Summary  
This chapter explains how to extract subarrays from a NumPy array using slicing syntax (`array[start:end:step]`), including omitting parameters for defaults and using negative steps to reverse or skip elements.

General domain of usage  
Data analysis

**Viipalointi** Pythonissa tarkoittaa alkioiden hakemista yhdestä indeksistä toiseen sekvenssissä. Tässä luvussa keskitytään kuitenkin viipalointiin **NumPy**-taulukoissa.

Watch this video for a comprehensive explanation of slicing in NumPy arrays. The video covers the syntax for 1D slicing, how to omit start, end, and step values, and demonstrates each concept with clear visual aids and real array examples. You'll see how different slices affect the output, making the rules of slicing easy to grasp.

## Viipalointi 1D-taulukoissa

Yleinen syntaksi viipaloinnille 1D-taulukoissa on seuraava: `array[start:end:step]`.

- `start` on indeksi, josta viipalointi alkaa;
- `end` on indeksi, johon viipalointi päättyy (itse indeksiä ei oteta mukaan);
- `step` määrittää indeksien väliset askeleet (oletuksena `1`).

Tässä esimerkki, joka havainnollistaa kaiken (**violetit** ruudut kuvaavat viipaloinnilla haettuja alkioita):

Koska emme määritelleet `step`-arvoa erikseen, sen oletusarvo on `1`.

Huomio

import numpy as np
array = np.array([5, 10, 2, 8, 9, 1, 0, 4])
print(f'Initial array: {array}')
# Slicing from the element at index 2 to the element at index 4 exclusive
print(array[2:4])
# Slicing from the first element to the element at index 5 exclusive
print(array[:5])
# Slicing from the element at index 5 to the last element inclusive
print(array[5:])

## Alun, lopun ja askeleen jättäminen pois

Kuten huomaat, voimme usein **jättää pois** `start`-, `end`-, `step`- tai jopa kaikki nämä arvot samanaikaisesti. Esimerkiksi `step` voidaan jättää pois, kun haluamme sen olevan `1`. `start` ja `end` voidaan jättää pois seuraavissa tilanteissa:
1. `start` pois jätettynä:
    - Viipalointi ensimmäisestä alkiosta alkaen (`step` on positiivinen);
    - Viipalointi viimeisestä alkiosta alkaen (`step` on negatiivinen).
2. `end` pois jätettynä:
    - Viipalointi viimeiseen alkioon asti mukaan lukien (`step` on positiivinen);
    - Viipalointi ensimmäiseen alkioon asti mukaan lukien (`step` on negatiivinen).


Tarkastellaan vielä muutamia esimerkkejä ( **musta nuoli** osoittaa, että alkiot otetaan **käänteisessä järjestyksessä**):

import numpy as np
array = np.array([5, 10, 2, 8, 9, 1, 0, 4])
print(f'Initial array: {array}')
# Slicing from the first element to the last element inclusive with step=2
print(array[::2])
# Slicing from the element at index 4 to the element at index 2 exclusive (step=-1)
print(array[4:2:-1])
# Slicing from the last element to the first element inclusive (reversed array)
print(array[::-1])
# Slicing from the first element to the last inclusive (the same as our array)
print(array[:])

Alla oleva kuva esittää tehtävässä käytetyn `weekly_sales`-taulukon rakenteen:

import unittest
import importlib.util
import numpy as np


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style formatted 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 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)

        # Вихідні дані
        cls.weekly_sales = np.array([150, 200, 170, 180, 160, 210, 190])
        cls.expected_alternate = cls.weekly_sales[1::2]  # [200, 180, 210]

    def test_alternate_day_sales(self):
        """1–3. alternate_day_sales — зріз із кожного другого дня, починаючи з другого (вівторок)"""
        ok = hasattr(self.m, "alternate_day_sales")
        arr = getattr(self.m, "alternate_day_sales", None)

        type_ok = isinstance(arr, np.ndarray)
        val_ok = type_ok and np.array_equal(arr, self.expected_alternate)
        shape_ok = type_ok and arr.ndim == 1 and len(arr) == len(self.expected_alternate)

        # Перевіряємо, що значення відповідають саме елементам із індексами 1, 3, 5
        indices_correct = type_ok and np.array_equal(arr, self.weekly_sales[[1, 3, 5]])

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


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.

Viipalointi

Viipalointi 1D-taulukoissa

Alun, lopun ja askeleen jättäminen pois

Ratkaisu