問題の概要
NumPy配列同士で、適合しない加算や乗算などの算術演算を行おうとした可能性があります。NumPyは「ブロードキャスト（broadcasting）」というプロセスを使用して、異なる次元の配列を引き伸ばして計算を成立させますが、このプロセスには厳格なロジックがあります。配列の次元が衝突すると、Pythonは次のエラーをスローします。
ValueError: operands could not be broadcast together with shapes (3,) (4,)
このケースでは、要素数3の配列と要素数4の配列があります。どちらのサイズも1ではなく、合計数も一致しないため、NumPyは数学的な整合性を保つ方法を判断できず、処理を断念します。
根本原因：末尾の次元ルール（Trailing Dimension Rule）
NumPyを厳格な会計士だと考えてください。NumPyは配列の形状を右から左へ（末尾の次元から）比較します。2つの次元に互換性があるのは、次の場合のみです。
- 数値が完全に一致している。
- 片方の数値が1である。
形状が (3,) と (4,) の場合、NumPyは3と4を確認します。これらは等しくなく、どちらも1ではありません。3つの値を4つの枠にマッピングする明確な方法がないため、演算は即座に失敗します。
解決策1：リシェイプによる行列の作成
外積のような結果のグリッドを作成したい場合は、1次元配列のいずれかを2次元の列ベクトルに変換する必要があります。これにより次元「1」が導入され、ルールを満たすことができます。たとえば、(3, 1) の配列と (4,) の配列を足すと、(3, 4) の行列が得られます。
import numpy as np
a = np.array([10, 20, 30]) # 形状 (3,)
b = np.array([1, 2, 3, 4]) # 形状 (4,)
# 修正: 'a' を (3, 1) にリシェイプ
# これで (3, 1) と (4,) に互換性が生まれる
result = a[:, np.newaxis] + b
print(result)
print(f"新しい形状: {result.shape}") # 出力: (3, 4)
解決策2：スライシングによる長さの一致
データ収集の不備により、配列の長さが異なる場合があります。たとえばセンサーAが3つの値を記録し、センサーBが4つの値を記録した場合、重なるデータのみを計算したいことがあります。スライシングは、長さを強制的に一致させる最も速い方法です。
import numpy as np
a = np.array([1, 2, 3])
b = np.array([10, 20, 30, 40])
# 最も短い長さを探し、長い方の配列を切り詰める
min_len = min(len(a), len(b))
result = a[:min_len] + b[:min_len]
print(result) # 出力: [11, 22, 33]
解決策3：2次元配列の転置
行列を扱う際、このエラーは行と列が逆転していることを意味することがよくあります。(3, 4) の行列を (4, 3) の行列に直接加算することはできません。次元を揃えるために、どちらか一方を転置する必要があります。
matrix_a = np.ones((3, 4))
matrix_b = np.ones((4, 3))
# 修正: .T を使用して2番目の行列を転置する
result = matrix_a + matrix_b.T
print(result.shape) # 出力: (3, 4)
形状の不一致をデバッグする方法
推測に頼るのをやめ、演算の直前に配列の .shape 属性を確認しましょう。私は通常、NumPyが実際にどのように認識しているかを確認するために、コード内に簡単な print 文を挿入します。
print(f"配列 A: {arr_a.shape}, 配列 B: {arr_b.shape}")
最も右側の数値が一致せず、どちらも1でない場合、それがエラーの原因です。
プロのヒント：データソースを確認する
形状の不一致は、CSVの破損やAPIのダウンロード失敗など、より深い問題を示唆していることがよくあります。スクリプトを実行するたびに形状が変わる場合は、ファイルの整合性を確認してください。
データセットの MD5 または SHA-256 チェックサムを確認するには、Hash Generator を使用できます。ファイルのハッシュが予期せず変更されている場合、データ読み込みプロセスで行がスキップされたり、ファイルが途切れたりして、厄介な NumPy エラーが発生している可能性があります。
予防チェックリスト
- np.newaxis の使用: サイズの異なるベクトルを扱う際、明示的に次元を追加するために使用します。
- 形状のアサート:
assert array.shape == (expected_rows, expected_cols)を追加して、エラーを早期に発見します。 - 入力の検証: NumPy オブジェクトに変換する前に、生データのレコード数を確認します。
- 動的な形状指定: ループ内で 3 や 4 などの数値をハードコーディングする代わりに、
array.shape[0]などを使用します。