Summary  
This chapter explains how to assign scalar values or arrays to selected portions of one- and two-dimensional arrays using slicing, integer or boolean indexing, and NumPy’s broadcasting rules.

General domain of usage  
Numerical array manipulation in scientific computing and data processing.

Mit indizierten Arrays wird es interessanter. Hier liegt der Fokus auf 1D- und 2D-**Teilarrays**, da 3D-Teilarrays in der Praxis selten verwendet werden.

Watch this video for a step-by-step visual explanation of assigning values to indexed subarrays in NumPy. You'll see demonstrations of the different assignment methods for both 1D and 2D arrays, including how to use scalars, 1D arrays, and 2D arrays with slices. The video covers all the examples from this chapter, so you can follow along and understand how each type of assignment works in practice.

Betrachtung der Wertzuweisung an **Slices**. Die allgemeine Syntax lautet: `slice = values`, wobei `slice` ein Ausschnitt eines bestimmten Arrays ist und `values` die zuzuweisenden Werte sind.

Mögliche Formate von `values`:
* ein **einzelner Skalar** (Zahl);
* ein **1D-Array** mit derselben Größe wie der Slice (bei 1D) oder der Größe der zweiten Dimension (bei 2D-Slices);
* ein **2D-Array** mit derselben Form wie ein 2D-Slice.

import numpy as np
array_1d = np.array([1, 4, 6, 2, 9])
# Assigning an array to the slice of array_1d
array_1d[1:-1] = np.array([3, 5, 7])
print(array_1d)
# Assigning a scalar to the slice of array_1d
array_1d[1:-1] = 5
print(array_1d)
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
# Assigning a 2D array to the slice of array_2d
array_2d[1:3, 1:] = np.array([[20, 21], [40, 41]])
print(array_2d)
# Assigning a 1D array to the slice of array_2d
array_2d[1:3, 1:] = [50, 51]
print(array_2d)
# Assigning a scalar to the slice of array_2d
array_2d[1:3, 1:] = 30
print(array_2d)

Wenn ein **Skalar** einem 1D-Slice zugewiesen wird, wird dieser Skalar **jedem Element** des Slices zugewiesen. Wenn ein **1D-Array** einem **2D-Slice** zugewiesen wird, wird dieses 1D-Array **jedem 1D-Array** im Slice zugewiesen. Die Zuweisung eines **Skalars** zu einem 2D-Slice funktioniert genauso wie bei einem 1D-Slice.

Die Zuweisung von Werten zu **Subarrays mit Integer-Array-Indexierung** funktioniert genauso wie bei Slices. Die Zuweisung von Werten zu **Subarrays mit boolescher Indexierung** funktioniert genauso wie bei 1D-Slices.

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 output for test results"""
    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):
        # Очікувані значення
        cls.init_prices = np.array([15, 8, 22, 7, 12, 5])
        cls.expected_prices = cls.init_prices.copy()
        cls.expected_prices[cls.init_prices > 10] = 20

        cls.init_ratings = np.array([[6, 8, 9], [7, 5, 10]])
        cls.expected_ratings = cls.init_ratings.copy()
        cls.expected_ratings[1, 1:] = np.array([9, 8])

    def test_prices_update(self):
        """1. Assign 20 to every element in prices greater than 10"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue()

        prices = getattr(module, "prices", None)
        type_ok = isinstance(prices, np.ndarray)
        val_ok = type_ok and np.array_equal(prices, self.expected_prices)

        # Перевіряємо, що всі значення > 10 стали 20
        logic_ok = type_ok and np.all(prices[self.init_prices > 10] == 20)

        # Перевіряємо наявність друку
        printed_ok = "20" in output

        _dynamic_test(
            self,
            type_ok and val_ok and logic_ok and printed_ok,
            "prices updated and printed correctly",
            "prices update incorrect or print missing",
        )

    def test_ratings_update(self):
        """2. Assign [9, 8] to last two elements of second row using positive row index and slice"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue()

        ratings = getattr(module, "ratings", None)
        type_ok = isinstance(ratings, np.ndarray)
        val_ok = type_ok and np.array_equal(ratings, self.expected_ratings)

        # Перевірка: змінилася лише друга стрічка
        second_row_correct = type_ok and np.array_equal(ratings[1, 1:], np.array([9, 8]))
        first_row_unchanged = type_ok and np.array_equal(ratings[0], np.array([6, 8, 9]))

        printed_ok = "9" in output and "8" in output

        _dynamic_test(
            self,
            type_ok and val_ok and second_row_correct and first_row_unchanged and printed_ok,
            "ratings updated and printed correctly",
            "ratings update incorrect or print missing",
        )


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


test_code.py

Entfesseln Sie das volle Potenzial von Pythons wichtigster Bibliothek für numerisches Rechnen, NumPy. Dieser umfassende Kurs ist darauf ausgelegt, Sie von grundlegenden Kenntnissen bis hin zu fortgeschrittener NumPy-Kompetenz zu führen. 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 verstehen 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 anzuwenden, um Daten zu filtern und fehlende Werte effizient zu verwalten.

NumPy bietet viele integrierte Funktionen zur Durchführung gängiger Array-Operationen. Lernen Sie, wie Sie diese Werkzeuge anwenden, um Daten effizient zu transformieren, zu aggregieren und zu analysieren, ohne wiederholten Code schreiben zu müssen.

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.

Zuweisung von Werten zu Indizierten Teilarrays

Lösung