Summary  
This chapter covers slicing techniques in two-dimensional arrays, showing how to select subarrays by applying start:end:step notation and combining slicing with basic indexing along each axis.  

General domain of usage  
Scientific computing and data manipulation

Udskæring i 2D og **højere-dimensionelle arrays** fungerer på samme måde som udskæring i 1D-arrays. Dog er der to akser i 2D-arrays.

Hvis der kun ønskes udskæring på **akse 0** for at hente 1D-arrays, forbliver syntaksen den samme: `array[start:end:step]`. Hvis der ønskes udskæring på elementerne i disse 1D-arrays (**akse 1**), er syntaksen som følger: `array[start:end:step, start:end:step]`. Antallet af udskæringer svarer grundlæggende til **antallet af dimensioner** i et array.

Derudover kan udskæring anvendes på én akse og **grundlæggende indeksering** på den anden akse. Her er et eksempel på 2D-udskæring (**lilla** felter repræsenterer de elementer, der hentes ved udskæring, og **den sorte pil** angiver, at elementerne tages i omvendt rækkefølge):

import numpy as np

array_2d = np.array([
   [1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]
])

# Initial Array
print("Initial array_2d:\n", array_2d)
# Rows from index 1 to the end
print("\narray_2d[1:]:\n", array_2d[1:])
# All rows, first column only
print("\narray_2d[:, 0]:\n", array_2d[:, 0])
# Subarray: rows from 1 to end, columns from 1 to second-to-last
print("\narray_2d[1:, 1:-1]:\n", array_2d[1:, 1:-1])
# All rows except the last, every second column
print("\narray_2d[:-1, ::2]:\n", array_2d[:-1, ::2])
# Third row (index 2) reversed
print("\narray_2d[2, ::-1]:\n", array_2d[2, ::-1])

Illustrationen nedenfor viser strukturen af `student_scores` arrayet, der anvendes i opgaven:

import unittest
import importlib.util
import numpy as np


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style test message handler"""
    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 user_code
        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)

        # Очікувані дані
        cls.student_scores = np.array([
            [85, 92, 78],
            [88, 75, 83],
            [90, 88, 91]
        ])
        cls.expected_slice = cls.student_scores[0, 1:]  # [92, 78]

    def test_first_student_last_two_scores(self):
        """1–2. Slice includes last two scores of first student using positive indexing"""
        ok = hasattr(self.m, "first_student_last_two_scores")
        arr = getattr(self.m, "first_student_last_two_scores", None)

        type_ok = isinstance(arr, np.ndarray)
        val_ok = type_ok and np.array_equal(arr, self.expected_slice)
        shape_ok = type_ok and arr.shape == (2,)

        # Перевіряємо, що взято елементи саме з першого рядка (0) і стовпців з індексу 1+
        indices_correct = type_ok and np.array_equal(arr, self.student_scores[0][1:])

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok and indices_correct,
            "first_student_last_two_scores slice created correctly",
            "first_student_last_two_scores slice incorrect",
        )


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


test_code.py

Lås op for det fulde potentiale af Pythons mest essentielle bibliotek til numerisk databehandling, NumPy. Dette omfattende kursus er designet til at føre 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 databehandling og maskinlæring.

Udforsk anvendelserne af NumPy og forstå, hvorfor det er et af de mest populære biblioteker til numerisk databehandling. Lær de forskellige metoder til at oprette og initialisere arrays for effektiv håndtering af 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.

Udsnit i 2D-Arrays

Løsning