NumPyで条件を満たす要素を置換する方法：whereとputmaskの使い分け

2026年5月27日

データ変換

NumPyは、Pythonにおける数値計算を支える基盤となるライブラリとして、長年多くの開発者に愛用されています。

2026年現在、データサイエンスや機械学習の現場では、扱うデータセットの規模が以前よりも飛躍的に増大しています。

膨大な多次元配列を扱う際、特定の条件を満たす要素だけを効率的に別の値に置き換える操作は、データの前処理において欠かせません。

NumPyには条件置換を実現するための関数が複数用意されていますが、その中でも代表的なものがnp.whereとnp.putmaskです。

本記事では、これら二つの関数の使い分けや、パフォーマンスを最大化するためのテクニックについて詳しく紹介します。

目次 [ close ]

NumPyでの条件置換の基本と重要性

NumPy配列（ndarray）の操作において、条件に応じた値の置換は最も頻繁に行われる処理の一つです。

例えば、画像処理において特定の輝度以下のピクセルを黒く塗りつぶしたり、異常値を含むデータを平均値で補完したりする場合が挙げられます。

これらの処理をPythonの標準的なforループで実装すると、計算時間が膨大になり、システム全体のボトルネックとなります。

NumPyの提供するベクトル化された関数を利用することで、内部のC言語レベルでの高速な演算が可能になります。

実行速度の向上だけでなく、コードの可読性を高めるためにも、適切な置換用関数を選択することが重要です。

np.whereによる条件置換の仕組み

np.whereは、NumPyの中で最も汎用性が高く、直感的に理解しやすい関数です。

この関数は、基本的には三項演算子（condition ? x : y）の配列版として機能します。

三項演算子のような使い勝手

np.where(condition, x, y)という構文で使用され、条件がTrueの部分にはxを、Falseの部分にはyを配置した新しい配列を返します。

元の配列を書き換えるのではなく、新しいオブジェクトを生成する点が大きな特徴です。

基本的なコード例

以下のコードは、0から9までの配列に対して、5未満の要素を0に、それ以外を10に置換する例です。

Python

import numpy as np

# 配列の作成
arr = np.arange(10)

# 条件置換の実行
result = np.where(arr < 5, 0, 10)

print("元の配列:", arr)
print("置換後の配列:", result)

実行結果

元の配列: [0 1 2 3 4 5 6 7 8 9]
置換後の配列: [ 0  0  0  0  0 10 10 10 10 10]

このように、元の配列arrは変更されず、新しい配列resultが作成されていることがわかります。

np.whereは、条件を満たさない要素の値をそのまま保持したい場合にも便利です。

その場合は、第三引数に元の配列自身を指定します。

Python

# 5以上の要素だけを100に置換し、それ以外は元のままにする
result_keep = np.where(arr >= 5, 100, arr)
print(result_keep)

実行結果

[  0   1   2   3   4 100 100 100 100 100]

np.putmaskによるインプレース置換

一方で、np.putmaskは、元の配列を直接書き換える「インプレース処理」を得意とする関数です。

大規模なデータを扱う場合、新しい配列を作成するためのメモリ確保を避けることで、リソースを節約できるメリットがあります。

メモリ効率を重視する場合の選択肢

np.putmask(arr, mask, values)という構文で使用されます。

第一引数に渡した配列そのものが変更されるため、返り値はありません。

次のコードで、その動作を確認してみましょう。

Python

import numpy as np

# 配列の作成
arr = np.array([10, 20, 30, 40, 50])

# マスク（条件）の作成：25より大きい要素
mask = arr > 25

# 置換の実行
np.putmask(arr, mask, 999)

print("置換後の元の配列:", arr)

実行結果

置換後の元の配列: [ 10  20 999 999 999]

np.putmaskを使用すると、元のメモリ領域を再利用するため、メモリ消費量を抑えられます。

また、第三引数のvaluesに配列を指定した場合、条件に一致した箇所に順次値を当てはめていくという特殊な挙動を示します。

np.whereとnp.putmaskの具体的な違い

これら二つの関数には、いくつかの重要な違いがあります。

それぞれの特性を理解することで、状況に応じた最適な実装を選択できるようになります。

返り値と元の配列への影響

もっとも大きな違いは、先述した通り「新しい配列を生成するか」「元の配列を書き換えるか」です。

関数型のプログラミングスタイルを好む場合や、元のデータを保持しておきたい場合はnp.whereが適しています。

一方で、メモリの制約が厳しい組み込み環境や超大規模データ処理では、np.putmaskが威力を発揮します。

ブロードキャストの挙動

np.whereはNumPyの強力なブロードキャスト機能をフルに活用できます。

条件配列、x、yの形状が異なっていても、NumPyのルールに従って自動的に拡張されます。

一方、np.putmaskの第三引数に配列を指定した場合は、マスクがTrueになった回数分だけ要素を繰り返して適用するという独特な挙動になります。

この違いは、複雑な形状の配列を操作する際に予期せぬ結果を招く可能性があるため、注意が必要です。

各手法の比較まとめ

ここで、代表的な置換手法を比較表にまとめました。

手法	形式	メモリ効率	主な特徴
np.where	非インプレース	普通	三項演算子のように使え、可読性が高い
np.putmask	インプレース	高い	元の配列を直接変更し、メモリ消費を抑える
ブールインデックス参照	インプレース	高い	`arr[mask] = val` の形式で、非常にシンプル

実は、arr[mask] = values という形式のブールインデックス参照による置換も非常に一般的です。

多くのケースではこの書き方が最も直感的であり、パフォーマンスもnp.putmaskと同等です。

ただし、np.putmaskは第三引数がスカラーでない場合の挙動が異なるため、特定のパターン（値を循環させて埋めるなど）では重宝されます。

処理速度とパフォーマンスの比較

現代のコンピューティング環境において、処理速度の差はミリ秒単位の争いになることが多いです。

数百万要素を超える配列では、新しい配列を生成するオーバーヘッドが無視できなくなります。

実際に1,000万個の要素を持つ配列でベンチマークを行うと、インプレースな置換の方が高速な傾向にあります。

ただし、近年のPython 3.x以降およびNumPy 2.x以降の最適化により、np.whereも十分に高速化されています。

パフォーマンスが最優先される場合以外は、コードの読みやすさを優先してnp.whereを選択するのが2026年現在のスタンダードな開発スタイルです。

応用的な条件指定方法

実務では、単一の条件ではなく、複数の条件を組み合わせる必要があります。

NumPyの論理演算子を利用することで、高度なフィルタリングと置換が可能です。

複数条件の組み合わせ

複数の条件を組み合わせる際は、& (AND) や | (OR) を使用します。

このとき、各条件を括弧 () で囲むことが必須である点に注意してください。

Python

import numpy as np

arr = np.array([5, 12, 18, 25, 30])

# 「10より大きい」かつ「25より小さい」要素を99に置換
result = np.where((arr > 10) & (arr < 25), 99, arr)

print(result)

実行結果