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

Das Slicing in 2D- und **höherdimensionalen Arrays** funktioniert ähnlich wie das Slicing in 1D-Arrays. In 2D-Arrays gibt es jedoch zwei Achsen.

Wenn das Slicing nur auf **Achse 0** angewendet wird, um 1D-Arrays zu erhalten, bleibt die Syntax gleich: `array[start:end:step]`. Möchte man das Slicing auf die Elemente dieser 1D-Arrays (**Achse 1**) anwenden, lautet die Syntax: `array[start:end:step, start:end:step]`. Die Anzahl der Slices entspricht also der **Anzahl der Dimensionen** eines Arrays.

Außerdem kann das Slicing für eine Achse und das **einfache Indexieren** für die andere Achse verwendet werden. Im folgenden Beispiel wird das 2D-Slicing veranschaulicht (**lila** Felder stellen die durch das Slicing abgerufenen Elemente dar, und der **schwarze Pfeil** zeigt an, dass die Elemente in umgekehrter Reihenfolge entnommen werden):

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])

Die folgende Abbildung zeigt die Struktur des in der Aufgabe verwendeten Arrays `student_scores`:

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

Entfesseln Sie das volle Potenzial von Pythons wichtigster Bibliothek für numerisches Rechnen, NumPy. Dieser umfassende Kurs führt Sie von grundlegenden Kenntnissen bis hin zu fortgeschrittenen Fähigkeiten in NumPy. Ob Datenwissenschaftler, Ingenieur, Forscher oder Entwickler – die Beherrschung von NumPy ist unerlässlich für effiziente Datenmanipulation, wissenschaftliches Rechnen und maschinelles Lernen.

Erkunden Sie die Anwendungen von NumPy und erfahren Sie, warum es eine der beliebtesten Bibliotheken für numerische Berechnungen ist. Lernen Sie die verschiedenen Methoden zur Erstellung und Initialisierung von Arrays kennen, um unterschiedliche Datenanforderungen effizient zu bewältigen.

Erfahren Sie, wie Sie mit Indexnotation auf bestimmte Elemente und Teilmengen in NumPy-Arrays zugreifen. Lernen Sie, bedingte Indizierung zur Filterung von Daten und zum effizienten Umgang mit fehlenden Werten anzuwenden.

NumPy stellt viele integrierte Funktionen für gängige Array-Operationen bereit. Lernen Sie, wie Sie diese Werkzeuge anwenden, um Daten effizient zu transformieren, zu aggregieren und zu analysieren, ohne wiederholten Code zu schreiben.

Erfahren Sie, wie mathematische Operationen effizient auf NumPy-Arrays durchgeführt werden. Wenden Sie diese Operationen an, um reale Probleme zu lösen, und gewinnen Sie ein tieferes Verständnis dafür, wie vektorisierte Berechnungen die numerische Analyse beschleunigen.

Slicing in 2D-Arrays

Lösung