Summary  
This chapter explains how to create one-, two-, and three-dimensional NumPy arrays by passing increasingly nested lists to the array() function and how to inspect their dimensions using the shape attribute.

General domain of usage  
Scientific computing / numerical data analysis

Watch this video to see how to create higher dimensional arrays in NumPy. You'll learn the difference between 1D, 2D, and 3D arrays, see how to define them in Python, and understand how their structure looks in memory. This visual guide will help you connect the code to the actual data layout, making it easier to work confidently with arrays of any dimension.

## 2D-arrays

Oprettelse af et højere dimensionelt array, nemlig et **2D-array**:

import numpy as np
# Creating a 2D array
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f'2-dimensional array: \n{array_2d}')

Oprettelse af et højere dimensionelt **NumPy**-array indebærer at videregive en højere dimensionel **liste** som argument til funktionen `array()`.

Ethvert NumPy array-objekt kaldes en `ndarray`.

Bemærk

Her er en visualisering af vores 2D-array:

Du kan tænke på det som en `2x3` **matrix**.

## 3D-array
Oprettelse af **3D-arrays** ligner næsten oprettelsen af 2D-arrays. Den eneste forskel er, at du nu skal angive en **3D-liste** som argument:

import numpy as np
# Creating a 3D array
array_3d = np.array([
    [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
    [[10, 11, 12], [13, 14, 15], [16, 17, 18]],
    [[19, 20, 21], [22, 23, 24], [25, 26, 27]]
])
print(f'3-dimensional array: \n{array_3d}')

Visualisering af et 3D-array er dog lidt mere kompleks, men det kan stadig lade sig gøre:

Arrayet er `3x3x3`, hvilket betyder, at du har en **terning** med hver side lig med 3.

I praksis adskiller tilgangen til håndtering af 3D- og højere-dimensionelle arrays sig ikke fra håndtering af 2D-arrays.

import unittest
import importlib.util
import numpy as np
import io
from contextlib import redirect_stdout


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style dynamic test output"""
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Імпортуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)
        cls.module_path = spec.origin

    def test_array_creation(self):
        """Перевіряємо, що створено 2D NumPy масив"""
        ok = hasattr(self.m, "array_2d")
        arr = getattr(self.m, "array_2d", None)

        type_ok = isinstance(arr, np.ndarray)
        dim_ok = type_ok and arr.ndim == 2
        not_empty = type_ok and arr.size > 0

        _dynamic_test(
            self,
            ok and type_ok and dim_ok and not_empty,
            "2D NumPy array created correctly",
            "2D NumPy array not created correctly",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Lås op for det fulde potentiale af Pythons mest essentielle bibliotek til numerisk beregning, NumPy. Dette omfattende kursus er designet til at tage dig fra et begynderforståelse til et avanceret niveau af færdigheder i NumPy. Uanset om du er data scientist, ingeniør, forsker eller udvikler, er det afgørende at mestre NumPy for effektiv datamanipulation, videnskabelig beregning og maskinlæring.

Udforsk anvendelserne af NumPy og forstå, hvorfor det er et af de mest populære biblioteker til numerisk databehandling. Lær de forskellige måder at oprette og initialisere arrays på for effektivt at håndtere forskellige databehov.

Opdag, hvordan man får adgang til specifikke elementer og delmængder i NumPy-arrays ved hjælp af indeksnotation. Lær at anvende betinget indeksering til at filtrere data og håndtere manglende værdier effektivt.

NumPy tilbyder mange indbyggede funktioner til at udføre almindelige array-operationer. Lær, hvordan disse værktøjer kan anvendes til effektivt at transformere, aggregere og analysere data uden at skrive gentagen kode.

Lær at udføre matematiske operationer effektivt på NumPy-arrays. Anvend disse operationer til at løse virkelige problemer og opnå en dybere forståelse af, hvordan vektoriserede beregninger accelererer numerisk analyse.

Oprettelse af Højere-Dimensionelle Arrays

2D-arrays

3D-array

Løsning