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

General domain of usage  
data manipulation

Indeksoitujen taulukoiden kanssa asiat muuttuvat mielenkiintoisemmiksi. Tässä keskitytään 1D- ja 2D-**osataulukoihin**, sillä 3D-osataulukoita käytetään harvoin käytännössä.

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.

Aloitetaan arvojen asettamisesta **viipaleille**. Yleinen syntaksi on seuraava: `slice = values`, jossa `slice` on tietyn taulukon viipale ja `values` ovat asetettavat arvot.

Mahdolliset `values`-muodot:
* **Yksittäinen skalaarinen arvo** (luku);
* **1D-taulukko**, jonka koko vastaa viipaletta (jos se on 1D); tai toisen ulottuvuuden koko (jos viipale on 2D);
* **2D-taulukko**, jonka muoto vastaa 2D-viipaletta.

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)

Kun **skalaarin** arvo annetaan 1D-viipaleelle, tämä skalaari asetetaan **jokaiseen viipaleen alkioon**. Kun **1D-taulukko** annetaan **2D-viipaleelle**, tämä 1D-taulukko asetetaan **jokaiseen 1D-taulukkoon** viipaleessa. Skalaarin asettaminen 2D-viipaleelle toimii samalla tavalla kuin 1D-viipaleen kanssa.

Arvojen asettaminen **kokonaislukutaulukolla indeksoituihin** osataulukoihin toimii samalla tavalla kuin viipaleiden kanssa. Arvojen asettaminen **totuusarvolla indeksoituihin** osataulukoihin toimii samalla tavalla kuin 1D-viipaleiden kanssa.

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

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.

Arvojen Asettaminen Indeksoituihin Osataulukoihin

Ratkaisu