NumPyで配列の要素ごとに四則演算を行う方法：演算子と関数の使い分けを解説

2026年5月6日2026年5月9日

数値演算

Pythonを用いたデータ分析や機械学習の現場において、NumPy（ナンパイ）は欠かせないライブラリです。

その中でも最も基本的かつ頻繁に利用される機能の一つが、配列の「要素ごとの演算（Element-wise operations）」です。

通常のPythonのリストではループ処理を記述しなければならない計算も、NumPyを利用すれば簡潔なコードで、かつ高速に実行することが可能です。

本記事では、NumPy配列における四則演算の基本から、演算子と関数の使い分け、さらに応用的なブロードキャストの仕組みまでを詳しく解説します。

目次 [ close ]

NumPyにおける要素ごとの演算とは

NumPyの最大の特徴は、「ベクトル化演算」と呼ばれる仕組みを備えている点にあります。

これは、配列の各要素に対して一括で処理を行う手法を指します。

例えば、2つのリストの各要素を足し合わせる場合、標準のPythonリストではfor文などのループ処理が必要になりますが、NumPy配列（ndarray）を使用すると、配列同士を直接演算子で結ぶだけで、対応する位置にある要素同士の計算が自動的に行われます。

これを「要素ごとの演算」と呼びます。

この仕組みにより、コードの可読性が飛躍的に向上するだけでなく、内部的にC言語レベルで最適化されたループが回るため、大規模なデータセットに対しても極めて高速な処理が実現します。

算術演算子を使用した基本の四則演算

NumPyでは、Python標準の算術演算子（+, -, *, /）をそのまま使用して、配列の要素ごとに計算を行うことができます。

加算（足し算）と減算（引き算）

同じ形状（Shape）を持つ2つの配列を用意し、演算子を適用する例を確認しましょう。

Python

import numpy as np

# 配列の作成
a = np.array([10, 20, 30, 40])
b = np.array([1, 2, 3, 4])

# 加算
add_result = a + b
# 減算
sub_result = a - b

print("加算結果:", add_result)
print("減算結果:", sub_result)

実行結果

加算結果: [11 22 33 44]
減算結果: [ 9 18 27 36]

乗算（掛け算）と除算（割り算）

掛け算と割り算も同様です。

ここでの乗算は、行列の積ではなく、あくまで「同じ位置にある要素同士の掛け算」であることに注意してください。

Python

import numpy as np

# 配列の作成
a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

# 乗算
mul_result = a * b
# 除算
div_result = b / a

print("乗算結果:", mul_result)
print("除算結果:", div_result)

実行結果

乗算結果: [ 10  40  90 160]
除算結果: [10. 10. 10. 10.]

NumPyの除算では、整数の配列同士であっても、結果は浮動小数点数（float型）として返されるのが一般的です。

NumPy関数による四則演算

算術演算子を使用する代わりに、NumPyが提供する専用の関数（ユニバーサル関数、通称ufunc）を使用することも可能です。

演算内容	演算子	NumPy関数
加算	`+`	`np.add()`
減算	`-`	`np.subtract()`
乗算	`*`	`np.multiply()`
除算	`/`	`np.divide()`

関数形式を利用するメリット

「演算子があるのになぜ関数形式が必要なのか」という疑問を持つかもしれません。

主な理由は、関数の引数によって柔軟な制御が可能になるからです。

例えば、out引数を使用すると、計算結果を新しい配列として生成するのではなく、既存のメモリ領域（既存の配列）に直接書き込むことができます。

これにより、メモリの使用量を抑え、大規模データ処理のパフォーマンスを向上させることができます。

Python

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
result = np.empty_like(a) # 空の配列を事前に確保

# 結果を直接resultに格納
np.add(a, b, out=result)

print("np.addの結果:", result)

実行結果

np.addの結果: [5 7 9]

剰余・べき乗・切り捨て除算

基本の四則演算以外にも、要素ごとに適用できる便利な演算子が用意されています。

べき乗（Power）

** 演算子、または np.power() を使用します。

Python

a = np.array([1, 2, 3, 4])
print("2乗:", a ** 2)

剰余（Remainder）と切り捨て除算（Floor Division）

割り算の余りを求める % （np.mod()）や、商の整数部分のみを求める // （np.floor_divide()）も、配列全体に対して一括適用されます。

Python

a = np.array([10, 20, 30])
b = np.array([3, 3, 3])

print("切り捨て除算:", a // b)
print("剰余:", a % b)

実行結果

切り捨て除算: [ 3  6 10]
剰余: [1 2 0]

ブロードキャストの仕組みとルール

NumPyの要素ごと演算を理解する上で、最も重要かつ強力な概念が「ブロードキャスト（Broadcasting）」です。

通常、要素ごとの演算を行うには、配列の形状（Shape）が一致している必要があります。

しかし、NumPyには形状が異なる配列同士でも、一定のルールの下で自動的に形状を拡張して計算を成立させる仕組みがあります。

スカラーと配列の演算

最も単純なブロードキャストは、配列と単一の数値（スカラー）の演算です。

Python

a = np.array([1, 2, 3])
result = a * 10
print(result)

実行結果

[10 20 30]

この時、数値の 10 は内部的に [10, 10, 10] という配列に引き伸ばされたかのように扱われ、各要素に掛け合わされます。

異なる次元の配列同士の演算

より複雑な例として、2次元配列（行列）と1次元配列の計算を見てみましょう。

Python

matrix = np.array([[1, 2, 3], [4, 5, 6]]) # (2, 3)形状
row_vector = np.array([10, 20, 30])      # (3,)形状

result = matrix + row_vector
print(result)

実行結果

[[11 22 33]
 [14 25 36]]

この場合、row_vector の形状が (2, 3) に合うように「コピー」されて計算が行われます。

ブロードキャストが適用されるには、以下の条件のいずれかを満たしている必要があります。

配列の形状が完全に一致している。
比較される次元のサイズが一致している、あるいはどちらかのサイズが 1 である。

このルールを理解することで、メモリを節約しながら効率的な多次元計算を記述できるようになります。

演算子と関数のどちらを使うべきか

実務において、演算子と関数のどちらを使うべきか迷う場面があるでしょう。

基本的には以下の指針で使い分けるのが推奨されます。

演算子（+, -, *, /）を使うべき場面

コードの読みやすさを重視する場合：
数式に近い形で記述できるため、直感的に何を行っているかが伝わりやすくなります。一般的な計算スクリプトでは演算子で十分です。

関数（np.add, etc.）を使うべき場面

メモリ効率を極限まで追求する場合：
前述の out 引数を用いてメモリの再利用を行いたい場合。
特定の条件で演算を行いたい場合：
多くのNumPy関数には where 引数があり、条件を満たす要素のみを計算対象にするといった柔軟な処理が可能です。
複雑な軸（axis）指定が必要な場合：
集計を伴う演算などで、特定の軸に沿った処理を明示したい場合に適しています。

ゼロ除算や異常値への対応

数値計算を行う際、注意が必要なのが「ゼロ除算」です。

Python標準の計算ではエラー（ZeroDivisionError）が発生しますが、NumPyではプログラムが停止せず、警告（Warning）と共に特殊な値が返されます。

Python

a = np.array([1, 0])
b = np.array([0, 0])

# 1 / 0 は inf（無限大）、0 / 0 は nan（非数）となる
print(a / b)

実行結果（環境によりWarningが表示されます）：

text

[inf nan]

計算結果に inf や nan が含まれると、その後の統計計算（平均など）がすべて狂ってしまう可能性があります。

これを防ぐには、np.nan_to_num() を使用して異常値を 0 や任意の値に置換するか、計算前に対象のデータを確認するプロセスが重要です。

まとめ

NumPyの要素ごとの四則演算は、データサイエンスの基礎を支える極めて強力な機能です。

算術演算子（+, -, *, /）を使えば、簡潔で数学的な記法で配列計算ができる。
NumPy関数（np.add など）を使えば、メモリ最適化や条件付き計算といった高度な制御ができる。
ブロードキャストの仕組みを理解することで、形状の異なるデータ同士を賢く組み合わせることができる。

これらの特性を理解し、適切に使い分けることで、Pythonによるデータ処理の速度と品質は劇的に向上します。

まずは基本の演算子から使い始め、徐々に関数形式やブロードキャストを駆使した高度な実装に挑戦してみてください。