例：逆順スライス
numbers = [0, 1, 2, 3, 4, 5] print(numbers[::-1]) # [5, 4, 3, 2, 1, 0] |
numpy配列のスライスと違い
NumPyのarrayでもスライスは可能ですが、リストとは異なり新しい配列を作成せずに「元の配列のビュー」を返します。
コード例：NumPy配列のスライス
import numpy as np
slice_arr = arr[2:5]
slice_arr[0] = 99 print(arr) # [ 0 1 99 3 4 5] |
NumPy配列のスライスは 新しい配列を作成するのではなく、元の配列のビューを返す ため、スライスした配列を変更すると元のデータにも影響を与えますので注意してください。
Pythonのリストとは異なる挙動をするため、NumPyを使用する際は注意しましょう。
4.Pythonで配列の要素を追加・削除する
Pythonの配列ではデータを柔軟に操作できます。ここでは、Pythonで配列の要素を追加・削除する方法を詳しく解説しましょう。
Pythonにおける配列の追加
Pythonではappend()、insert()、extend() を使い、リストに要素を追加できます。またNumPyのappend()を使えば、NumPy配列にも要素を追加可能です。
append()で末尾追加
append()を使うとリストの末尾に要素を追加できます。append() はリストの最後に新しい要素を追加するため、リストのサイズを気にせずにデータを増やす際に便利です。
コード例：リスト末尾に追加
numbers = [1, 2, 3] numbers.append(4)
|
insert()で指定位置に追加
insert() を使うと、指定したインデックスの位置に要素を追加できます。
コード例：リストの指定位置に追加
fruits = ["apple", "banana", "cherry"] fruits.insert(1, "orange")
|
このコード例では、インデックス1に "orange" が挿入され、既存の要素は後ろにずれます。
extend()で複数要素を追加
extend()を使うと、リストに複数の要素をまとめて追加可能です。
コード例：リストに複数要素を追加
numbers = [1, 2, 3] numbers.extend([4, 5, 6])
|
append()は単一の要素を追加するのに対して、extend()はリストの要素を一つずつ追加するため、複数のデータをまとめて追加する場合に適しています。
numpy.append()の活用
NumPyのappend() を使うと、NumPy配列にも要素を追加可能です。元の配列を変更せず、新しい配列を返しますので、大量のデータを扱う場合に便利です。
コード例：NumPy配列の要素追加
import numpy as np
new_arr = np.append(arr, [4, 5])
|
Pythonにおける配列の削除
Pythonでは、remove()、pop()、del を使ってリストの要素を削除します。また、NumPyのdelete()を使えば、NumPy配列の要素も削除可能です。
remove()を使う
remove()を使うと、リスト内の特定の値を削除できます。ただし、remove() は、指定した値が 最初に見つかった要素のみ削除 するため、複数ある場合は注意しましょう。
コード例：特定の値を削除
fruits = ["apple", "banana", "cherry"] fruits.remove("banana")
|
pop()で指定要素を削除
pop()を使うと、指定したインデックスの要素を削除し、その値を取得 できます。
コード例：指定位置の要素を削除
numbers = [1, 2, 3, 4] deleted_value = numbers.pop(2)
print(deleted_value) # 3 |
インデックスを指定しない場合、pop() はリストの 最後の要素を削除 します。
numbers = [1, 2, 3, 4] numbers.pop()
|
delを使う
del 文を使うと、リスト内の特定の要素や、リスト全体を削除できます。
コード例：特定のインデックスを削除
fruits = ["apple", "banana", "cherry"] del fruits[1]
|
コード例：リスト全体を削除
numbers = [1, 2, 3] del numbers
|
numpy.delete()で要素削除
NumPyのdelete() を使うと、NumPy配列の特定の要素を削除可能です。なお、NumPyの delete() は新しい配列を返すため、元の配列は変更されません。
コード例：NumPy配列の要素削除
import numpy as np
new_arr = np.delete(arr, 2) # インデックス2の要素を削除
|
5.Pythonで配列の要素数を取得・管理する
Pythonの配列を使うときには、データの個数を取得したり、要素数を変更することがあります。ここでは、Pythonで配列の要素数を取得・管理する方法について詳しく解説しましょう。
Pythonにおける配列要素数の取得
Pythonでは、リストやタプルの要素数を取得する際に len() を使用します。NumPyの shape を使うと、二次元配列や多次元配列のサイズを取得することも可能です。
len()を使った要素数の取得
Pythonのリストの要素数を取得する場合、len() 関数を使用しましょう。
コード例：リストの要素数を取得
numbers = [10, 20, 30, 40, 50] print(len(numbers)) # 5 |
このコード例では、numbers の要素数「5」が出力されます。
タプルの場合も同じように len() を使えます。
mytuple = ("apple", "banana", "cherry") print(len(mytuple)) # 3 |
文字列に対しても len() を適用でき、文字数を取得することが可能です。
text = "Python" print(len(text)) # 6 |
numpy.shapeで二次元配列のサイズ取得
NumPyを使うと、多次元配列のサイズを取得する際に shape を利用できます。
コード例：二次元配列のサイズを取得
import numpy as np
print(matrix.shape) # (2, 3) |
このコード例の結果 (2, 3) は、配列が 2行3列の構造 を持っていることを示しています。
また、三次元配列の場合も shape を使ってサイズを取得可能です。
tensor = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(tensor.shape) # (2, 2, 2) |
このコード例の場合、(2, 2, 2) のサイズを持つ三次元配列だというのがわかるでしょう。
Pythonにおける配列要素数を指定してリサイズ
データの要素数を変更したい場合、Pythonのリストでは直接サイズを変更することはできませんが、NumPyの resize() や reshape() を使えば柔軟にリサイズできます。
resize()を使ったリサイズ
NumPyの resize() を使うと、配列の形状を変更しつつ要素数を増減できます。
コード例：NumPy配列のリサイズ
import numpy as np
resized_arr = np.resize(arr, (2, 3)) print(resized_arr) |
このコード例では、元の1次元配列 [1, 2, 3, 4] を (2, 3) の形に変更します。resize() は要素数が足りない場合は繰り返して埋め、余分な要素は切り捨てるのが特徴です。
例えば、次のようになります。
arr = np.array([1, 2, 3, 4]) resized_arr = np.resize(arr, (2, 3))
# [[1 2 3] # [4 1 2]] |
numpy.reshape()の活用
NumPyのreshape()を使うと、データの要素数を変更せずに配列の形状だけを変更可能です。
NumPyのreshape()
reshaped_arr = arr.reshape(2, 3)
# [[1 2 3] # [4 5 6]] |
このコード例のようにreshape()を使うと、元のデータを維持しつつ新しい形状に変更 できます。
reshape()を使う場合、元の配列の要素数と、変更後の配列の要素数が一致している必要があります。要素数が合わない場合は注意しましょう。
コード例：要素数が合わずエラーとなる
arr = np.array([1, 2, 3, 4]) reshaped_arr = arr.reshape(3, 3) # エラー！要素数が合わない |
このエラーを回避するには、-1 を指定しましょう。自動調整してくれるので便利です。
arr = np.array([1, 2, 3, 4, 5, 6]) reshaped_arr = arr.reshape(2, -1) # 自動で列数を計算
# [[1 2 3] # [4 5 6]] |
6.Pythonで配列を二次元化する（多次元配列）
Pythonでは、リストを入れ子構造にする「リストのリスト」を使ったり、NumPyの array() を活用することで、配列を二次元化（多次元配列）することが可能です。 また、大量のデータを扱う場合には、pandas.DataFrame を利用することで、より柔軟なデータ管理ができます。
ここでは、Pythonで配列を二次元化する方法や、NumPy配列のスライス [1, :] を活用して特定の行や列を取得する方法について詳しく解説します。
Pythonにおける配列の二次元化する方法
Pythonではリストを入れ子構造にしたり、 numpy.array() を使うことで二次元配列を作成できます。 さらに、データ分析に特化した pandas.DataFrame を利用すると、より効率的なデータ管理が可能です。
リストの入れ子を使った二次元配列
Pythonのリストを入れ子構造にすることで、二次元配列のように行と列を持つデータを扱うことが可能です。
コード例：リストを入れ子構造にして二次元配列を作る
matrix = [ [1, 2, 3], [4, 5, 6], [7, 8, 9] ]
print(matrix[1][2]) # 6 （2行目・3列目の要素を取得） |
numpy.array()を使う
NumPyの array() を使うと、より効率的に二次元配列を扱えます。NumPyの配列を使うと、リストを入れ子にするよりも計算が高速になり、大規模データの処理に適しています。
コード例：NumPy配列の作成
import numpy as np
[1, 2, 3], [4, 5, 6], [7, 8, 9] ])
print(matrix[1, 2]) # 6 （2行目・3列目の要素を取得） |
pandas.DataFrameとの比較
Pandasの DataFrame を使うと、行と列にラベルをつけてデータを管理できるため、表形式のデータ処理に適しています。また、列ごとに名前をつけられるため、データ分析やデータ処理がしやすくなるでしょう。
コード例：pandas.DataFrameの作成
import pandas as pd
"A": [1, 4, 7], "B": [2, 5, 8], "C": [3, 6, 9] }
|
出力結果：
A B C 0 1 2 3 1 4 5 6 2 7 8 9 |
Pythonで配列 [1,:] の活用
NumPy配列では、スライスを使って特定の行や列を簡単に取得できます。
numpy配列のスライス [1,:] とは？
NumPyでは、[行, 列] の形式でスライスをすることが可能です。「:」を指定すると、行または列のすべてのデータを取得できます。
コード：NumPy配列のスライス
import numpy as np
[1, 2, 3], [4, 5, 6], [7, 8, 9] ])
print(matrix[:, 2]) # [3 6 9] （3列目を取得） |
二次元配列の特定行・列の取得
スライスを使うと、特定の範囲のデータを取り出すことが可能です。NumPyのスライスを活用すれば、データの抽出や操作を効率的に行うことができます。
コード例：複数の行・列を取得
import numpy as np
[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12] ])
# [6 7]] |
このコード例では、最初の2行と、インデックス1～2の列を取得 しています。
また、特定の行だけを取得 したい場合は、次のように指定しましょう。
コード例：特定の行を取得
print(matrix[1, :]) # [5 6 7 8] （2行目を取得） |
対して、特定の列だけを取得 するには、次のように指定してください。
コード例：特定の列を取得
print(matrix[:, 2]) # [3 7 11] （3列目を取得） |
7.Pythonで配列を使って文字列との相互変換をする
Pythonでは、文字列を配列に変換したり、配列の要素を結合して文字列にすることが簡単にできます。ここでは、Pythonで文字列を配列（リスト）に変換する方法と、配列を文字列に変換する方法を詳しく解説します。
Pythonで文字列をPython配列に変換
文字列をPythonのリストに変換する方法はいくつかありますが、よく使われるのは split() と list() です。
split()を使う
split() は指定した区切り文字で文字列を分割し、リストとして返す関数 です。一般的な用途として、カンマ区切り（CSV形式）やスペース区切りの文字列をリストに変換する際に使われます。
コード例：文字列をリストに変換
text = "apple,banana,cherry" fruits = text.split(",")
|
このコード例では、カンマ（,）で区切られた文字列を split(",") でリストに変換しています。
スペースで区切る場合は、次のように split() の引数を省略してください。split() の引数を省略すると、スペースや改行で自動的に分割されます。
sentence = "Hello world Python" words = sentence.split()
|
list()を使う
list() を使うと文字列の各文字を1文字ずつリストの要素として分割できます。特定の文字ごとに処理を行いたい場合などに便利です。
コード例：文字列を1文字ずつリストに変換
word = "Python" char_list = list(word)
|
このコード例では、文字列の各文字が1つずつリストの要素となります。ただし、単語単位で分割するわけではないため、単語ごとにリスト化したい場合は split() を使用してください。
Pythonで配列を文字列に変換
Pythonのリストを文字列に変換する場合、一般的には join() を使います。str() を使うとリストを文字列として出力することが可能です。
join()を使う
join() は、リストの各要素を特定の区切り文字で連結し、1つの文字列にします。
コード例：リストの要素を文字列として結合
fruits = ["apple", "banana", "cherry"] text = ", ".join(fruits)
|
このコード例では、", "を区切り文字としてリストの要素を結合し、1つの文字列にしています。たとえば区切り文字をスペース " " にすれば、単語を結合した文章を作ることも可能です。
words = ["Hello", "world", "Python"] sentence = " ".join(words)
|
str()を使った変換
str() を使うと、リスト全体を1つの文字列として変換 できます。
コード例：リスト全体を文字列として出力
numbers = [1, 2, 3, 4, 5] text = str(numbers)
|
この方法では、リストの 角括弧（[]）やカンマがそのまま文字列化 されるため、データを整形する用途には適しませんが、デバッグ時にリストの内容を確認する際に便利です。ぜひ活用してみてください。
なお、リストの各要素を文字列に変換して結合したい場合は、リスト内包表記と join() を組み合わせると良いでしょう。
コード例：リストの要素を文字列として結合
numbers = [1, 2, 3, 4, 5] text = ", ".join(str(num) for num in numbers)
|
このコード例では、リストの各要素を str() で文字列に変換し、それらをカンマ区切りで結合 しています。
8.Pythonで配列を操作する（並び替え・検索・結合）
Pythonでは、リストの並び替え（ソート）、要素の検索、リストの結合 など、柔軟な操作も可能です。例えば、データの整理やフィルタリングを行う際に、ソートして並び替えたり、特定の要素が存在するかを調べたり、リストを結合して新しいデータセットを作成する ことが必要になることもあるでしょう。
ここでは、Pythonでリストの並び替え、検索、結合を行う方法について詳しく解説します。
Pythonで配列の要素を並び替える
Pythonでは、リストを並び替えるために sort() や sorted()を利用できます。また、reverse=True を指定することで、降順ソートを簡単に行うことができます。
sort()で昇順ソート
sort() を使うとリストを昇順に並び替えることが可能です。sort() は元のリストを変更することを覚えておいてください。ソート後のリストを使いたい場合には便利ですが、ソート前のリストは使えなくなりますので注意しましょう。
コード例：昇順ソート
numbers = [5, 2, 9, 1, 5, 6] numbers.sort()
|
sorted()で新しいリストを作成
sorted()を使うと、元のリストを変更せず、新しいリストとしてソート結果を返します。オリジナルのデータを保持したままソートした結果を使いたい場合に適しています。
コード例：元のリストを維持しながらソート
numbers = [5, 2, 9, 1, 5, 6] sorted_numbers = sorted(numbers)
print(numbers) # [5, 2, 9, 1, 5, 6]（元のリストは変更されない） |
reverse=Trueで降順ソート
sort() や sorted() を使うときに、 reverse=True を指定すると、降順にソート可能です。
コード例：sort()で降順ソート
numbers = [5, 2, 9, 1, 5, 6] numbers.sort(reverse=True)
|
コード例：sorted()で降順ソート
numbers = [5, 2, 9, 1, 5, 6] sorted_numbers = sorted(numbers, reverse=True)
|
Pythonで配列の要素を検索する
リスト内の特定の要素を検索する場合、in を使った存在チェック、index() を使った位置取得、count() を使った出現回数の調査が可能です。
inを使った存在チェック
in 演算子を使うと、リスト内に特定の要素が存在するかどうかを調べることができます。
コード例：リスト内要素の存在チェック
fruits = ["apple", "banana", "cherry"]
print("grape" in fruits) # False |
index()で位置を取得
index() を使うと、要素のインデックスが取得できるので、指定した要素がリスト内の位置を取得 できます。ただし、index() は 最初に見つかった要素の位置を返す ため、リストに同じ値が複数ある場合は注意しましょう。
コード例：要素のインデックスを取得
numbers = [10, 20, 30, 40, 50] index_value = numbers.index(30)
|
count()で出現回数を取得
count() を使うと、指定した要素がリスト内にいくつあるかを調べることができます。
コード例：要素の出現回数を取得
numbers = [1, 2, 3, 2, 4, 2, 5] count_value = numbers.count(2)
|
Pythonで配列を結合する
Pythonのリストを結合するには、+ 演算子を使う方法、extend() を使う方法、NumPyの concatenate() を使う方法があります。
+演算子を使う
+ 演算子を使うと、リスト同士を結合して新しいリストを作成可能です。 元のリストは変更されません。
コード例：リストの結合
list1 = [1, 2, 3] list2 = [4, 5, 6] combined = list1 + list2
|
extend()でリスト結合
extend() を使うと、元のリストを直接変更しながら要素を追加できます。
コード例：extend() を使ったリストの結合
list1 = [1, 2, 3] list2 = [4, 5, 6]
|
numpy.concatenate()で結合
NumPyを使うと、数値配列を効率的に結合可能です。数値データを高速に結合したい場合におすすめです。
コード例：NumPyのconcatenate() を使った結合
import numpy as np
arr2 = np.array([4, 5, 6]) combined = np.concatenate((arr1, arr2))
|
9.Pythonにおける配列の応用（計算・データ処理）
Pythonでは、リストやNumPy配列を利用することで、データの計算や処理を簡単に行うことが可能です。ここでは、Pythonで配列を使った計算方法や、NumPyを利用したデータ処理の効率化について詳しく解説します。
Pythonで配列を計算する
PythonのリストやNumPy配列を使うと、要素の合計、最大・最小値の取得、高速な計算 などができます。
sum()で合計
リスト内の要素の合計をするには、sum() を使いましょう。
コード例：リストの合計値を求める
numbers = [10, 20, 30, 40, 50] total = sum(numbers)
|
なお、NumPyの sum() を使うことで、より高速に合計を求めることができます。
コード例：NumPyを使った合計
import numpy as np
total = np.sum(arr)
|
max()とmin()で最大・最小
リスト内の最大値・最小値を求めるには、max() と min() を使用してください。
コード例：リストの最大値・最小値を求める
numbers = [10, 20, 30, 40, 50]
print(min(numbers)) # 10 |
また、NumPyを使うとこのようになります。
NumPyを使って最大値・最小値を求める
import numpy as np
print(np.min(arr)) # 10 |
numpyを使った高速計算
NumPyを使うと、リストよりも圧倒的に高速な計算が可能 になります。
コード例：リスト vs NumPyの計算速度比較
import numpy as np import time
numbers = list(range(1, 1000001)) start = time.time() sum(numbers) end = time.time() print("リストの合計時間:", end - start)
arr = np.array(numbers) start = time.time() np.sum(arr) end = time.time() print("NumPyの合計時間:", end - start) |
NumPyの計算速度は、通常のリストよりも 数倍から数十倍速い ため、大量データを扱う場合はNumPyを活用するのがおすすめです。
Pythonにおける配列をNumPyで効率化
PythonのリストとNumPy配列は、データの扱い方が異なる ため、用途に応じて選びましょう。NumPy配列（numpy.array()）は、Pythonのリストよりも高速でメモリ効率が良いのがメリットです。
NumPyと通常のリストの違い
PythonのリストとNumPy配列の違いを比較してみます。
特徴 | Pythonリスト | NumPy配列 |
|---|---|---|
計算速度 | 遅い | 高速 |
メモリ効率 | 非効率的 | 高効率 |
ベクトル演算 | できない | 可能 |
型の統一 | バラバラ | 統一 |
数値計算やデータ処理を行う場合は、NumPy配列を使用するとパフォーマンスが大幅に向上 します。
Pythonの通常のリストでは、リスト内包表記を使って要素ごとに計算を行います。一方でNumPyでは、配列全体に対して直接演算を適用できるため、処理がシンプルで高速になります。
コード例：Pythonリストの計算
numbers = [1, 2, 3, 4, 5] doubled = [x * 2 for x in numbers]
|
コード例：NumPy配列の計算
import numpy as np
doubled = arr * 2
|
10.Pythonにおける配列のエラーと解決策
Pythonの配列を扱う際、さまざまなエラーに遭遇するでしょう。特に、IndexError（インデックス範囲外）や TypeError（型の不一致） は、Pythonでリストを使うと頻繁に発生するエラーです。
ここでは、Pythonの配列でよくあるエラーと、その解決策について詳しく解説します。
Pythonの配列でよくあるエラー
Pythonで配列を扱う際、特によく発生するのが IndexErrorとTypeErrorです。
IndexError（インデックス範囲外）
Pythonのリストは 0から始まるインデックス で管理されており、存在しないインデックスを指定すると IndexErrorが発生 します。
エラー例：範囲外のインデックスを指定
numbers = [10, 20, 30] print(numbers[3]) # IndexError: list index out of range |
このエラー例では、リストnumbersの要素数が3であるため、インデックスは0,1,2なのに、numbers[3] を指定したために発生しています。
IndexErrorを防ぐためには、リストの長さをチェックしましょう。事前にリストの長さを確認して範囲外アクセスを防ぐのです。
コード例：
numbers = [10, 20, 30] index = 3
print(numbers[index]) else: print("指定されたインデックスは範囲外です。") |
このコード例のように、事前に len() を使ってリストの長さを確認することで、IndexErrorを防ぐことが可能です。
TypeError（型の不一致）
リストの要素を処理する際、型の不一致による TypeErrorもよく発生します。例えば、リストの数値データを文字列と連結しようとするとTypeErrorになります。
エラー例：数値と文字列の連結
numbers = [1, 2, 3] message = "数値: " + numbers[0] # TypeError: can only concatenate str (not "int") to str |
このエラー例は、文字列 "数値: " に整数 1 を直接連結しようとしたため発生しています。解決策として考えられるのは、型を統一するためにstr() で数値を文字列に変換することです。
コード例：型を適切に変換
numbers = [1, 2, 3] message = "数値: " + str(numbers[0]) # OK print(message) # 数値: 1 |
このコード例のように、データ型を明示的に変換することで TypeError を回避できます。
Pythonで配列のエラーを防ぐ方法
Pythonの配列を安全に扱うためには、エラーを未然に防ぐ仕組みを導入することが重要 です。具体的には、「事前チェック」や「try-except を活用したエラーハンドリング」 を行うことです。
事前チェックをする
エラーを未然に防ぐためには、リストの長さやデータ型を事前にチェック することが重要です。
コード例：リストが空でないことを事前に確認する
numbers = [] if numbers: # リストが空でなければ実行 print(numbers[0]) else: print("リストが空のため、要素を取得できません。") |
この方法を使えば、リストが空の場合でもエラーを回避できます。
コード例：型チェックを行う
data = [1, "hello", 3.5]
if isinstance(item, int): # 整数の場合のみ処理 print(item * 2) else: print(f"スキップ: {item}（整数ではない）") |
このコード例では、整数のみを対象に処理し、それ以外のデータはスキップすることでTypeErrorを防いでいます。
try-exceptを使ったエラー処理
事前チェックだけでなく、try-except を使ってエラーをキャッチし、プログラムがエラーで停止せず安全に処理を続行する方法 も考えられます。
コード例：エラーをキャッチして処理を続行
numbers = [10, 20, 30]
print(numbers[5]) # 範囲外アクセス except IndexError: print("エラー: インデックスが範囲外です。") |
11.Python配列のパフォーマンス向上テクニック
Pythonで配列を扱う際、大量のデータを処理する場合には最適化が重要 になります。配列操作は便利ですが、データが増えると処理速度の低下やメモリの消費が問題になります。
ここでは、大量データを扱う場合の最適化手法と、配列操作のパフォーマンスを向上させるテクニックについて詳しく解説します。
Pythonの配列で大量データを扱う場合の最適化
Pythonのリストは汎用的で便利ですが、大規模なデータセットには向いていません。そのため、NumPy や pandas を活用することで、大量データの処理を高速化することも検討してください。
numpyを活用する
Pythonのリストを使うよりも、数値計算やデータ処理にはNumPy の array() を使うことで劇的に高速化できる可能性があります。
コード例：NumPyを使った計算
import numpy as np import time
numbers = list(range(1, 1000001)) start = time.time() sum(numbers) end = time.time() print("リストの合計時間:", end - start)
arr = np.array(numbers) start = time.time() np.sum(arr) end = time.time() print("NumPyの合計時間:", end - start) |
NumPyはC言語で最適化されているため、リストよりも速く処理可能です。また、ベクトル演算が可能なため、forループを使わずに高速な処理を実現できます。
pandasでデータ処理を効率化
データをテーブル形式で扱う場合、pandasのDataFrame を使うとデータ処理がよりスムーズになるでしょう。
コード例：pandasを使ったデータ処理
import pandas as pd
"Name": ["Alice", "Bob", "Charlie"], "Age": [25, 30, 35], "Score": [85, 90, 88] }
print(df) |
出力結果：
Name Age Score 0 Alice 25 85 1 Bob 30 90 2 Charlie 35 88 |
Pythonにおける配列操作のパフォーマンス向上のコツ
Pythonのリストをより効率的に操作するには、list comprehensionの利用、map()やfilter() の活用、メモリ管理の工夫 などが役立ちます。
list comprehensionを使う
リストの要素を生成する際、forループよりもlist comprehensionを使う方が高速です。
通常のforループの例：
numbers = [] for i in range(10): numbers.append(i * 2)
|
同じ処理をlist comprehensionを使って書くと、よりシンプルなコードになり、かつ高速になります。
list comprehensionを使う例：
numbers = [i * 2 for i in range(10)] print(numbers) # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] |
map() や filter() を活用する
リストの変換やフィルタリングを行う場合、map() や filter() を使うと処理を高速化できます。
コード例：map() を使ったリスト変換
numbers = [1, 2, 3, 4, 5] squared = list(map(lambda x: x ** 2, numbers))
|
map() を使うと、リストの各要素に関数を適用する処理を効率的に実行可能です。
コード例：filter() を使った条件フィルタリング
numbers = [10, 15, 20, 25, 30] filtered = list(filter(lambda x: x % 2 == 0, numbers))
|
filter() を使うことで、条件に合う要素だけをリストに残す処理を簡単に実装できます。
メモリ使用量を抑える方法
Pythonのリストはメモリを大量に消費することがあります。不要なリストはdelやgc.collect()で解放しましょう。
コード例：不要なリストを削除
import gc
del large_list # メモリ解放 gc.collect() # ガベージコレクションを実行 |
また、ジェネレーター（yield）を使うことで、リストをメモリ上に展開せずに、必要な時だけデータを処理するためメモリ効率を向上させることが可能 です。
ジェネレーターを使った省メモリ処理例：
def number_generator(): for i in range(10): yield i * 2
print(list(gen)) # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] |
関連記事
Pythonライブラリとは？使い方や調べ方、おすすめのライブラリなどわかりやすく解説
Pythonを学習するメリットとは？デメリットや向き不向き、将来性などわかりやすく解説
12.まとめ
この記事では、Pythonにおける配列の基本から応用までを詳しく解説しました。リストやタプルといった基本的な配列の使い方、要素の取得・追加・削除、さらにはNumPyを活用した高速処理やパフォーマンス向上のテクニックまで幅広く紹介しました。
Pythonの配列を使いこなすことで、データ処理がより効率的になり、コードの可読性やパフォーマンスが向上します。本記事を通じて、基本操作を理解し、実践的なテクニックを身につけることで、より高度なプログラムを作成できるようになるでしょう。
これからPythonをさらに深く学びたい方は、配列と組み合わせたデータ分析や機械学習の活用にも挑戦してみてください。本記事が皆様にとって少しでもお役に立てますと幸いです。