どうもニコイチです。データ分析や機械学習を行う際、データをプログラムに取り込むことは最初のステップです。Pythonでは、pandas というライブラリがよく使われますが、数値計算に特化した NumPy を使ってデータを読み込むことも可能です。特に、NumPyは高速な数値演算が得意なため、大規模なデータを扱う際に役立ちます。
本記事では、NumPyを使ってさまざまな形式のデータを読み込む方法を解説します。特に以下の3つの関数を中心に紹介します。
np.load()：NumPy専用の.npyや.npzファイルを読み込むnp.loadtxt()：CSVやTSVなどのテキストデータを読み込むnp.genfromtxt()：欠損値を考慮しながらテキストデータを読み込む
これらの関数の使い方を学ぶことで、NumPyを活用したデータ分析の第一歩を踏み出すことができます。
では、まずは np.load() を使ったデータの読み込み方法を見ていきましょう。
NumPyのload()関数を使ったデータの読み込み
np.load()とは？
np.load() は、NumPy専用のバイナリファイル（.npy や .npz）を読み込むための関数です。NumPyの配列をファイルに保存し、後で再利用する際に便利です。
基本的な構文は以下の通りです。
import numpy as np
array = np.load("ファイル名.npy")
.npy ファイルの読み込み
.npy ファイルは、NumPyの配列データを効率的に保存する形式です。例えば、事前に作成した sample.npy を np.load() で読み込んでみましょう。
例：sample.npy を読み込む
import numpy as np
# .npy ファイルを読み込む
arr = np.load("sample.npy")
# 配列の中身を表示
print(arr)
出力結果（例）
[[4 8 1 2 9]
[3 3 4 5 2]
[3 5 1 9 9]
[4 8 4 3 4]
[1 4 2 9 4]]
このように、ファイルに保存されていたデータがそのままNumPyの配列として復元されます。
.npz ファイルの読み込み
.npz ファイルは、複数の配列を圧縮して保存できるフォーマットです。np.load() を使って .npz ファイルを読み込むと、辞書のようなオブジェクトが返されます。
例：data.npz を読み込む
import numpy as np
# .npz ファイルを読み込む
data = np.load("data.npz")
# 格納されている配列を取得
arr1 = data["array1"]
arr2 = data["array2"]
print(arr1)
print(arr2)
ポイント
.npzファイルを読み込むと、辞書のようにキーを指定してデータを取得する必要があります。data.filesを使うと、保存されている配列のキー一覧を確認できます。
print(data.files) # 出力例: ['array1', 'array2']
allow_pickle=True のオプション
デフォルトでは、NumPyはPythonのオブジェクトを含むデータの読み込みを制限しています。しかし、Pythonのオブジェクト（リストや辞書など）を含む .npy ファイルを読み込む場合は、allow_pickle=True を指定する必要があります。
arr = np.load("object_data.npy", allow_pickle=True)
まとめ
np.load("file.npy")でNumPy配列を読み込める。.npzファイルはdata["key"]の形で取得する。- Pythonオブジェクトを含む
.npyを読み込む場合はallow_pickle=Trueを指定する。
これで、NumPy専用のデータファイルの読み込み方を学びました。次は、CSVやTSVといった一般的なデータ形式の読み込み方法について解説します。
NumPyのloadtxt()関数を使ったCSVデータの読み込み
np.loadtxt()とは？
CSV（カンマ区切り）やTSV（タブ区切り）といったテキストデータをNumPyの配列として読み込むために、np.loadtxt() 関数を使用します。
基本的な構文は以下の通りです。
np.loadtxt(fname="ファイル名", dtype=データ型, delimiter="区切り文字", skiprows=行数, usecols=列番号)
主な引数
| 引数 | 説明 |
|---|---|
fname | ファイル名（例: "data.csv"） |
dtype | データ型（例: int、float など） |
delimiter | 区切り文字（CSVなら ,、TSVなら \t） |
skiprows | 読み飛ばす行数（例: 1 なら最初の1行をスキップ） |
usecols | 読み込む列の番号（例: [1,2,3] で2列目～4列目を取得） |
CSVファイルを読み込んでみよう
ここでは、株価データが保存された data.csv を読み込んでみます。
data.csv の内容
Date,Open,High,Low,Close,Volume,Stock Trading
2016-12-30,42120,42330,41700,41830,610000,256280628000
2016-12-29,43000,43220,42540,42660,448400,19188227000
2016-12-28,43940,43970,43270,43270,339900,14780670000
2016-12-27,43140,43700,43140,43620,400100,17427993000
2016-12-26,43310,43660,43090,43340,358200,15547803000
np.loadtxt() を使った読み込み
import numpy as np
# "data.csv" を NumPy 配列として読み込む
data = np.loadtxt(fname="data.csv", dtype=int, delimiter=",", skiprows=1, usecols=[1, 2, 3, 4, 5])
# 結果を表示
print(data)
出力結果
[[ 42120 42330 41700 41830 610000]
[ 43000 43220 42540 42660 448400]
[ 43940 43970 43270 43270 339900]
[ 43140 43700 43140 43620 400100]
[ 43310 43660 43090 43340 358200]]
ポイント
delimiter=","でCSVファイルを正しく区切る。skiprows=1で1行目のヘッダーをスキップ（”Date, Open, …” は不要）。usecols=[1,2,3,4,5]で必要な列だけを取得（”Open” ～ “Volume”）。dtype=intでデータを整数型に変換して読み込む。
TSVファイルを読み込む場合
TSV（タブ区切り）データを読み込む場合は、delimiter="\t" を指定します。
data = np.loadtxt("data.tsv", dtype=float, delimiter="\t", skiprows=1)
まとめ
np.loadtxt()を使うと、CSVやTSVを簡単にNumPy配列として読み込める。delimiter=","やdelimiter="\t"で適切な区切り文字を指定する。skiprowsやusecolsを活用して、必要なデータだけ取得できる。
しかし、loadtxt() には 欠損値（NaN）を含むデータを読み込めない という制約があります。
次の章では、欠損値を考慮しながらデータを読み込める genfromtxt() 関数を紹介します！
NumPyのgenfromtxt()関数を使ったデータの読み込み（欠損値対応）
np.genfromtxt()とは？
np.genfromtxt() は、np.loadtxt() の強化版とも言える関数で、欠損値（NaN）を適切に処理しながらデータを読み込めるのが特徴です。
基本的な構文は以下の通りです。
np.genfromtxt(fname="ファイル名", dtype=データ型, delimiter="区切り文字", skip_header=行数, usecols=列番号, missing_values=欠損値, filling_values=補完値)
主な引数
| 引数 | 説明 |
|---|---|
fname | ファイル名（例: "data_nan.csv"） |
dtype | データ型（例: int、float など） |
delimiter | 区切り文字（CSVなら ,、TSVなら \t） |
skip_header | 読み飛ばす行数（例: 1 なら最初の1行をスキップ） |
usecols | 読み込む列の番号（例: [1,2,3] で2列目～4列目を取得） |
missing_values | 欠損値を表す値（デフォルトは NaN） |
filling_values | 欠損値を補完する値（例: 0 に置き換える） |
欠損値を含むCSVファイルを読み込んでみよう
ここでは、data_nan.csv という 一部のデータが欠損しているCSVファイル を扱います。
data_nan.csv の内容
Date,Open,High,Low,Close,Volume,Stock Trading
2016-12-30,42120,42330.0,41700,41830.0,610000,256280628000
2016-12-29,43000,NaN,42540,42660.0,448400,19188227000
2016-12-28,43940,43970.0,43270,NaN,339900,14780670000
2016-12-27,43140,43700.0,43140,43620.0,400100,17427993000
2016-12-26,43310,43660.0,43090,43340.0,358200,15547803000
NaN（欠損値）が含まれていることがわかります。
np.genfromtxt() を使って欠損値を考慮した読み込み
import numpy as np
# 欠損値を考慮しながらCSVを読み込む
nan_data = np.genfromtxt(
fname="data_nan.csv",
dtype=float,
delimiter=",",
skip_header=1,
usecols=[1, 2, 3, 4, 5],
missing_values=np.nan,
filling_values=0
)
# 結果を表示
print(nan_data)
出力結果
[[42120. 42330. 41700. 41830. 610000.]
[43000. 0. 42540. 42660. 448400.]
[43940. 43970. 43270. 0. 339900.]
[43140. 43700. 43140. 43620. 400100.]
[43310. 43660. 43090. 43340. 358200.]]
ポイント
np.genfromtxt()はNaN（欠損値）を適切に処理 できる。missing_values=np.nanにより、ファイル内のNaNを認識する。filling_values=0により、欠損値を0に置き換える。skip_header=1で1行目のヘッダーをスキップ。usecols=[1,2,3,4,5]で “Open” から “Volume” の5列を抽出。
欠損値を補完せずにそのまま読み込む場合
filling_values を指定しないと、欠損値は np.nan のままになります。
data_with_nan = np.genfromtxt("data_nan.csv", dtype=float, delimiter=",", skip_header=1, usecols=[1,2,3,4,5])
print(data_with_nan)
この場合、出力は以下のようになります。
[[42120. 42330. 41700. 41830. 610000.]
[43000. nan 42540. 42660. 448400.]
[43940. 43970. 43270. nan 339900.]
[43140. 43700. 43140. 43620. 400100.]
[43310. 43660. 43090. 43340. 358200.]]
loadtxt() と genfromtxt() の違い
| 関数 | 欠損値対応 | 使いやすさ |
|---|---|---|
np.loadtxt() | 欠損値があるとエラーになる | シンプルで高速 |
np.genfromtxt() | 欠損値を処理できる（補完可能） | 柔軟だがやや遅い |
欠損値が含まれるデータを扱う場合は genfromtxt() を使うのがベスト！
まとめ
np.genfromtxt()はloadtxt()よりも柔軟で、欠損値を処理できる。missing_valuesで欠損値を認識し、filling_valuesで補完が可能。- 欠損値をそのまま扱いたい場合は
filling_valuesを指定しない。
次の章では、ここまで学んだ np.load()、np.loadtxt()、np.genfromtxt() を活用し、実践的なデータの読み込みを行います！
実践！ NumPyを使ってデータを読み込んでみよう
ここまで学んだ np.load()、np.loadtxt()、np.genfromtxt() を活用し、実際にデータを読み込む流れを実践してみましょう。
今回扱うのは以下の2つのデータファイルです。
data.csv（欠損値なし） →np.loadtxt()を使用data_nan.csv（欠損値あり） →np.genfromtxt()を使用
① data.csv を np.loadtxt() で読み込む
まずは、シンプルなデータ（欠損値なし）を np.loadtxt() を使って読み込んでみましょう。
data.csv の内容
Date,Open,High,Low,Close,Volume,Stock Trading
2016-12-30,42120,42330,41700,41830,610000,256280628000
2016-12-29,43000,43220,42540,42660,448400,19188227000
2016-12-28,43940,43970,43270,43270,339900,14780670000
2016-12-27,43140,43700,43140,43620,400100,17427993000
2016-12-26,43310,43660,43090,43340,358200,15547803000
コード（np.loadtxt()）
import numpy as np
# 欠損値のないCSVファイルを読み込む
data = np.loadtxt(fname="data.csv", dtype=int, delimiter=",", skiprows=1, usecols=[1,2,3,4,5])
# 結果を表示
print(data)
出力結果
[[ 42120 42330 41700 41830 610000]
[ 43000 43220 42540 42660 448400]
[ 43940 43970 43270 43270 339900]
[ 43140 43700 43140 43620 400100]
[ 43310 43660 43090 43340 358200]]
ポイント
delimiter=","でカンマ区切りを指定。skiprows=1で1行目のヘッダーをスキップ。usecols=[1,2,3,4,5]で “Open” から “Volume” の5列のみ取得。- データに欠損値がない場合は
np.loadtxt()が最適！
② data_nan.csv を np.genfromtxt() で読み込む（欠損値対応）
次に、欠損値（NaN）が含まれるデータを np.genfromtxt() を使って処理してみます。
data_nan.csv の内容
Date,Open,High,Low,Close,Volume,Stock Trading
2016-12-30,42120,42330.0,41700,41830.0,610000,256280628000
2016-12-29,43000,NaN,42540,42660.0,448400,19188227000
2016-12-28,43940,43970.0,43270,NaN,339900,14780670000
2016-12-27,43140,43700.0,43140,43620.0,400100,17427993000
2016-12-26,43310,43660.0,43090,43340.0,358200,15547803000
コード（np.genfromtxt()）
import numpy as np
# 欠損値を0に補完しながらCSVを読み込む
nan_data = np.genfromtxt(
fname="data_nan.csv",
dtype=float,
delimiter=",",
skip_header=1,
usecols=[1, 2, 3, 4, 5],
missing_values=np.nan,
filling_values=0
)
# 結果を表示
print(nan_data)
出力結果
[[42120. 42330. 41700. 41830. 610000.]
[43000. 0. 42540. 42660. 448400.]
[43940. 43970. 43270. 0. 339900.]
[43140. 43700. 43140. 43620. 400100.]
[43310. 43660. 43090. 43340. 358200.]]
ポイント
missing_values=np.nanでNaNを認識。filling_values=0でNaNを0に置き換え。- 欠損値を考慮する必要がある場合は
np.genfromtxt()を使用！
③ .npy や .npz のデータを np.load() で読み込む
最後に、NumPy独自の .npy や .npz データも読み込んでみましょう。
コード（np.load()）
import numpy as np
# .npy ファイルの読み込み
arr = np.load("sample.npy")
print(arr)
# .npz ファイルの読み込み
data = np.load("data.npz")
print(data["array1"])
print(data["array2"])
まとめ
| データ形式 | 関数 | 特徴 |
|---|---|---|
.csv（欠損値なし） | np.loadtxt() | シンプルで高速 |
.csv（欠損値あり） | np.genfromtxt() | 欠損値を適切に処理 |
.npy（NumPy配列） | np.load() | 1つのNumPy配列を保存・読み込み |
.npz（複数のNumPy配列） | np.load() | 複数の配列を辞書型で管理 |
データの状況に応じて適切な関数を選ぶことが重要です！
まとめ
本記事の振り返り
本記事では、NumPyを使ってデータを読み込む方法について学びました。以下の3つの関数を中心に、それぞれの用途と使い方を解説しました。
🔹 np.load()
- NumPyのバイナリ形式（
.npy、.npz）のデータを高速に読み込む。 .npyは1つの配列を保存・読み込み、.npzは複数の配列を保存可能。
✅ こんなときに使う！
✔️ NumPyで処理したデータを保存・再利用したいとき
✔️ 複数のNumPy配列をまとめて管理したいとき
🔹 np.loadtxt()
- CSVやTSVなどのテキストデータを読み込むためのシンプルな関数。
delimiterで区切り文字を指定し、skiprowsやusecolsでデータを調整可能。
✅ こんなときに使う！
✔️ 欠損値がないシンプルなCSVデータをNumPy配列に変換したいとき
✔️ 特定の列や行のみを抜き出したいとき
🔹 np.genfromtxt()
np.loadtxt()の拡張版で、欠損値（NaN）を処理できる。missing_valuesやfilling_valuesを使って、欠損値を補完可能。
✅ こんなときに使う！
✔️ 欠損値を含むCSVデータを読み込みたいとき
✔️ 欠損値を自動で補完しながらデータを扱いたいとき
NumPyでのデータ読み込みの選び方
| 使用シーン | 適した関数 | 特徴 |
|---|---|---|
NumPy専用のデータ（.npy / .npz）を読み込みたい | np.load() | 高速でサイズも小さい |
| 欠損値なしのCSVやTSVを読み込みたい | np.loadtxt() | シンプルで高速 |
| 欠損値を含むCSVやTSVを読み込みたい | np.genfromtxt() | 欠損値を適切に処理 |
適切な関数を選ぶことで、より効率的にデータを扱うことができます！
次のステップ
NumPyを使ってデータを読み込めるようになったら、次は データの加工や可視化 に挑戦してみましょう！
🔹 次に学ぶべきトピック
- NumPyを使ったデータの前処理（標準化、正規化、欠損値処理など）
- Matplotlibを使ったデータの可視化（折れ線グラフ、ヒストグラムなど）
- pandasと組み合わせたデータ分析（データの集計やフィルタリング）
NumPyはデータ分析の基礎となるライブラリなので、ぜひ実際のデータを使って試してみてください！ 😊
おわりに
この記事では、NumPyを使ったデータの読み込み方法を初心者向けに解説しました。
「データを読み込んで扱えるようになること」は、データ分析や機械学習の第一歩です。
今後もNumPyを活用して、さまざまなデータを自在に扱えるようになりましょう！ 💡✨
📌 参考記事
- NumPyの基本的な配列操作 → NumPy入門記事
- pandasを使ったデータ読み込み → pandas入門記事
- Matplotlibでデータを可視化する方法 → Matplotlib入門記事
コメント