NumPyで条件に合致する要素数をカウント！count_nonzero()の活用

2025-05-31

基本的な使い方

最もシンプルな使い方は、NumPy配列を引数として渡すことです。

import numpy as np

arr = np.array([1, 0, 2, -1, 0, 5])
non_zero_count = np.count_nonzero(arr)
print(non_zero_count)  # 出力: 4

この例では、配列 arr の中でゼロでない要素（1, 2, -1, 5）が4つあるため、np.count_nonzero(arr) は 4 を返します。

多次元配列での使い方

多次元配列（行列など）に対して numpy.count_nonzero() を使う場合、どのように数えるかを指定できます。

axis 引数を指定した場合
特定の軸に沿ってゼロでない要素の数を数えます。

axis=0: 列ごとのゼロでない要素の数を数えます。
axis=1: 行ごとのゼロでない要素の数を数えます。

matrix = np.array([[0, 1, 0], [2, 0, 3]])

# 列ごとのゼロでない要素の数
non_zero_count_axis_0 = np.count_nonzero(matrix, axis=0)
print(non_zero_count_axis_0)  # 出力: [1 1 1] (各列に1つずつゼロでない要素がある)

# 行ごとのゼロでない要素の数
non_zero_count_axis_1 = np.count_nonzero(matrix, axis=1)
print(non_zero_count_axis_1)  # 出力: [1 2] (1行目に1つ、2行目に2つゼロでない要素がある)

引数を一つだけ渡した場合
配列全体のゼロでない要素の数を数えます。

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_count_total = np.count_nonzero(matrix)
print(non_zero_count_total)  # 出力: 3

keepdims 引数

axis を指定した場合、結果の配列は元の配列よりも次元が一つ減ります。keepdims=True を指定すると、元の配列と同じ次元数を維持したまま結果を返します。この場合、縮小された軸のサイズは1になります。

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_count_kept_dims = np.count_nonzero(matrix, axis=0, keepdims=True)
print(non_zero_count_kept_dims)  # 出力: [[1 1 1]] (2次元の配列として結果が返る)

numpy.count_nonzero() は、NumPy配列内のゼロでない要素の数を効率的に数えるための便利な関数です。配列全体だけでなく、特定の軸に沿って数えることもでき、データ分析や処理において非常に役立ちます。

引数の型に関するエラー (TypeError)

解決策
渡すオブジェクトを np.array() で NumPy配列に変換してから numpy.count_nonzero() を使用します。

import numpy as np

my_list = [1, 0, 2, 0, 3]
non_zero_count = np.count_nonzero(np.array(my_list))
print(non_zero_count)

原因
numpy.count_nonzero() は NumPy配列を効率的に処理するように設計されています。他のシーケンス型を渡すと、内部処理で予期しない動作が起こり、型エラーが発生することがあります。

エラーメッセージの例

TypeError: 'list' object cannot be interpreted as an integer

よくある状況
numpy.count_nonzero() に NumPy配列 (ndarray) 以外の型のオブジェクト（リスト、タプルなど）を直接渡してしまう。

axis 引数の指定に関するエラー (IndexError)

解決策
指定する axis の値が、配列の次元数から 1 を引いた値以下であることを確認します。ndarray.ndim 属性で配列の次元数を確認できます。

import numpy as np

matrix = np.array([[1, 0], [0, 2]])
# 正しい例
count_row = np.count_nonzero(matrix, axis=0)
count_col = np.count_nonzero(matrix, axis=1)
print(f"列ごとの非ゼロ要素数: {count_row}")
print(f"行ごとの非ゼロ要素数: {count_col}")

# エラーになる例
# count_invalid_axis = np.count_nonzero(matrix, axis=2) # IndexError

原因
2次元配列の場合、有効な axis は 0 (行方向) と 1 (列方向) です。3次元配列なら 0, 1, 2 です。存在しないインデックスを指定すると、配列の次元数を超えたアクセスとなりエラーが発生します。

エラーメッセージの例

IndexError: axis 2 is out of bounds for array of dimension 2

よくある状況
多次元配列に対して、存在しない軸のインデックスを axis 引数に指定してしまう。

意図しない型の比較による誤ったカウント

解決策
numpy.count_nonzero() を使用する前に、配列の要素が意図した数値型であることを確認します。必要であれば、ndarray.astype() メソッドで型を変換します。

import numpy as np

str_array = np.array(["1", "0", "2", "", "3"])
non_zero_count_str = np.count_nonzero(str_array)
print(f"文字列配列の非ゼロ要素数: {non_zero_count_str}") # 出力: 4 ("0" と "" は非ゼロと評価される)

# 数値型に変換してからカウント
num_array = str_array.astype(int, casting='unsafe') # 警告が出る可能性あり
non_zero_count_num = np.count_nonzero(num_array)
print(f"数値配列の非ゼロ要素数: {non_zero_count_num}") # 出力: 3

注意
文字列から数値への変換は、変換できない文字列が含まれているとエラーが発生する可能性があります。casting='unsafe' は型変換の安全性を緩めるオプションですが、データの内容によっては慎重に扱う必要があります。

原因
numpy.count_nonzero() は、要素がゼロであるかどうかを評価します。数値以外の型の場合、Pythonの真偽値の評価ルールに従います。空の文字列 "" や False はゼロと評価されることがありますが、それ以外の文字列は非ゼロと評価されます。
よくある状況
配列の要素が数値型でない場合（例えば文字列型）、0 との比較が期待通りに行われず、誤ったカウントになる可能性があります。

真偽値配列での注意点

解決策
真偽値配列で False の数を数えたい場合は、np.logical_not() で反転させてから numpy.count_nonzero() を使用します。

import numpy as np

bool_array = np.array([True, False, True, True, False])
true_count = np.count_nonzero(bool_array)
false_count = np.count_nonzero(np.logical_not(bool_array))
print(f"True の数: {true_count}")   # 出力: 3
print(f"False の数: {false_count}")  # 出力: 2

原因
真偽値は内部的に整数として扱われるため、numpy.count_nonzero() は True の要素の数をカウントします。
よくある状況
真偽値 (bool) 型の配列に対して numpy.count_nonzero() を使用する場合、True は 1、False は 0 として扱われます。

トラブルシューティングのヒント

NumPyのドキュメントを参照する
NumPyの公式ドキュメントは、関数の詳細な説明や使用例を提供しています。
小さな例で試す
問題が複雑な場合に、小さなサンプル配列を作成して numpy.count_nonzero() の動作を確認してみます。
配列の型と形状を確認する
ndarray.dtype 属性で配列のデータ型を、ndarray.shape 属性で配列の形状（次元数と各次元のサイズ）を確認します。
エラーメッセージをよく読む
エラーメッセージは、問題の原因を特定するための重要な情報を含んでいます。

1次元配列での基本的な使用例

import numpy as np

# 整数型の配列
arr1 = np.array([1, 0, 2, -1, 0, 5])
non_zero_count1 = np.count_nonzero(arr1)
print(f"配列: {arr1}, 非ゼロ要素の数: {non_zero_count1}")

# 浮動小数点型の配列 (0.0 はゼロとみなされる)
arr2 = np.array([1.5, 0.0, -2.3, 0.0, 3.14])
non_zero_count2 = np.count_nonzero(arr2)
print(f"配列: {arr2}, 非ゼロ要素の数: {non_zero_count2}")

# 真偽値型の配列 (True は 1, False は 0 として扱われる)
arr3 = np.array([True, False, True, True, False])
non_zero_count3 = np.count_nonzero(arr3)
print(f"配列: {arr3}, True の数: {non_zero_count3}")

この例では、異なるデータ型の1次元配列に対して numpy.count_nonzero() を適用し、ゼロでない要素の数を数えています。真偽値配列では True の数がカウントされることに注意してください。

2次元配列での使用例 (axis を指定しない場合)

import numpy as np

matrix1 = np.array([[1, 0, 2], [0, -1, 3]])
non_zero_count_matrix1 = np.count_nonzero(matrix1)
print(f"配列:\n{matrix1}\n全体の非ゼロ要素の数: {non_zero_count_matrix1}")

axis を指定しない場合、多次元配列全体のゼロでない要素の数が返されます。

2次元配列での使用例 (axis=0 を指定した場合)

import numpy as np

matrix2 = np.array([[1, 0, 2], [0, -1, 3]])
non_zero_count_axis0 = np.count_nonzero(matrix2, axis=0)
print(f"配列:\n{matrix2}\n列ごとの非ゼロ要素の数 (axis=0): {non_zero_count_axis0}")
# 出力: [1 1 2] (各列に1つ、1つ、2つの非ゼロ要素がある)

axis=0 を指定すると、各列に沿ってゼロでない要素の数が数えられます。結果は、元の配列の列数と同じ長さの1次元配列になります。

2次元配列での使用例 (axis=1 を指定した場合)

import numpy as np

matrix3 = np.array([[1, 0, 2], [0, -1, 3]])
non_zero_count_axis1 = np.count_nonzero(matrix3, axis=1)
print(f"配列:\n{matrix3}\n行ごとの非ゼロ要素の数 (axis=1): {non_zero_count_axis1}")
# 出力: [2 2] (各行に2つ、2つの非ゼロ要素がある)

keepdims=True の使用例

import numpy as np

matrix4 = np.array([[1, 0, 2], [0, -1, 3]])
non_zero_count_keepdims = np.count_nonzero(matrix4, axis=0, keepdims=True)
print(f"配列:\n{matrix4}\n列ごとの非ゼロ要素の数 (axis=0, keepdims=True):\n{non_zero_count_keepdims}")
# 出力: [[1 1 2]] (結果が元の配列と同じ次元数を保っている)

keepdims=True を指定すると、axis で縮約された次元がサイズ 1 の次元として残ります。これにより、結果の配列の次元数を元の配列と同じに保つことができます。これは、ブロードキャスティングなどの操作で便利です。

条件を満たす要素の数のカウント

numpy.count_nonzero() は、真偽値配列を引数として渡すことで、特定の条件を満たす要素の数を数えるのに利用できます。

import numpy as np

arr5 = np.array([10, 20, 0, 30, 0, 40])
# 15より大きい要素の数を数える
greater_than_15 = arr5 > 15
count_greater_than_15 = np.count_nonzero(greater_than_15)
print(f"配列: {arr5}, 15より大きい要素の数: {count_greater_than_15}")

# 偶数の要素の数を数える
is_even = (arr5 % 2 == 0)
count_even = np.count_nonzero(is_even)
print(f"配列: {arr5}, 偶数の要素の数: {count_even}")

この例では、比較演算子を使って真偽値配列を作成し、その True の数を numpy.count_nonzero() で数えることで、特定の条件を満たす要素の数を効率的に得ています。

NaN (Not a Number) を非ゼロとして扱う場合

NumPyの NaN は、浮動小数点数の特殊な値であり、「非数」を表します。numpy.count_nonzero() は、NaN をゼロとは見なしません。

import numpy as np

arr6 = np.array([1.0, np.nan, 0.0, 2.5, np.nan])
non_zero_count_nan = np.count_nonzero(arr6)
print(f"配列: {arr6}, 非ゼロ要素 (NaNを含む) の数: {non_zero_count_nan}") # 出力: 3

もし NaN を特定の条件でカウントしたり除外したりしたい場合は、np.isnan() などの関数と組み合わせて使用する必要があります。

np.sum() を使用する方法

真偽値配列を np.sum() に渡すと、True は 1、False は 0 として扱われるため、True の要素の数を数えることができます。numpy.count_nonzero() は内部的にも似たような処理を行っています。

import numpy as np

arr = np.array([1, 0, 2, -1, 0, 5])
non_zero_count_sum = np.sum(arr != 0)
print(f"配列: {arr}, 非ゼロ要素の数 (np.sum()): {non_zero_count_sum}")

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_count_sum_axis0 = np.sum(matrix != 0, axis=0)
print(f"配列:\n{matrix}\n列ごとの非ゼロ要素の数 (np.sum(), axis=0): {non_zero_count_sum_axis0}")

non_zero_count_sum_axis1 = np.sum(matrix != 0, axis=1)
print(f"配列:\n{matrix}\n行ごとの非ゼロ要素の数 (np.sum(), axis=1): {non_zero_count_sum_axis1}")

欠点
numpy.count_nonzero() よりもわずかにパフォーマンスが劣る可能性があります（特に大きな配列の場合）。
利点
直感的で理解しやすい場合があります。特に、特定の条件を満たす要素の数を数える場合に、条件式 (arr != 0) を直接 np.sum() に渡せるため、可読性が高まることがあります。

Pythonの組み込み関数 sum() とジェネレータ式を使用する方法

NumPy配列をイテレートし、ゼロでない要素を数えるために、Pythonの組み込み関数 sum() とジェネレータ式を組み合わせることができます。

import numpy as np

arr = np.array([1, 0, 2, -1, 0, 5])
non_zero_count_builtin_sum = sum(1 for x in arr if x != 0)
print(f"配列: {arr}, 非ゼロ要素の数 (builtin sum()): {non_zero_count_builtin_sum}")

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_count_builtin_sum_axis0 = [sum(1 for row in matrix if row[i] != 0) for i in range(matrix.shape[1])]
print(f"配列:\n{matrix}\n列ごとの非ゼロ要素の数 (builtin sum(), axis=0): {non_zero_count_builtin_sum_axis0}")

non_zero_count_builtin_sum_axis1 = [sum(1 for x in row if x != 0) for row in matrix]
print(f"配列:\n{matrix}\n行ごとの非ゼロ要素の数 (builtin sum(), axis=1): {non_zero_count_builtin_sum_axis1}")

欠点
NumPyの最適化された処理を利用しないため、大きな配列に対して非常に遅くなる可能性があります。多次元配列での軸方向の処理も複雑になりがちです。
利点
NumPyに依存せずに実装できるため、NumPyが利用できない環境でも使用できます。

np.where() を使用する方法

np.where() は、条件を満たす要素のインデックスを返します。このインデックスの数を数えることで、ゼロでない要素の数を間接的に得ることができます。

import numpy as np

arr = np.array([1, 0, 2, -1, 0, 5])
non_zero_indices = np.where(arr != 0)
non_zero_count_where = len(non_zero_indices[0])
print(f"配列: {arr}, 非ゼロ要素の数 (np.where()): {non_zero_count_where}")

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_indices_matrix = np.where(matrix != 0)
non_zero_count_where_matrix = len(non_zero_indices_matrix[0])
print(f"配列:\n{matrix}\n全体の非ゼロ要素の数 (np.where()): {non_zero_count_where_matrix}")

# axis を指定した動作を np.where() で直接行うのは少し複雑になります。
# 各軸に対して条件を満たすインデックスを取得し、その数を数える必要があります。

欠点
単に非ゼロ要素の数を数えるだけであれば、numpy.count_nonzero() や np.sum() よりも冗長になる可能性があります。軸方向のカウントも直接的ではありません。
利点
条件を満たす要素のインデックスも同時に取得したい場合に便利です。

ブールインデックスを使用する方法

ブールインデックスを使ってゼロでない要素の配列を抽出し、その長さを取得することで、非ゼロ要素の数を数えることができます。

import numpy as np

arr = np.array([1, 0, 2, -1, 0, 5])
non_zero_elements = arr[arr != 0]
non_zero_count_bool_index = len(non_zero_elements)
print(f"配列: {arr}, 非ゼロ要素の数 (ブールインデックス): {non_zero_count_bool_index}")

matrix = np.array([[0, 1, 0], [2, 0, 3]])
non_zero_elements_matrix = matrix[matrix != 0]
non_zero_count_bool_index_matrix = len(non_zero_elements_matrix)
print(f"配列:\n{matrix}\n全体の非ゼロ要素の数 (ブールインデックス): {non_zero_count_bool_index_matrix}")

# axis を指定した動作は、各軸に対してブールインデックスを作成し、その軸に沿って True の数を数えることで実現できます。
non_zero_count_bool_index_axis0 = np.sum(matrix != 0, axis=0) # これは np.sum() と同じです
non_zero_count_bool_index_axis1 = np.sum(matrix != 0, axis=1) # これも np.sum() と同じです

欠点
単に数を数えるだけであれば、余分な配列の作成が発生するため、メモリ効率やパフォーマンスの点で numpy.count_nonzero() や np.sum() に劣る可能性があります。
利点
非ゼロ要素の値自体が必要な場合に、効率的に抽出できます。

numpy.count_nonzero() の代替方法はいくつか存在しますが、多くの場合、np.sum(array != 0) が可読性とパフォーマンスのバランスが良い選択肢となります。Pythonの組み込み関数を使う方法は、NumPyに依存しない利点があるものの、パフォーマンス面で課題があります。np.where() やブールインデックスを使う方法は、非ゼロ要素のインデックスや値が必要な場合には有用ですが、単に数を数えるだけであれば少し冗長です。