トップページ -> 最新情報技術の実習と研究ツール -> Python を活用する -> Python の主な機能（オンライン開発環境 Google Colab で演習）
[サイトマップへ]  

Python の主な機能（オンライン開発環境 Google Colab で演習）

Google Colab はオンラインの Python 開発環境

  1. Google Colab
  2. 式と変数
  3. 式の抽象化と関数
  4. 式の評価のタイミング
  5. クラス定義とオブジェクト生成
  6. コンストラクタでの既定値（デフォルト値）
  7. 属性アクセスとメソッド
  8. 親クラスからの継承
  9. オブジェクトのタイプ
  10. 拡張機能
  11. 条件分岐
  12. 配列と繰り返し
  13. 1次元配列
  14. 2次元配列
  15. メッシュグリッド
  16. ２次元配列データのCSV ファイル読み書き
  17. 配列の次元を増やす
  18. リスト
  19. 散布図
  20. TenforFlow

Google Colab

Google Colab はオンラインの Python 開発環境． 使用するには Google アカウントが必要

  1. Google Colab のWebページを開く

    https://colab.research.google.com

  2. 「ファイル」で、「PYTHON 3 の新しいノートブックの新規作成」を選ぶ

  3. Google アカウントでログインする

  4. コードセルの中に Python プログラムを書き、「再生ボタン」をクリック

  5. コードセルを追加したいときは、「挿入」で、「コードセル」をクリック

式と変数

変数: 変数には名前と値がある．

式: 式から値が求まる．式は変数を含むことができる． 

x = 100
print(x)
print(10 + 20 + 30)
a = 100
print(a * 1.08)

式の抽象化と関数

類似した複数の式 

print(100 * 1.08) 
print(150 * 1.08) 
print(400 * 1.08)

上の 3つの式を抽象化すると「a * 1.08」のような式になる． この式「a * 1.08」を含む関数 foo の定義とその使用例は次の通り． 

def foo(a):
    return(a * 1.08) 
print(foo(100))
print(foo(150))
print(foo(400))

式の評価のタイミング

関数の中の式の評価では， 最新の変数値が用いられる 

x = 30
def foo(a):
    return(a * x) 
x = 300
print(foo(100))
x = 3000
print(foo(100))

クラス定義とオブジェクト生成

クラス名: C

その属性名: qty, weight, name 

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
x = C(5, 170.51, 'apple')
print(vars(x))
y = C(3, 40.97, 'orange')
print(vars(y))

コンストラクタでの既定値（デフォルト値）

クラス名: D

属性名: s_hour, s_minute, e_hour, e_minute 

class D(object):
    def __init__(self, s_hour, s_minute):
        self.s_hour = s_hour
        self.s_minute = s_minute
        self.e_hour = None
        self.e_minute = None
z = D(15, 30)
print(vars(z))
z2 = D(16, 15)
print(vars(z2))

属性アクセスとメソッド

vars(): 属性表示

「.」+属性名: 属性アクセス

「.」+メソッド名: メソッドアクセス

メソッド内では，self + 「.」で，属性やメソッドにアクセスする 

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight
x = C(5, 170.51, 'apple')
print(vars(x))
print(x.name)
print(x.total())

親クラスからの継承

クラス名: C

その属性名: qty, weight, name

クラス名: E

その属性名: qty, weight, name, price

クラス E は，スーパークラスであるクラス C の属性とメソッドを継承する 

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight
class E(C):
    def __init__(self, qty, weight, name, price):
        super(E, self).__init__(qty, weight, name) 
        self.price = price
    def payment(self):
        return self.qty * self.price
x2 = E(2, 875.34, 'melon', 500)
print(vars(x2))
print(x2.total())
print(x2.payment())

オブジェクトのタイプ 

print( type(100) )
print( type(1.23) )
print( type("Hello") )
print( type(True) )
print( type(False) )
print( type([1, 2, 3]) )
import numpy as np
print( type(np.zeros(10)) )

拡張機能

拡張機能の例: 現在の日時, 最大公約数, 方程式を解く, 平方根, 円周率, 三角関数, など

現在の日時

オペレーティングシステム（コンピュータ）のタイマーを利用 

import datetime
now = datetime.now()
print(now)

最大公約数

24 と 18 の最大公約数を求めたい 

import math
print( math.gcd(24, 18) )

方程式を解く

4x + 1 = 0 を解きたい 

from scipy import optimize
def foo(x):
    return 4 * x + 1
print( optimize.fsolve(foo, 10) )

平方根

面積が 7 の正方形の一辺の長さは？ 結果 2.6457513110645907 を確認（結果は近似値） 

import math
print( math.sqrt(7) )

円の面積

半径 3 の円の面積は？ 円周率は, Python の拡張機能の math.pi を使用 

import math
print( 3 * 3 * math.pi )

三角形の面積

三角形の２辺の長さが，4と6で，その間の角度が60度のとき． 

import math
print( (1/2) * 4 * 6 * math.sin(60 * math.pi / 180) )

条件分岐 

age = 18
if (age <= 12):
    print(500)
else:
    print(1800)

配列と繰り返し

合計

8, 6, 4, 3, 2 というデータについて，合計を求めたい 

x = [8, 6, 4, 2, 3]
print( sum(x) )

月の日数

月の日数についてのデータを作る．うるう年のことは考えないことにする 

days = [0, 31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31]
print( days[6] )
print( days[7] )

物体の落下

同じ計算の繰り返し 

x = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
for t in x:
    print( (9.8 / 2) * t * t )

「*」の表示を 18 回繰り返す（* を 18 個並べて表示） 

import sys
for i in range(18):
    sys.stdout.write("*")

1次元の配列（アレイ）

0要素 

import numpy as np
x = np.zeros(10)
print(x)
print(type(x))
print(x.shape)

1要素 

import numpy as np
x = np.ones(10)
print(x)
print(type(x))
print(x.shape)

乱数 

import numpy as np
x = np.random.randn(10)
print(x)
print(type(x))
print(x.shape)

要素指定 

import numpy as np
x = np.array([3, 1, 2, 5, 4])
print(x)
print(type(x))
print(x.shape)

arange 

import numpy as np
x = np.arange(-5, 4, 2)
print(x)
print(type(x))
print(x.shape)

linespace 

import numpy as np
x = np.linspace(-2, 2, 9)
print(x)
print(type(x))
print(x.shape)

2次元の配列（アレイ） 

import numpy as np
x = np.zeros((2, 3))
print(x)
print(type(x))
print(x.shape)

import numpy as np
x = np.ones((2, 3))
print(x)
print(type(x))
print(x.shape)

import numpy as np
x = np.random.randn(2,3)
print(x)
print(type(x))
print(x.shape)

メッシュグリッド 

import numpy as np
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
print(X)
print(type(X))
print(X.shape)
print(Y)
print(type(Y))
print(Y.shape)

２次元配列データのCSV ファイル読み書き

CSV ファイル書き出し．pandas 経由で行う 

import numpy as np
import pandas as pd
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
XX = pd.DataFrame(X)
print(XX)
XX.to_csv("XX.csv", header=False, index=False)
YY = pd.DataFrame(Y)
print(YY)
YY.to_csv("YY.csv", header=False, index=False)

CSV ファイル読み込み．pandas 経由で行う 

pd.read_csv("XX.csv", header=None)

pd.read_csv("YY.csv", header=None)

配列の次元を増やす

1次元を2次元に 

import numpy as np
x = np.array([3, 1, 2, 5, 4])
A = x[:, np.newaxis]
B = x[np.newaxis, :]
print(A)
print(type(A))
print(A.shape)
print(B)
print(type(B))
print(B.shape)

リスト 

a = [1, 2, 3, 4]
print(a)
type(a)

添え字は 0 から開始する 

a = [10, 20, 30]
print(a[1])
a[2] = 200
print(a)

散布図

散布図 

import matplotlib.pyplot as plt
import numpy as n
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.scatter(x, y)

3次元散布図 

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
z = [1, 1, 2, 2, 3]
ax.scatter(x, y, z, c='b')

メッシュグリッドと関数の3次元プロット 

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X, Y = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def f(x,y):
    return x * y
Z = f(X, Y)
ax.scatter(X, Y, Z, c='b')

メッシュグリッドと関数の3次元プロット. 今度は x1, x2 のソフトマックス関数 

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X1, X2 = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def softmax(x):
    A = np.exp(x - np.max(x))
    return A / A.sum()
def f(x1, x2):
    return softmax( np.array([x1, x2]) )
Z = f(X1, X2)
ax.scatter(X1, X2, Z[0], c='b')

fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
ax.scatter(X1, X2, Z[1], c='b')

TenforFlow

行列の足し算 

import tensorflow as tf
import numpy as np
with tf.Session():
  a = tf.constant( np.reshape([1, 1, 1, 1, 1, 1], (2, 3) ) ) 
  b = tf.constant( np.reshape( [1, 2, 3, 4, 5, 6], (2, 3) ) )
  c = tf.add(a, b)
  result = c.eval()
result