2025-3S 計算数理演習（東京大学理学部・教養学部） [齊藤宣一] [top] [0] [1] [2] [3] [4] [5] [6] [7] [8] [UTOL]

1. Pythonを用いた数値計算の基礎

まずは単純な計算

Google colaboratoryで，ノートブックを開く．$3+4$ を計算するには，以下のように操作する．

Out[]

ノートブックを開いた直後は，答えが返って来るまでに，やや時間がかかる．2回目以降は，それほど，気にならないはずである．今後，本講義の資料では，上のように入力し，出力が得られることを，次のように書く．In [n]:とOut [n]:が対になっている．

In [1]: 3+4

Out [1]: 7

以下で，いろいろ例示をする．説明はいちいち不要であろう．

In [2]: 3-4

Out [2]: -1

In [3]: 3+(-4)

Out [3]: -1

In [4]: 3*4

Out [4]: 12

In [5]: 3/4

Out [5]: 0.75

In [6]: 12/4

Out [6]: 3.0

In [7]: 12//4

Out [7]: 3

In [8]: 13//4

Out [8]: 3

In [9]: 13%4

Out [9]: 1

In [10]: 3**4

Out [10]: 81

（3^4ではない！）

In [11]: 4**-2

Out [11]: 0.0625

In [12]: 12/4*3

Out [12]: 9.0

In [13]: 12/(4*3)

Out [13]: 1.0

In [14]: (1+2j)*(3+1j)

Out [14]: (1+7j)

すなわち，j は虚数単位 $i$ を表す．3+j とは書かないことに注意せよ．

数値や文字列の出力

これも，例を見ながら色々試して，納得するのが近道である．

In [1]: 
x=1.2
print(x)
print(y)

Out [1]:
1.2
---------------
NameError   Traceback (most recent call last)
< ipython-input-27-1faa875c5937 >  in < module > 
      1 x=1.2
      2 print(x)
----> 3 print(y)

NameError: name 'y' is not defined

In [2]: 
print("x is defined")
print('y is undefined')
print('文字列')

Out [2]:
x is defined
y is undefined
文字列

クォーテーションでもダブルクォーテーションでも同じ（私は，その場の気分で使ってしまうので，ご容赦ください）．

In [3]: 
s="x is defined"
print(s)
print(type(s))

Out [3]: 
x is defined
< class 'str' > 

In [4]: 
x=10.0
print('x =',x)
print('x = {}'.format(x))
print(f'x = {x}')

Out [4]:
x = 10.0
x = 10.0
x = 10.0

In [5]: 
p=3.141592653589
print(f"{p:.3f}")
print(f"{p:9.3f}")
print(f"p={p:.3f}")
print(f"p={p:9.3f}")

Out [5]:
3.142
    3.142

In [5]:の3行目と5行目では，$p$ の値を表示する際に， 合計9文字のフィールド幅で，小数点以下3桁の数値が右揃えされ，左側がスペースが埋められる． （この場合，小数点も合計の文字数に含まれる．）

In [6]: 
x=12.345678
y=41
z='comment'
print(f'real={x:.5f}, integer={y:d}, string={z:s}')
print(f"real={x:.3e}, integer={y:5d}, string={z:s}")
print(f'real={x:.5f}, \n integer={y:d}, string={z:s}')
print(f'real={x:.5f}, \ninteger={y:d}, string={z:s}')

Out [6]:
real=12.34568, integer=41, string=comment
real=1.235e+01, integer=   41, string=comment
real=12.34568, 
 integer=41, string=comment
real=12.34568, 
integer=41, string=comment

In [7]: 
x=12.345678
y=41
z='comment'
print('real={:.5f}, integer={:d}, string={:s}'.format(x, y, z))
print('real={:.3e}, integer={:5d}, string={:s}'.format(x, y, z))

Out [7]:
real=12.34568, integer=41, string=comment
real=1.235e+01, integer=   41, string=comment

In [8]: 
x=10.0
y=41
print(f'x = {x}, y = {y}')
print(f'x = {y}, y = {x}')

Out [8]: 
x = 10.0, y = 41
x = 41, y = 10.0

変数の型

変数には型というのものがある．

In [1]:
a=1
b=2.0
c=1+2j
print(type(a))
print(type(b))
print(type(c))

Out [1]:
< class 'int' > 
< class 'float' >
< class 'complex' >

intは整数型である．Pythonでは「任意」の桁の整数が扱える．floatは，64ビットを用いて表現される，いわゆる倍精度実数型浮動小数点数（binary64）である．これについては，2節で，やや詳しく説明する．しかし，講義を通じて，あまり細かいことは気にしないで，floatは実数型である，くらいに考えれば良い．今後の説明でも，そのように表現する．説明しなくてもわかるであろうが，complexは，2つの実数型の対として表現される複素数型である．（念の為：浮動小数点数=floating point number）

なお，例えば，C言語では，上の意味のfloatをdoubleと書き，floatは単精度実数型浮動小数点数（binary32）を意味している．Pythonでは，言語の仕様としては，単精度はサポートしていないようである．（ただし，数値を単精度で扱うことは可能である．）

上のOut [3]で出力された，str(string)は，文字列である．

In [2]:
a=1
b=2.0
c=1+2j
x=a+b
y=b+c
print(x)
print(type(x))
print(y)
print(type(y))

Out [2]:
3.0
< class 'float' >
(3+2j)
< class 'complex' >

整数型と実数型の和は実数型になる．実数型と複素数型の和は複素数型になる．差積商にについても同様である．

モジュールの利用

点 $\mathrm{P}(x,y)$ $(x,y>0)$ の偏角を計算を計算するために，次のプログラムを実行する． 
In [1]:
x = 10.0
y = 10.0
angle = atan(y/x)        
print((angle/pi)*180)

Out [1]: 
---------------------------------
NameError                                 Traceback (most recent call last)
<  ipython-input-39-84b2df14c98c > in <  cell line: 3 > ()
      1 x = 10.0
      2 y = 10.0
----> 3 angle = atan(y/x)
      4 print((angle/pi)*180)

NameError: name 'atan' is not defined

Pythonには，あらかじめ様々な関数が定義されている (https://docs.python.org/3/library/functions.html)が， 残念ながら，$\tan^{-1}$ はその中に含まれていない． $\sin,\exp$ なども含まれていない． $\pi$ の値も，そのままでは，利用できない．

特別な関数を利用するためには，モジュール(module)をインポートする必要がある． モジュールとは，Pythonにおいて，特定の機能や目的に応じて関数をまとめる単位のことを言う．

本講義でよく使うのは：

  1. mathモジュール https://docs.python.org/ja/3/library/math.html
  2. Numpyモジュール http://www.numpy.org/
  3. matplotlib.pyplotモジュール https://matplotlib.org/stable/tutorials/introductory/pyplot.html
  4. Scipyモジュール https://scipy.org/
などである．実際に，上の計算で，mathモジュールを使ってみよう．

次のように書くと，mathモジュールから，関数atanと定数piが利用できる．実行結果は以下の通りである．

In [2]: 
from math import atan, pi
x = 10.0
y = 10.0
angle = atan(y/x)        
print((angle/pi)*180)

Out [2]: 45.0

あるいは，次のように書いても良い．詳しく説明しなくても，利用の仕方は理解できるであろう．

In [3]: 
import math
x = 10.0
y = 10.0
angle = math.atan(y/x)        
print((angle/math.pi)*180)

Out [3]: 45.0

これは，次のように書くと，より便利である．

In [4]: 
from math import *
x = 10.0
y = 10.0
angle = atan(y/x)
print((angle/pi)*180)

Out [4]: 45.0

もちろん指数関数 $\exp$ も利用できる．

In [5]: 
from math import exp
x = exp(1)
print(x)

Out [5]: 2.718281828459045

Numpyモジュールにおいても，指数関数expが利用できる．さらに，Numpyでは，リストを引数に与えることができる．

In [6]: 
from numpy import exp
x = exp([0, 1, 2])
print(x)

Out [6]: [1.         2.71828183 7.3890561 ]

しかし，mathモジュールでのexpは，引数としてはスカラー値しか受け付けない．

In [7]: 
from math import exp
x = exp([0, 1, 2])
print(x)

Out [7]: 
-------------
TypeError                                 Traceback (most recent call last)
< ipython-input-45-6808b54d7130 >  in < cell line: 2 > ()
      1 from math import exp
----> 2 x = exp([0, 1, 2])
      3 print(x)

TypeError: must be real number, not list

すなわち，同じ指数関数を計算する，同じ記号の関数expでも，定義されているモジュールが違えば，使い方が異なるのである．

以上を踏まえて，以下の2つを比較せよ．

In [8]: 
from numpy import *
from math import *
y=cos(0)
print(y)
x = exp([0, 1, 2])
print(x)

Out [8]: 
1.0
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
< ipython-input-47-fa0ec575be00 > in < cell line: 5 > ()
      3 y=cos(0)
      4 print(y)
----> 5 x = exp([0, 1, 2])
      6 print(x)

TypeError: must be real number, not list
In [9]: 
from math import *
from numpy import *
y=cos(0)
print(y)
x = exp([0, 1, 2])
print(x)

Out [9]: 
1.0
[1.         2.71828183 7.3890561 ]

前者では，$\cos$ と $\exp$ は，mathモジュールのものが用いられているのに対し， 後者では，numpyモジュールのものが用いられているのである．

これらのことを踏まえて，本講義の例では（すなわち，普通は），モジュールの関数を以下のように利用することにする．

In [10]: 
import numpy as np
y=np.cos(0)
print(y)
x = np.exp([0, 1, 2])
print(x)

Out [10]: 
1.0
[1.         2.71828183 7.3890561 ]

Google Colaboratoryを使っていると， 意図しないモジュールをロードしたまま， あるいは変数を二重三重に定義して，計算を続けてしまうことがある． このようなことを避けるために，適宜， 次のようにして，モジュールや変数のリセットとすると良い． 

In [11]: %reset -f

配列の利用（1次元配列）

1次元配列（ベクトル）の利用の仕方を説明する． それには配列(array)を利用する． 例えば，$\boldsymbol{x}=(1,2,4)$ （横ベクトル）は，次のように定義できる．

In [1]: 
x=[1,2,4]
print(x[0])
print(x[1])
print(x[2])

Out [1]: 
1
2
4

そうすると，x[0]=1，x[1]=2，x[2]=4となる．すなわち，配列の番号づけは，$0$からはじまる．

しかし，この配列の使い方は薦めない．例えば，

In [2]: 2*x

Out [2]: [1, 2, 4, 1, 2, 4]

というように，あまり嬉しくない計算をされてしまう． 以後，本講義では，numpyの配列（ndarrayクラス）を利用する．

In [3]: 
import numpy as np
x=np.array([1,2,4])
print(2*x)
print(type(x))

Out [3]: 
[2 4 8]
< class 'numpy.ndarray' >

実際，（いちいち検証しないが）ndarrayクラスの方が，いろいろな数学的操作を，容易かつ高速に実行できる．

次のlinspace関数は，今後とてもよく使う． 閉区間 $[0,5]$ の中に，両端も含めて $6$ の点を等間隔にとり，配列にする場合には，次のようにする． 

In [4]: 
import numpy as np
x=np.linspace(0,5,6)
print(x)
print(x[0])
print(x[3])

Out [4]: [0. 1. 2. 3. 4. 5.]
0.0
3.0
linspace
In [4]

すなわち，z = linspace(a,b,N) とすることで，$\boldsymbol{z}=(z_0,\ldots,z_{N-1})$， $z_k=a+\frac{b-a}{N-1}k$ $(k=0,\ldots,N-1)$を生成する． 

In [5]: print(x)
In [6]: len(x)
In [7]: type(x)


Out [5]: [0. 1. 2. 3. 4. 5.]
Out [6]: 6
Out [7]: numpy.ndarray

In [8]: x[6]

Out [8]: 
-------------------------------------
IndexError                                Traceback (most recent call last)
< ipython-input-65-04aa5bc9ecce >  in < cell line: 1 > ()
----> 1 x[6]

IndexError: index 6 is out of bounds for axis 0 with size 6

配列のコピーには注意が必要である．例えば，

In [9]: 
y=x
print(y)

Out [9]: [0. 1. 2. 3. 4. 5.]

と x を y に「コピー」して，y の第0成分の値を上書きする．

In [10]: 
y[0]=-9
print(y)

Out [10]: [-9.  1.  2.  3.  4.  5.]

ここまでは，想像通りであろう．しかし，念の為 x の値を確認してみると，

In [11]: print(x)

Out [11]: [-9.  1.  2.  3.  4.  5.]

となり，y を操作しただけなのに，x の値も変わってしまっている．理由を説明すると，それなりに時間がかかるので，ここでは深入りしない．

配列を，文字通りにコピーする際には，copy関数を使うと良い． 

In [12]: 
print(x)
z=np.copy(x)
print(z)
z[0]=7.8
print(z)
print(x)

Out [12]: 
[-9.  1.  2.  3.  4.  5.]
[-9.  1.  2.  3.  4.  5.]
[7.8 1.  2.  3.  4.  5. ]
[-9.  1.  2.  3.  4.  5.]

こんどは，xの値は影響を受けていない．

つぎのような配列の分割もよく使う．

In [13]: 
x=np.linspace(11,19,9)
print(x)
y=np.copy(x[1:5])
print(y)
print(x)

Out [13]: 
[11. 12. 13. 14. 15. 16. 17. 18. 19.]
[12. 13. 14. 15.]
[11. 12. 13. 14. 15. 16. 17. 18. 19.]

この計算では，配列xを生成したのちに，xの（最初の成分を第0成分と数えて）第1成分から第 $5-1=4$ 成分を，別の配列yにコピーしている．すなわち，x[n:m$+$1]で，配列xの第n成分から第m成分までからなる配列を表す．

なぜ，次のようにしないのか（このようにしても意図するy自体は生成できる），理由は各自で考えよ．

In [14]: y=x[1:5]

グラフの描画

グラフを描画する際には，matplotlib.pyplotモジュール（https://matplotlib.org/stable/tutorials/introductory/pyplot.html）を用いると良い．

例として，$y=x-2x^2$ $(-1\le x \le 1)$のグラフを描いてみよう．そのために linspace関数を用いて， $x_k=-1+\frac{2}{N-1}k$ $(k=0,\ldots,N-1)$を生成して， $y_k=x_k-2x_k^2$を計算し， $(x_k,y_k)$ $(k=0,\ldots,N-1)$を順に線分で結ぶ．

次は，$N=41$に対して，この操作を行うプログラムである．

In [1]:
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-1, 1, 41)
y = x - 2.0*x**2
plt.plot(x, y)         
plt.show()
Out[]
Out [1]

複数のグラフを描画する，線に色をつける，描画方法（実線，破線，マーカーなど）を変える，グリッドを入れる，凡例をつける，軸に説明を入れる，タイトルをつける，などが可能である．詳しくは，「matplotlib color」などで検索せよ．

In [2]:
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2*np.pi, 101)
y1 = np.sin(x)
y2 = np.sin(6*x)
plt.plot(x, y1,'r')
plt.plot(x, y2,'b--')
plt.legend(['sin(x)','sin(6x)'])
plt.title('Two functions (sin(x) and sin(6x))')
plt.grid('on')
plt.show()
Out[]
Out [2]

In [2]は，次のように書いても全く同じ出力が得られる． 

In [3]: 
import numpy as np
import matplotlib.pyplot as plt

def func1(t):
    return np.sin(t)

def func2(s):
    m=6.0
    return np.sin(m*s)

x = np.linspace(0, 2*np.pi, 101)
y1 = func1(x)
y2 = func2(x)
plt.plot(x, y1,'r')
plt.plot(x, y2,'b--')
plt.legend(['sin(x)','sin(6x)'])
plt.title('Two functions (sin(x) and sin(6x))')
plt.grid('on')
plt.show()
Out[]
In [3]の説明

描画したイメージを自動的に保存する方法を説明する．まず，次を行う．

In [4]:
from google.colab import drive
drive.mount('/content/drive')

すると，（やや間があって）次のようなウインドウが現れるので，次のように進む．

Out[]
「Googleドライブに接続」を選択
Out[]
Googleのアカウントを選択
Out[]
次へ
Out[]
「すべて選択」にした後に続行

すると，次のようになる．

In [4]:
from google.colab import drive
drive.mount('/content/drive')
Out [4]: Mounted at /content/drive

（これは必須ではないが，整理の目的で）Colab Notebooksの下にfigというフォルダを作っておく．

その上で，以下のプログラムを実行すると，Out[2]と同じイメージが，figにsin.pngとして保存される．この他に，例えば，sin.jpgやsin.pdfで保存も可能である．

In [5]:
import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2*np.pi, 101)
y1 = np.sin(x)
y2 = np.sin(6*x)
plt.plot(x, y1,'r')
plt.plot(x, y2,'b--')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(['sin(x)','sin(6x)'])
plt.title('Two functions (sin(x) and sin(6x))')
plt.grid('on')
plt.savefig("/content/drive/MyDrive/Colab Notebooks/fig/sin.png")
plt.show()

これまでに説明した描画方法は，いわば『pyplotインターフェース』を使用したものである．より，複雑なこと（凝ったこと）をしたい場合には，次のような『オブジェクト指向インターフェース』を利用した方が良い．

In [6]:
import numpy as np
import matplotlib.pyplot as plt

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 101)
y1 = np.sin(x)
y2 = np.sin(6*x)
ax.plot(x, y1,'r')
ax.plot(x, y2,'b--')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.legend(['sin(x)','sin(6x)'])
ax.set_title('Two functions (sin(x) and sin(6x))')
ax.grid('on')
plt.savefig("/content/drive/MyDrive/Colab Notebooks/fig/sin.png")
fig.show()

本講義の例では，基本的には『pyplotインターフェース』を用いることにする．必要に応じて，『オブジェクト指向インターフェース』の利用を説明する．

繰り返しと分岐

まずは，for文を説明する．以下の，In [1]からIn [4]までは，全て同じである．

In [1]: 
for i in range(10):
    print(i)

Out [1]: 
0
1
2
3
4
5
6
7
8
9

In [2]: 
for m in range(0,10):
    print(m)

In [3]: 
for n in range(0,10,1):
    print(n)

In [4]: 
for k in [0,1,2,3,4,5,6,7,8,9]:
    print(k)

for文を用いて， $S_n=\frac{1}{1}+\frac{1}{2}+\frac{1}{3}+\cdots+\frac{1}{n}$ を計算してみよう．以下の In[5 ]と In[6] は，共に，$S_{10}$ を計算している．

In [5]: 
n=10
sum=0.0
for i in range(n):
  sum=sum+1.0/(i+1)
print(sum)

Out [5]: 2.9289682539682538

In [6]: 
n=10
sum=0.0
for i in range(n):
  sum += 1.0/(i+1)
print(sum)

Out [6]: 2.9289682539682538

すなわち，a+=b は，a+b を新しく a とすることを意味している．

if文の使い方を，具体例で説明する．

方程式 $f(x)=e^x-2x-1=0$ の（唯一の）正の解 $x=x_*$ を，二分法（bisection method）で計算しよう．

初等的な考察により，$1< x_*<2$，かつ，$f(1)<0$，$f(2)>0$ であることがわかる．

まず，$[a_0,b_0]=[1,2]$ とする．そして，$k\ge 0$ に対して，$x_k=\frac{1}{2}(a_k+b_k)$，および， \[ [a_{k+1},b_{k+1}] =\begin{cases} [a_k,x_k] & (f(x_k)f(b_k)\ge 0\mbox{のとき})\\ [x_k,b_k] & (f(x_k)f(b_k)<0\mbox{のとき}) \end{cases} \] と定める．このとき， \[ |x_k-x_*|\le b_{k+1}-a_{k+1}=\left(\frac{1}{2}\right)^{k+1}(b_0-a_0) \] が成り立つ．これより，$|x_k-x_*|\le \varepsilon$ を満たす近似解が欲しい場合には，反復回数が $\displaystyle{k^*= \frac{1}{\log 2}\log\frac{|b-a|}{\varepsilon}}$ 程度必要となることもわかる．

これを実行するのが，次のプログラムである．ただし，1e-7$=10^{-7}$を意味する．

In [7]: 
import numpy as np

def func(t):
    return np.exp(t)-2.0*t-1.0

a=1.0
b=2.0
eps=1e-7
kmax=int((1.0/np.log(2.0))*np.log((b-a)/eps))
print('k, x, b-a, f(x)')
for k in range(kmax):
  x=0.5*(b+a)
  if func(x)*func(b)<0.0: a=x
  else: b=x
  print(f'{k:2d}, {x:.8f}, {b-a:.8f}, {func(x):.8f}')

Out [7]: 
k, x, b-a, f(x)
 0, 1.50000000,  0.50000000,  0.48168907
 1, 1.25000000,  0.25000000,  -0.00965704
 2, 1.37500000,  0.12500000,  0.20507672
（...略...）
20, 1.25643110,  0.00000048,  -0.00000016
21, 1.25643134,  0.00000024,  0.00000020
22, 1.25643122,  0.00000012,  0.00000002

次のプログラムは，上のプログラムと全く同じことをしているが，多少，python風である．

In [8]: 
import numpy as np

def func(t):
    return np.exp(t)-2.0*t-1.0

def bisection(a, b, eps):
  kmax=int((1.0/np.log(2.0))*np.log((b-a)/eps))
  print('k, x, b-a, f(x)')  
  for k in range(kmax):
    x=0.5*(b+a)
    if func(x)*func(b)<0.0: a=x
    else: b=x
    print(f'{k:2d}, {x:.8f}, {b-a:.8f}, {func(x):.8f}')
  return 0

def main():
  a=1.0
  b=2.0
  eps=1e-7
  bisection(a,b,eps)
  
if __name__ == '__main__':
  main()

Out [8]: 
k, x, b-a, f(x)
 0, 1.50000000,  0.50000000,  0.48168907
 1, 1.25000000,  0.25000000,  -0.00965704
 2, 1.37500000,  0.12500000,  0.20507672
（...略...）
20, 1.25643110,  0.00000048,  -0.00000016
21, 1.25643134,  0.00000024,  0.00000020
22, 1.25643122,  0.00000012,  0.00000002

やや込み入っているので，論理的な塊のみ以下に示す．

Out[]
In [8]の説明

ただし，if __name__ == '__main__':という行は，この講義の範囲内では，不要である．しかし，今後，作成したプログラムをモジュールとして，あるいは，単独のなんとか.pyとして使用する際に，付けておいた方が良い（というか，付けておく必要がある）．なお，今後（次回以降）のサンプルプログラムでは，付けないことにする．

繰り返しには，for文の他に，while文も使える．

In [9]: 
import numpy as np

def func(t):
    return np.exp(t)-2.0*t-1.0

def bisection(a, b, eps):
  print('k, x, b-a, f(x)')  
  k=0
  while b-a>eps:
    x=0.5*(b+a)
    if func(x)*func(b)<0.0: a=x
    else: b=x
    print(f'{k:2d}, {x:.8f}, {b-a:.8f}, {func(x):.8f}')
    k+=1
  return 0

def main():
  a=1.0
  b=2.0
  eps=1e-7
  bisection(a,b,eps)
  
if __name__ == '__main__':
  main()

Out [9]: 
k, x, b-a, f(x)
 0, 1.50000000,  0.50000000,  0.48168907
 1, 1.25000000,  0.25000000,  -0.00965704
 2, 1.37500000,  0.12500000,  0.20507672
（...略...）
20, 1.25643110,  0.00000048,  -0.00000016
21, 1.25643134,  0.00000024,  0.00000020
22, 1.25643122,  0.00000012,  0.00000002
23, 1.25643116,  0.00000006,  -0.00000007

Out [8]では，k=22まで実行されていたが，Out [9]では，k=23まで実行されている．理由を考えよ．

応用：Fourier級数の収束

関数 \[ f(x)=\pi-|x|\qquad (-\pi\leqq x\leqq \pi) \] のFourier級数展開 \[ f(x)=\frac{\pi}{2}+\frac{4}{\pi} \left( \frac{\cos x}{1^{2}}+\frac{\cos 3x}{3^{2}}+\frac{\cos 5x}{5^{2}}+\cdots\right) \] の収束の様子を図示する関数を作成しよう．そのために，第$n+1$項までの部分和 \[ S_n(x)=\frac{\pi}{2}+\frac{4}{\pi} \sum_{k=0}^{n-1}\frac{\cos((2k+1)x)}{(2k+1)^2} \] を考える．

次のプログラムでは，$S_{50}(x)$のグラフを描画している．

In [1]: 
import numpy as np
import matplotlib.pyplot as plt

def func(x,n):
  val = 0.0
  for k in range(n):
    theta=(2*k+1)*x
    val += np.cos(theta)/((2*k+1)**2)
  return np.pi/2.0 + (4.0/np.pi)*val

x = np.linspace(-1.5*np.pi, 1.5*np.pi, 100)
y = func(x,50)
plt.figure(figsize=(10, 10))
plt.plot(x, y,'b')
plt.title('convergence of Fourier series')
plt.grid('on')
plt.gca().set_aspect('equal', adjustable='box') # set aspect ratio as 1:1
plt.show()
Out[1]
Out [1]

さらに，$S_{1}(x)$，$S_{10}(x)$，$S_{20}(x)$，$S_{50}(x)$のグラフを並べて描き，収束の様子がよりわかりやすようにしてみよう．

In [2]: 
import numpy as np
import matplotlib.pyplot as plt

def func(x,n):
  val = 0.0
  for k in range(n):
    theta=(2*k+1)*x
    val += np.cos(theta)/((2*k+1)**2)
  return np.pi/2.0 + (4.0/np.pi)*val

def drawing(m):
  x = np.linspace(-1.5*np.pi, 1.5*np.pi, m)
  y1 = func(x,1)
  y2 = func(x,10)
  y3 = func(x,20)
  y4 = func(x,50)
  plt.figure(figsize=(10, 10)) # this can be dropped
  plt.plot(x, y1,'b')
  plt.plot(x, y2,'g')
  plt.plot(x, y3,'c')
  plt.plot(x, y4,'m')
  plt.legend(['n=1','n=10','n=20','n=50'])
  plt.title('convergence of Fourier series')
  plt.grid('on')
  plt.gca().set_aspect('equal', adjustable='box') # set aspect ratio as 1:1
  plt.show()
  return 0

m=100
drawing(m)
Out[2]
Out [2]

線形代数学の演算

まずは，ベクトルの内積から．

In [1]: 
import numpy as np
a=np.array([1,2,3,4])
b=np.array([5,6,7,8])
c=np.inner(a,b)
d=np.dot(a,b)
print(a)
print(b)
print(c)
print(d)

Out [1]:
[1 2 3 4]
[5 6 7 8]
70
70 

In [2]: 
import numpy as np
a=np.array([1+2j,2-1j])
b=np.array([2+1j,1+1j])
c=np.inner(a,b)
d=np.dot(a,b)
e=np.vdot(a,b)
print(a)
print(b)
print(c)
print(d)
print(e)

Out [2]: 
[1.+2.j 2.-1.j]
[2.+1.j 1.+1.j]
(3+6j)
(3+6j)
(5+0j)

すなわち，$\boldsymbol{x}=(x_1,\ldots,x_n)$ と $\boldsymbol{y}=(y_1,\ldots,y_n)$ に対して， これらが複素ベクトルであっても，inner と dot では，$\sum_{i=1}^nx_iy_i$ を計算する．一方で， vdotは，（複素ベクトルに対して，期待通りに）$\sum_{i=1}^nx_i\overline{y_i}$ を計算する．

ベクトルのノルムの値は，次のように計算できる．

In [3]: 
import numpy as np
a=np.array([1,0,-3])
x=np.linalg.norm(a,ord=1)
y=np.linalg.norm(a,ord=2)
z=np.linalg.norm(a,ord=np.inf)
w=np.linalg.norm(a,ord=0)
print(x)
print(y)
print(z)
print(w)

Out [3]: 
4.0
3.1622776601683795
3.0
2.0

すなわち，$1\le p<\infty$ と $\boldsymbol{x}=(x_1,\ldots,x_n)$ に対して， \[ \|\boldsymbol{x}\|_p=\left(\sum_{i=1}^n |x_i|^p\right)^{1/p} \] の値は，linalg.norm(a,ord=p) で計算できる． \[ \|\boldsymbol{x}\|_\infty=\max_{1\le i\le n}|x_i| \] の値は，linalg.norm(a,ord=np.inf) で計算できる． さらに，linalg.norm(a,ord=0) は，ベクトル $\boldsymbol{x}$ の非零成分の個数を計算する．

次のように使うと便利である．

In [4]: 
import numpy as np
from numpy import linalg as la
a=np.array([1,0,-3])
x=la.norm(a,ord=2)
print(x)

Out [4]: 3.1622776601683795

numpyのndarrayクラスでは，2次元の配列，すなわち，行列も利用できる．

In [5]: 
import numpy as np
A=np.array([[1,2,3],[5,6,7]])
print(type(A))
print(A)

Out [5]: 
< class 'numpy.ndarray' > 
[[1 2 3]
 [5 6 7]]

転置とエルミート転置は，次のようにする．

In [6]:  
import numpy as np
A=np.array([[1, 2-1j],[3+2j, 4]])
D=A.T
E=A.conj().T
print(D)
print(E)

Out [6]: 
[[1.+0.j 3.+2.j]
 [2.-1.j 4.+0.j]]
[[1.-0.j 3.-2.j]
 [2.+1.j 4.-0.j]]

和と差，スカラー倍，行列同士の積は次のように計算する．

In [7]:  
import numpy as np
A=np.array([[1,2,3],[4,5,6],[-1,2,1]])
B=np.array([[0,-2,-1],[2,3,4],[2,1,1]])
C=A+B
D=A-B
E=3.0*A
F=A*B
G=np.dot(A,B)
print('A+B=\n',C)
print('A-B=\n',D)
print('3A=\n',E)
print('A*B=\n',F)
print('AB=\n',G)

Out [7]: 
A+B=
 [[ 1  0  2]
 [ 6  8 10]
 [ 1  3  2]]
A-B=
 [[ 1  4  4]
 [ 2  2  2]
 [-3  1  0]]
3A=
 [[ 3.  6.  9.]
 [12. 15. 18.]
 [-3.  6.  3.]]
A*B=
 [[ 0 -4 -3]
 [ 8 15 24]
 [-2  2  1]]
AB=
 [[10  7 10]
 [22 13 22]
 [ 6  9 10]]

この例でわかる通り，*では，通常の行列の積でなく，行列の成分ごとの積（アダマール積）を計算する．通常の行列の積を計算する場合には，dotを用いる．

なお，通常の行列の積を計算する場合には，dotの他に，matmulや@ も使える．

In [8]:  
import numpy as np
A=np.array([[1,2,3],[4,5,6],[-1,2,1]])
B=np.array([[0,-2,-1],[2,3,4],[2,1,1]])
C=np.dot(A,B)
D=np.matmul(A,B)
E=A@B
print(C)
print(D)
print(E)

Out [8]: 
[[10  7 10]
 [22 13 22]
 [ 6  9 10]]
[[10  7 10]
 [22 13 22]
 [ 6  9 10]]
[[10  7 10]
 [22 13 22]
 [ 6  9 10]]

しかし，次のことに注意しなければならない． 行列を扱う際には，ndarrayクラスだけでなく，matrixクラスも利用できる． ところが，matrixクラスでは，通常の行列の積が*で，成分毎の積がmultiplyで計算されてしまう．実際，次のようになる．（matrixクラスとndarrayクラスを*で繋ぐと，通常の行列の積を計算するようである．）ただし，本講義のサンプルプログラムでは，matrixクラスは（多分）使わない． 

In [9]:  
import numpy as np
A=np.asmatrix('1,2;-5,3')
B=np.asmatrix('3,-1;4,6')
print(type(A))
print(type(B))
print(A*B)
print(np.multiply(A,B))
C=np.array([[1,2],[-5,3]])
D=np.array([[3,-1],[4,6]])
print(type(C))
print(type(D))
print(C*D)
print(type(A*C))
print(A*C)

Out [9]: 
< class 'numpy.matrix' >
< class 'numpy.matrix' >
[[11 11]
 [-3 23]]
[[  3  -2]
 [-20  18]]
< class 'numpy.ndarray' >
< class 'numpy.ndarray' >
[[  3  -2]
 [-20  18]]
< class 'numpy.matrix' > 
[[ -9   8]
 [-20  -1]]

逆行列と行列式は次のように計算できる．

In [10]:  
import numpy as np
A=np.array([[1,2,3],[4,5,6],[-1,2,1]])
B=np.linalg.inv(A)
print(B)
C=np.dot(A,B)
print(C)
a=np.linalg.det(A)
print(a)

Out [10]: 
[[-0.58333333  0.33333333 -0.25      ]
 [-0.83333333  0.33333333  0.5       ]
 [ 1.08333333 -0.33333333 -0.25      ]]
[[ 1.00000000e+00 -1.11022302e-16 -5.55111512e-17]
 [ 0.00000000e+00  1.00000000e+00  1.11022302e-16]
 [-4.44089210e-16  1.11022302e-16  1.00000000e+00]]
11.999999999999995

指定したサイズの行列を，各成分を疑似乱数で生成することも可能である． このとき，各成分は $[0,1)$ の中から選ばれる． 一方で，random.randint(p,q,(m,n))では， 各成分が $[p,q]$ の中の整数値をとるような $m\times n$ 行列が生成される．

In [11]:  
import numpy as np
A=np.random.rand(3, 4)
B=np.random.randint(10,20,(3,4))
b=np.random.rand(3)
print(A)
print(B)
print(b)

Out [11]: 
[[0.90599422 0.44144026 0.95851401 0.35291246]
 [0.89705546 0.47500576 0.7160401  0.17252882]
 [0.75703266 0.94839887 0.26015848 0.06482541]]
[[18 19 18 18]
 [14 17 19 17]
 [16 14 17 18]]
[0.28397206 0.66572637 0.90254491]

零行列と単位行列の生成は重要である．

In [12]:  
import numpy as np
A=np.zeros((4,5))
B=np.zeros(4)
C=np.eye(3,5)
D=np.eye(3)
print(A)
print(B)
print(C)
print(D)

Out [12]: 
[[0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]
[0. 0. 0. 0.]
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]]
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

何に使うか，ピンと来ないかもしれないが，与えられたベクトルに対して，それを対角行列やsubdiagonal（日本語でなんと言う？）な成分とする行列を生成できる．

In [13]:  
import numpy as np
M=np.random.rand(4)
A=np.diag(M)
B=np.diag(M, 1)
C=np.diag(M, -1)
print(M)
print(A)
print(B)
print(C)

Out [13]: 
[0.30311831 0.94739795 0.07139463 0.09439237]
[[0.30311831 0.         0.         0.        ]
 [0.         0.94739795 0.         0.        ]
 [0.         0.         0.07139463 0.        ]
 [0.         0.         0.         0.09439237]]
[[0.         0.30311831 0.         0.         0.        ]
 [0.         0.         0.94739795 0.         0.        ]
 [0.         0.         0.         0.07139463 0.        ]
 [0.         0.         0.         0.         0.09439237]
 [0.         0.         0.         0.         0.        ]]
[[0.         0.         0.         0.         0.        ]
 [0.30311831 0.         0.         0.         0.        ]
 [0.         0.94739795 0.         0.         0.        ]
 [0.         0.         0.07139463 0.         0.        ]
 [0.         0.         0.         0.09439237 0.        ]]

次は，簡単な応用である（この行列は何？）．

In [14]:  
import numpy as np
N=5
M=np.ones(N)*2.0
S=np.ones(N-1)*(-1.0)
A = np.diag(M) + np.diag(S, 1) + np.diag(S, -1)
print(A)

Out [14]: 
[[ 2. -1.  0.  0.  0.]
 [-1.  2. -1.  0.  0.]
 [ 0. -1.  2. -1.  0.]
 [ 0.  0. -1.  2. -1.]
 [ 0.  0.  0. -1.  2.]]

行列のサイズを取得して，それと同じサイズの行列を作ることができる．

In [15]:  
import numpy as np
A=np.random.rand(3, 4)
print('size',A.shape)
print('row',A.shape[0])
print('column',A.shape[1])
B=np.zeros(A.shape)
print(B)
C = np.zeros_like(A)
print(C)

Out [15]: 
size (3, 4)
row 3
column 4
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

行列$A$に対して，A[i,:]で$A$の$i$行目のベクトルを，A[:,j]で $A$ の $j$ 列目のベクトルを取得できる．$i$ と $j$ が $0$ から始まることに注意せよ．

In [16]:  
import numpy as np
A=np.random.rand(3, 4)
print(A)
print(A[0,:])
print(A[:,2])


Out [16]: 
[[0.13570483 0.34920421 0.72672949 0.35033207]
 [0.68598076 0.53217261 0.33295342 0.48206163]
 [0.47258342 0.53856068 0.94639199 0.2131011 ]]
[0.13570483 0.34920421 0.72672949 0.35033207]
[0.72672949 0.33295342 0.94639199]

連立一次方程式を解く際には，次のようにする．/p> 

In [17]:  
import numpy as np
A=np.array([[1,2,-1],[4,5,6],[7,8,-3]])
x=np.ones(3)
b=A@x
print(A)
print(x)
print(b)
xx=np.linalg.solve(A, b)
print(xx)

Out [17]: 
[[ 1  2 -1]
 [ 4  5  6]
 [ 7  8 -3]]
[1. 1. 1.]
[ 2. 15. 12.]
[1. 1. 1.]

ただし，大規模な行列を係数行列とする連立一次方程式を解く際には，必ずしも，便利ではないようなので，以後，必要に応じて，他の方法も紹介する．

問題

  1. 上記の入力と出力をすべて確かめよ．数値を変えて，試してみよ．
  2. $m\times n$ 実行列と $p\times q$ 実行列の和差積について，いろいろ試してみよ．特に，和差積が定義されていないときに何が起こるのかを，確認せよ．複素行列でも試してみよ．
  3. matplotlib.pyplotモジュールについて，調査せよ．例えば，図1.1のような出力を得ることができるか？（これは，3枚のグラフを縦に並べたものである．subplotなどで調べよ）
図1.1

課題

課題1.1

関数 \[ f(x)= \begin{cases} 1 & (0 < x < \pi)\\ 0 & (x=-\pi,0)\\ -1 & (-\pi < x < 0) \end{cases} \] のFourier級数展開は， \[ f(x)=\frac{4}{\pi} \sum_{k=0}^\infty \frac{\sin (2k+1)x}{2k+1} \] となる．Fourier級数展開の収束の様子を図示せよ． 具体的には，上の例を参考にして， \[ S_n(x)=\frac{4}{\pi} \sum_{k=0}^{n-1} \frac{\sin (2k+1)x}{2k+1} \] について，例えば，$n=1,10,20,50$などのときのグラフを描画せよ．

---「1. Pythonを用いた数値計算の基礎」はこれで終了---