Python

この記事では、PythonのNumPyライブラリを使用して、今日・昨日・明日の日付を取得し、コンソールに表示する方法を解説します。NumPyの日時処理用データ型を活用することで、日付の加算や減算も簡単に行えます。 処理の流れ（アルゴリズム） numpyライブラリをインポートします。 datetime64()関数を使って今日の日付を取得します。 datetime64()関数の結果からtimedelta64()関数の値を引くことで、昨日の日付を求めます。 datetime64()関数の結果にtimedelta64()関数の値を足すことで、明日の日付を求めます。 サンプルコード import n

この記事では、指定された文字列から特定の部分文字列を削除するPythonプログラムの作成方法を解説します。文字列操作は日常的なプログラミングタスクの中でも頻繁に登場するため、基本的な手法をしっかり押さえておきましょう。 アルゴリズム 部分文字列を削除する手順は非常にシンプルです。 ステップ1：対象となる文字列を定義する。 ステップ2：replace()関数を使って、指定した部分文字列を空文字列に置き換えることで削除する。 サンプルコード 以下の例では、元の文字列から「object oriented」という部分文字列を削除しています。 original_string = C++ is a obj

このプログラムでは、指定した年の最初の日（1月1日）が何曜日にあたるかを出力します。対象となる年は、ユーザーからの入力として受け取ります。処理の流れ（アルゴリズム）ステップ1：datetimeライブラリをインポートする。 ステップ2：ユーザーから年を入力として受け取る。 ステップ3：datetime.datetime()関数に「年・月・日」を引数として渡し、その年の最初の日を取得する。 ステップ4：strftime()関数を使って、最初の日の曜日を表示する。サンプルコードimport datetime year = int(input(Enter year: )) firstday = dat

ROC曲線とは？ROC（Receiver Operating Characteristic：受信者動作特性）曲線は、分類モデルの性能を視覚的に評価するためのグラフです。横軸に偽陽性率（FPR）、縦軸に真陽性率（TPR）を取り、モデルの識別能力を直感的に確認できます。scikit-learnでは metrics.plot_roc_curve(clf, X_test, y_test) メソッドを使うことで、学習済みモデルから簡単にROC曲線を描画できます。ROC曲線をプロットする手順分類用データセットの生成make_classification() メソッドを使用して、ランダムなnクラス分類問題の

ユーザーが指定した範囲内の値を使ってNumPy配列を作成する方法を解説します。この処理には、NumPyライブラリに用意されている arange() 関数を使用します。arange() 関数は、開始値から終了値までを一定の間隔（ステップ）で等差数列として生成できる便利な関数です。アルゴリズムステップ1：numpy をインポートします。 ステップ2：ユーザーから開始値・終了値・ステップ値を入力として受け取ります。 ステップ3：numpy の arange() 関数を使って配列を生成し、出力します。サンプルコードimport numpy as np start_val = int(input(En

本記事では、ユーザーが入力したサイズ n の n×n 単位行列（アイデンティティマトリクス）を生成して表示するPythonプログラムを紹介します。単位行列とは、対角成分（左上から右下への斜めの要素）がすべて「1」であり、それ以外の要素がすべて「0」である正方行列のことです。線形代数において非常に重要な役割を果たす行列です。このプログラムでは、NumPyライブラリに用意されている identity() 関数を使用します。この関数は、第1引数に行列の次元（サイズ）、第2引数に要素のデータ型（dtype）を指定することができます。アルゴリズムステップ1：numpy をインポートする。 ステップ2：ユ

この記事では、まずNumPyで行列を作成し、その行列に含まれる行数と列数を求める手順を解説します。NumPyでは shape 関数（属性）を使うことで、行列のサイズをひと目で確認できます。アルゴリズムステップ1：乱数を使用してNumPyの行列を作成します。 ステップ2：numpy.shape関数を使って、行列の行数と列数を取得します。 ステップ3：行数と列数を出力します。サンプルコードimport numpy as np matrix = np.random.rand(2,3) print(matrix) print(指定された行列の行数と列数は: , matrix.shape)出力結果[[

本記事では、NumPyライブラリに用意されているsum()関数を使って、行列（マトリクス）内のすべての要素を合計する方法を解説します。まずrandom()関数でランダムなNumPy行列を生成し、続いてその全要素の合計値を取得する流れを見ていきましょう。処理の手順（アルゴリズム）Step 1: numpyをインポートするStep 2: random()関数を使って m×n のランダムな行列を作成するStep 3: sum()関数を使って、行列内の全要素の合計を求めるサンプルコード以下のコードでは、np.random.rand(3, 3)によって3行3列のランダムな行列を生成し、np.sum()で

Pythonで特定の座標（点）がポリゴンの内部に含まれるかどうかを判定したい場面は、地理情報処理やグラフィックスプログラミングなどでよくあります。最も手軽で高速な方法のひとつが、Matplotlibが提供する mplPath.Path クラスを使うアプローチです。まず mplPath.Path メソッドでポリゴンを作成し、その後 poly_path.contains_point() メソッドを呼び出すことで、指定した点がポリゴン内にあるかどうかを簡単に確認できます。実行手順ポリゴンを構成する頂点のリストを作成します。mplPath.Path() を使って、与えられた頂点から新しいパスオブジェク

この記事では、PythonのNumPyライブラリを使って、行列の各行の合計と各列の合計をそれぞれ求める方法を解説します。合計の計算にはnp.sum()関数を使用します。 アルゴリズム 手順1: NumPyをインポートする。 手順2: m×n次元のNumPy行列を作成する。 手順3: 各列の合計を求める。 手順4: 各行の合計を求める。 サンプルコード import numpy as np a = np.matrix('10 20; 30 40') print("Our matrix: \n", a) # 各列の合計（axis=0：縦方向に加算） su

この記事では、NumPy配列に対してベクトル（1次元配列）を加算する方法を解説します。元となる配列とベクトルを定義し、それぞれを足し合わせて結果の配列を作成する流れを見ていきましょう。 アルゴリズム NumPy配列を定義する 加算するベクトルを定義する 元の配列と同じ形状の結果用配列を作成する 元の配列の各行にベクトルを加算する 結果の配列を出力する サンプルコード import numpy as np original_array = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]]) print(Original Array:

この記事では、2つのNumPy配列の共通部分（積集合）を求める方法を解説します。2つの配列の「共通部分」とは、元の両方の配列に共通して含まれる要素だけを集めた配列のことです。NumPyにはこの目的に特化した np.intersect1d() 関数が用意されており、わずか1行のコードで共通要素を抽出できます。アルゴリズム処理の手順は以下の通りです。NumPyをインポートします。2つのNumPy配列を定義します。np.intersect1d() 関数を使って、配列同士の共通部分を求めます。共通する要素からなる配列を出力します。サンプルコードimport numpy as np array_1 =

この記事では、PythonのNumPyライブラリを使って、2つの配列の差集合を求める方法を解説します。差集合とは、「片方の配列には含まれているが、もう片方には含まれていない要素」の集まりのことです。NumPyでは、setdiff1d()関数を使うことで、この差集合を簡単に計算できます。この関数は array1 と array2 の2つの引数を受け取り、array1 に含まれるが array2 には含まれない一意な値を返します。処理の流れ（アルゴリズム）ステップ1：numpy をインポートする。ステップ2：2つのNumPy配列を定義する。ステップ3：setdiff1d() 関数を使って差集合を求

はじめに この記事では、NumPy配列の中から指定した範囲内に含まれる要素を抽出して表示する方法を解説します。主に使用する関数は、np.where() と np.logical_and() の2つです。 アルゴリズム ステップ1：NumPy配列を定義する。 ステップ2：np.where() と np.logical_and() を使って、指定範囲内の数値を見つける。 ステップ3：結果を出力する。 サンプルコード import numpy as np arr = np.array([1, 3, 5, 7, 10, 2, 4, 6, 8, 10, 36]) print(元の配列:\n, ar

はじめに この記事では、NumPy配列を逆順（反転）にするシンプルなPythonプログラムを紹介します。配列の反転には、NumPyが標準で提供しているnumpy.flip()関数を使用します。この関数は、指定した軸に沿って配列の要素の順序を簡単に反転できる便利な機能です。 アルゴリズム 処理の流れは以下の4ステップです。 ステップ1: numpyをインポートする。 ステップ2: numpy.array()を使ってNumPy配列を定義する。 ステップ3: numpy.flip()関数を使って配列を反転させる。 ステップ4: 結果の配列を出力する。 サンプルコード import numpy a

この記事では、Pandasライブラリを使ってシリーズ（Series）をソートする方法を解説します。まず、ソートされていないPandasシリーズを定義し、Pandasライブラリに用意されている sort_values() 関数を使用して昇順・降順に並べ替える手順を見ていきましょう。 アルゴリズム 処理の流れは以下の3ステップです。 ステップ1：Pandasシリーズを定義する。 ステップ2：sort_values() 関数を使ってシリーズをソートする。 ステップ3：ソート後のシリーズを出力する。 サンプルコード import pandas as pd panda_series = pd.Seri

Pandasを使えば、日時と速度のデータを含むデータフレームを簡単に作成でき、そのデータフレームをもとに目的の時系列プロットを描画できます。この記事では、乱数生成からプロット表示までの一連の手順を解説します。 実行手順 デフォルトのBitGenerator（PCG64）を使用して、新しいGeneratorオブジェクトを作成します。 Pandasのdate_range関数を使い、「2020-01-01」から「2021-01-01」までの日次頻度（freq=D）のDatetimeIndexを生成します。 対数正規分布（log-normal distribution）からサンプル値を抽出します。

この記事では、PandasのSeries（シリーズ）に要素を追加する方法を解説します。従来は append() 関数がよく使われていましたが、このメソッドはPandas 1.4.0で非推奨となり、2.0以降では削除されています。現在は pd.concat() を使うのが標準的な方法です。なお、既存のSeriesに連結できるのは「別のSeries」または「Seriesのリスト／タプル」のみです。単一の値を追加したい場合は、その値をSeriesに変換してから連結します。処理の手順Step 1: Pandasシリーズ s1 を定義する。 Step 2: 別のシリーズ s2 を定義する。 Step 3

Pandasライブラリに用意されている mean() 関数を使用すると、シリーズ（Series）の平均値を簡単に求めることができます。この関数は数値データの算術平均を返し、デフォルトでは欠損値（NaN）を自動的に除外して計算を行うため、実務のデータ処理でも広く活用されています。 アルゴリズム ステップ1: Pandasシリーズを定義する。 ステップ2: mean()関数を使用して平均値を計算する。 ステップ3: 計算した平均値を出力する。 サンプルコード import pandas as pd series = pd.Series([10, 20, 30, 40, 50]) print(Pa

この記事では、Pandasシリーズ(Series)の標準偏差を求めるプログラムを紹介します。標準偏差とは、データセットが平均値からどれだけ散らばっているか(ばらつきの度合い)を測る統計量です。分散の平方根として定義され、値が大きいほどデータのばらつきが大きいことを示します。PythonのPandasライブラリには、標準偏差を簡単に計算できるstd()関数が用意されています。アルゴリズムステップ1:Pandasシリーズを定義する ステップ2:pandasライブラリのstd()関数を使って、シリーズの標準偏差を計算する ステップ3:標準偏差を出力するサンプルコードimport pandas as