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-taulukot

Luodaan nyt korkeamman ulottuvuuden taulukko, eli **2D-taulukko**:

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}')

Käytännössä korkeamman ulottuvuuden **NumPy**-taulukko luodaan antamalla korkeamman ulottuvuuden **lista** `array()`-funktion argumentiksi.

Kaikki NumPy-taulukko-oliot tunnetaan nimellä `ndarray`.

Huomautus

Tässä on visualisointi 2D-taulukostamme:

Voit ajatella sitä `2x3` **matriisina**.

## 3D-taulukko
**3D-taulukoiden** luominen on lähes identtistä 2D-taulukoiden kanssa. Ainoa ero on, että nyt argumenttina tulee antaa **3-ulotteinen lista**:

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}')

Kuitenkin 3D-taulukon visualisointi on hieman monimutkaisempaa, mutta se on silti mahdollista:

Taulukko on `3x3x3`, minkä vuoksi sinulla on **kuutio**, jonka jokainen sivu on pituudeltaan 3.

Käytännössä 3D- ja korkeamman ulottuvuuden taulukoiden käsittely ei eroa 2D-taulukoiden käsittelystä.

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

Avaa Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi on suunniteltu viemään sinut aloittelijan tasolta edistyneeksi NumPy-osaajaksi. Olitpa sitten data-analyytikko, insinööri, tutkija tai kehittäjä, NumPyn hallinta on olennaista tehokkaaseen datan käsittelyyn, tieteelliseen laskentaan ja koneoppimiseen.

Tutustu NumPyn käyttökohteisiin ja ymmärrä, miksi se on yksi suosituimmista kirjastoista numeeriseen laskentaan. Opiskele erilaisia tapoja luoda ja alustaa taulukoita erilaisten tietotarpeiden tehokkaaseen käsittelyyn.

Opi, kuinka NumPy-taulukoiden yksittäisiin alkioihin ja osajoukkoihin päästään käsiksi indeksimerkinnän avulla. Tutustu ehdollisen indeksoinnin käyttöön tietojen suodattamisessa ja puuttuvien arvojen hallinnassa tehokkaasti.

NumPy tarjoaa monia sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi käyttämään näitä työkaluja datan muuntamiseen, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

Opi suorittamaan matemaattisia operaatioita tehokkaasti NumPy-taulukoilla. Sovella näitä operaatioita todellisten ongelmien ratkaisemiseen ja syvennä ymmärrystäsi siitä, miten vektorisoidut laskutoimitukset nopeuttavat numeerista analyysiä.

Ylempien Ulottuvuuksien Taulukoiden Luominen

2D-taulukot

3D-taulukko

Ratkaisu