NumPy配列の次元の追加・削除の方法まとめ

NumPy配列（ndarray）は次元（軸の数）によって構造が決まります。

しかし、実際のデータ処理では「1次元を2次元にしたい」「余分な軸を削りたい」といった、柔軟な次元の操作が必要になります。

この記事では、次元の追加・削除の方法を中心に、reshapeとは異なる次元制御を、具体例とともに説明していきます。

次元の基本概念を理解しよう

次元（軸）とは何か？

import numpy as np

# 1次元配列（軸が1つ）
arr_1d = np.array([1, 2, 3])
print(f"1次元配列: {arr_1d}")
print(f"形状: {arr_1d.shape}")    # 結果: (3,)
print(f"次元数: {arr_1d.ndim}")   # 結果: 1

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

# 3次元配列（軸が3つ）
arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"3次元配列:")
print(arr_3d)
print(f"形状: {arr_3d.shape}")    # 結果: (2, 2, 2)
print(f"次元数: {arr_3d.ndim}")   # 結果: 3

なぜ次元操作が必要？

実際の例：

• 機械学習で「1枚の画像」を「バッチ（複数画像）」として扱いたい
• 計算結果の「余分な次元」を削除してすっきりさせたい
• 行列計算で形状を合わせたい

次元を追加する方法

方法1：np.newaxisを使用

np.newaxisは、配列に新しい軸を追加する最も簡単な方法です。

1次元から2次元（列ベクトル化）

import numpy as np

# 1次元配列
a = np.array([1, 2, 3])
print(f"元の配列: {a}")
print(f"元の形状: {a.shape}")  # 結果: (3,)

# 列ベクトル（縦に並べる）に変換
a_col = a[:, np.newaxis]
print(f"列ベクトル:")
print(a_col)
# 結果:
# [[1]
#  [2]
#  [3]]
print(f"列ベクトルの形状: {a_col.shape}")  # 結果: (3, 1)

1次元から2次元（行ベクトル化）

# 行ベクトル（横に並べる）に変換
a_row = a[np.newaxis, :]
print(f"行ベクトル: {a_row}")      # 結果: [[1 2 3]]
print(f"行ベクトルの形状: {a_row.shape}")  # 結果: (1, 3)

実用的な例：複数の場所に軸を追加

# 元の配列
arr = np.array([1, 2, 3, 4])
print(f"元: {arr.shape}")  # 結果: (4,)

# 先頭に軸を追加
arr_front = arr[np.newaxis, :]
print(f"先頭に追加: {arr_front.shape}")  # 結果: (1, 4)

# 末尾に軸を追加
arr_end = arr[:, np.newaxis]
print(f"末尾に追加: {arr_end.shape}")   # 結果: (4, 1)

# 中間に軸を追加（3次元になる）
arr_2d = arr.reshape(2, 2)  # まず2次元にする
arr_middle = arr_2d[:, np.newaxis, :]
print(f"中間に追加: {arr_middle.shape}")  # 結果: (2, 1, 2)

方法2：np.expand_dims()を使用

expand_dims()は、軸の位置を数値で指定できるより汎用的な方法です。

import numpy as np

a = np.array([1, 2, 3])
print(f"元の配列: {a}")
print(f"元の形状: {a.shape}")  # 結果: (3,)

# axis=0: 先頭に軸を追加
expanded_0 = np.expand_dims(a, axis=0)
print(f"axis=0で追加: {expanded_0}")      # 結果: [[1 2 3]]
print(f"形状: {expanded_0.shape}")        # 結果: (1, 3)

# axis=1: 末尾に軸を追加
expanded_1 = np.expand_dims(a, axis=1)
print(f"axis=1で追加:")
print(expanded_1)
# 結果:
# [[1]
#  [2]
#  [3]]
print(f"形状: {expanded_1.shape}")        # 結果: (3, 1)

# axis=-1: 最後に軸を追加（axis=1と同じ）
expanded_last = np.expand_dims(a, axis=-1)
print(f"axis=-1で追加の形状: {expanded_last.shape}")  # 結果: (3, 1)

複数次元での軸追加

# 2次元配列に軸を追加
matrix = np.array([[1, 2], [3, 4]])
print(f"元の2次元配列:")
print(matrix)
print(f"形状: {matrix.shape}")  # 結果: (2, 2)

# さまざまな位置に軸を追加
expanded_0 = np.expand_dims(matrix, axis=0)  # 形状: (1, 2, 2)
expanded_1 = np.expand_dims(matrix, axis=1)  # 形状: (2, 1, 2)
expanded_2 = np.expand_dims(matrix, axis=2)  # 形状: (2, 2, 1)

print(f"axis=0: {expanded_0.shape}")
print(f"axis=1: {expanded_1.shape}")
print(f"axis=2: {expanded_2.shape}")

実用例：画像処理でバッチ次元を追加

import numpy as np

# 単一の画像（28×28ピクセル）
image = np.random.rand(28, 28)
print(f"単一画像の形状: {image.shape}")  # 結果: (28, 28)

# バッチ次元を追加（機械学習モデルの入力形式）
# 方法1: newaxisを使用
batch_image_1 = image[np.newaxis, :, :]
print(f"バッチ化（方法1）: {batch_image_1.shape}")  # 結果: (1, 28, 28)

# 方法2: expand_dimsを使用
batch_image_2 = np.expand_dims(image, axis=0)
print(f"バッチ化（方法2）: {batch_image_2.shape}")  # 結果: (1, 28, 28)

# カラー画像の場合（チャンネル次元も追加）
color_image = np.random.rand(28, 28, 3)  # RGB画像
batch_color = np.expand_dims(color_image, axis=0)
print(f"カラー画像のバッチ化: {batch_color.shape}")  # 結果: (1, 28, 28, 3)

まとめ

• np.newaxis：シンプルで直感的
• expand_dims()：軸の位置を数値で指定、より汎用的

次元を削除する方法

np.squeeze()の基本

squeeze()は、サイズが1の軸を削除する関数です。

import numpy as np

# サイズ1の軸を持つ配列
b = np.array([[[1], [2], [3]]])
print(f"元の配列:")
print(b)
print(f"元の形状: {b.shape}")  # 結果: (1, 3, 1)

# 全てのサイズ1の軸を削除
b_squeezed = np.squeeze(b)
print(f"squeeze後: {b_squeezed}")      # 結果: [1 2 3]
print(f"squeeze後の形状: {b_squeezed.shape}")  # 結果: (3,)

特定の軸だけ削除

import numpy as np

# 複数のサイズ1軸を持つ配列
arr = np.array([[[[1, 2, 3]]]])
print(f"元の形状: {arr.shape}")  # 結果: (1, 1, 1, 3)

# 特定の軸だけ削除
squeezed_axis0 = np.squeeze(arr, axis=0)
print(f"axis=0を削除: {squeezed_axis0.shape}")  # 結果: (1, 1, 3)

squeezed_axis1 = np.squeeze(arr, axis=1)
print(f"axis=1を削除: {squeezed_axis1.shape}")  # 結果: (1, 1, 3)

# 複数の軸を同時に削除
squeezed_multiple = np.squeeze(arr, axis=(0, 1))
print(f"axis=0,1を削除: {squeezed_multiple.shape}")  # 結果: (1, 3)

注意点：指定した軸がサイズ1でない場合

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])  # 形状: (2, 3)
print(f"元の形状: {arr.shape}")

try:
    # axis=0はサイズ2なので削除できない
    squeezed = np.squeeze(arr, axis=0)
except ValueError as e:
    print(f"エラー: {e}")
    print("サイズ1でない軸は削除できません")

# 安全な使い方：軸を指定しない
squeezed_safe = np.squeeze(arr)
print(f"安全なsqueeze: {squeezed_safe.shape}")  # 結果: (2, 3) ← 変化なし

実用例：モデル出力の整形

import numpy as np

# 機械学習モデルの出力（バッチサイズ1の予測結果）
model_output = np.array([[0.1, 0.9]])
print(f"モデル出力の形状: {model_output.shape}")  # 結果: (1, 2)

# バッチ次元を削除
prediction = np.squeeze(model_output)
print(f"予測結果: {prediction}")          # 結果: [0.1 0.9]
print(f"整形後の形状: {prediction.shape}")  # 結果: (2,)

# 特定の軸だけ削除する場合
prediction_axis0 = np.squeeze(model_output, axis=0)
print(f"axis=0のみ削除: {prediction_axis0.shape}")  # 結果: (2,)

注意：意図しない軸まで削除される場合

import numpy as np

# 画像データ（1枚、28×28、グレースケール）
image = np.ones((1, 28, 28, 1))
print(f"元の画像形状: {image.shape}")  # 結果: (1, 28, 28, 1)

# 全てのサイズ1軸を削除（注意！）
squeezed_all = np.squeeze(image)
print(f"全削除後: {squeezed_all.shape}")  # 結果: (28, 28)

# バッチ次元だけ削除したい場合
squeezed_batch = np.squeeze(image, axis=0)
print(f"バッチ次元のみ削除: {squeezed_batch.shape}")  # 結果: (28, 28, 1)

# チャンネル次元だけ削除したい場合
squeezed_channel = np.squeeze(image, axis=-1)
print(f"チャンネル次元のみ削除: {squeezed_channel.shape}")  # 結果: (1, 28, 28)

まとめ

• squeeze()は不要な「サイズ1の軸」を削除してシンプルにできる
• 軸を指定しないと全てのサイズ1軸が削除される
• 特定の軸だけ削除したい場合はaxisパラメータを使用

reshapeとの違い

操作	reshape	newaxis / squeeze
対象	要素数を保ち全体を再構成	軸の追加・削除に特化
柔軟性	高いが構造が大きく変わる	指定軸のみ変更で安全
よく使う場面	データの構造変更	行列→ベクトル、バッチ処理など
要素の順序	変わる可能性がある	変わらない

具体的な比較例

import numpy as np

# 元の配列
arr = np.array([1, 2, 3, 4, 5, 6])
print(f"元の配列: {arr}")
print(f"元の形状: {arr.shape}")  # 結果: (6,)

# reshape：要素の並び方が変わる
reshaped = arr.reshape(2, 3)
print("reshapeの結果:")
print(reshaped)
# 結果:
# [[1 2 3]
#  [4 5 6]]

# newaxis：要素の並び方は変わらない
newaxis_result = arr[:, np.newaxis]
print("newaxisの結果:")
print(newaxis_result)
# 結果:
# [[1]
#  [2]
#  [3]
#  [4]
#  [5]
#  [6]]

print(f"reshape後: {reshaped.shape}")     # 結果: (2, 3)
print(f"newaxis後: {newaxis_result.shape}")  # 結果: (6, 1)

実務での活用例

活用例1：機械学習でのバッチ処理

import numpy as np

# 単一サンプルの特徴量
single_sample = np.array([0.5, 1.2, -0.3, 0.8])
print(f"単一サンプル: {single_sample.shape}")  # 結果: (4,)

# バッチ処理のため次元を追加
batch_sample = np.expand_dims(single_sample, axis=0)
print(f"バッチ化: {batch_sample.shape}")  # 結果: (1, 4)

# モデルで予測（仮の処理）
prediction = batch_sample * 2  # 仮の計算
print(f"予測結果: {prediction.shape}")    # 結果: (1, 4)

# 結果から余分な次元を削除
final_result = np.squeeze(prediction)
print(f"最終結果: {final_result}")        # 結果: [1.  2.4 -0.6  1.6]
print(f"最終形状: {final_result.shape}")  # 結果: (4,)

活用例2：画像処理でのチャンネル操作

import numpy as np

# グレースケール画像（高さ×幅）
gray_image = np.random.rand(100, 100)
print(f"グレースケール: {gray_image.shape}")  # 結果: (100, 100)

# チャンネル次元を追加（多くのライブラリが期待する形式）
gray_with_channel = np.expand_dims(gray_image, axis=-1)
print(f"チャンネル追加: {gray_with_channel.shape}")  # 結果: (100, 100, 1)

# RGB画像に変換（グレースケールを3回繰り返し）
rgb_image = np.repeat(gray_with_channel, 3, axis=-1)
print(f"RGB変換: {rgb_image.shape}")  # 結果: (100, 100, 3)

# 処理後、元のグレースケールに戻す
back_to_gray = rgb_image[:, :, 0]  # R成分だけ取得
print(f"グレースケールに戻す: {back_to_gray.shape}")  # 結果: (100, 100)

活用例3：時系列データの処理

import numpy as np

# 1次元の時系列データ
time_series = np.random.randn(100)  # 100時点のデータ
print(f"時系列データ: {time_series.shape}")  # 結果: (100,)

# RNN用に3次元にする（バッチ、時刻、特徴量）
# バッチ次元を追加
batch_time_series = np.expand_dims(time_series, axis=0)
print(f"バッチ次元追加: {batch_time_series.shape}")  # 結果: (1, 100)

# 特徴量次元を追加
rnn_input = np.expand_dims(batch_time_series, axis=-1)
print(f"RNN入力形式: {rnn_input.shape}")  # 結果: (1, 100, 1)

# RNN処理後（仮の出力）
rnn_output = rnn_input * 2  # 仮の処理
print(f"RNN出力: {rnn_output.shape}")    # 結果: (1, 100, 1)

# 結果を1次元に戻す
final_output = np.squeeze(rnn_output)
print(f"最終出力: {final_output.shape}")  # 結果: (100,)

活用例4：行列計算での形状合わせ

import numpy as np

# ベクトルと行列の計算
vector = np.array([1, 2, 3])              # 形状: (3,)
matrix = np.array([[1, 0, 0], 
                   [0, 1, 0], 
                   [0, 0, 1]])            # 形状: (3, 3)

print(f"ベクトル: {vector.shape}")
print(f"行列: {matrix.shape}")

# 内積計算（正常に動作）
dot_product = vector @ matrix
print(f"内積結果: {dot_product}")         # 結果: [1 2 3]

# ベクトルを列ベクトルにして行列計算
col_vector = vector[:, np.newaxis]        # 形状: (3, 1)
matrix_mult = matrix @ col_vector
print(f"行列×列ベクトル:")
print(matrix_mult)
# 結果:
# [[1]
#  [2]
#  [3]]

# 結果を1次元に戻す
result_1d = np.squeeze(matrix_mult)
print(f"1次元に戻した結果: {result_1d}")   # 結果: [1 2 3]

便利な組み合わせテクニック

複数の軸操作を組み合わせ

import numpy as np

# 1次元データから複雑な形状を作成
data = np.arange(24)
print(f"元データ: {data.shape}")  # 結果: (24,)

# 段階的に次元を追加
step1 = np.expand_dims(data, axis=0)      # 形状: (1, 24)
step2 = np.expand_dims(step1, axis=-1)    # 形状: (1, 24, 1)
step3 = step2.reshape(1, 6, 4, 1)        # 形状: (1, 6, 4, 1)

print(f"最終形状: {step3.shape}")

# 特定の軸だけ削除
step4 = np.squeeze(step3, axis=0)         # 形状: (6, 4, 1)
step5 = np.squeeze(step4, axis=-1)        # 形状: (6, 4)

print(f"簡略化後: {step5.shape}")

条件付き次元操作

import numpy as np

def smart_squeeze(arr, target_dims=2):
    """指定した次元数になるまでsqueezeする関数"""
    while arr.ndim > target_dims:
        # サイズ1の軸があれば削除
        size_1_axes = [i for i, size in enumerate(arr.shape) if size == 1]
        if size_1_axes:
            arr = np.squeeze(arr, axis=size_1_axes[0])
        else:
            break
    return arr

# 使用例
complex_array = np.ones((1, 1, 5, 1, 3, 1))
print(f"元の形状: {complex_array.shape}")  # 結果: (1, 1, 5, 1, 3, 1)

simplified = smart_squeeze(complex_array, target_dims=2)
print(f"簡略化後: {simplified.shape}")     # 結果: (5, 3)

まとめ

操作内容	方法	使う場面
次元を追加	np.newaxis, expand_dims()	バッチ処理、行列計算の形状合わせ
次元を削除	np.squeeze()	余分な軸の削除、結果の簡略化
安全な軸指定	axisパラメータ使用	特定の軸のみ操作したい場合
全体構造変更	reshape()	データの根本的な再構成

トラブルシューティング

よくあるエラーと対処法

import numpy as np

# エラー1: squeeze時に対象軸がサイズ1でない
arr = np.array([[1, 2, 3], [4, 5, 6]])
try:
    np.squeeze(arr, axis=0)  # axis=0はサイズ2
except ValueError:
    print("解決策: 軸を指定せずsqueeze()を使うか、正しい軸を指定")

# エラー2: expand_dimsで無効な軸を指定
try:
    np.expand_dims(arr, axis=3)  # 2次元配列に軸3は存在しない
except np.AxisError:
    print("解決策: 有効な軸番号を指定（-1〜ndimの範囲）")

# 安全な次元操作の確認
def safe_dimension_check(arr, operation=""):
    print(f"{operation}前: 形状={arr.shape}, 次元数={arr.ndim}")
    return arr

# 使用例
test_arr = np.array([1, 2, 3])
test_arr = safe_dimension_check(test_arr, "expand_dims")
expanded = np.expand_dims(test_arr, axis=0)
expanded = safe_dimension_check(expanded, "expand_dims")