Summary  
This chapter explains how to assign values to subarrays of multi-dimensional arrays using slicing and indexing, demonstrating assignments of scalars, 1D arrays, and 2D arrays to 1D and 2D slices. It also notes that integer and boolean indexed subarrays follow the same assignment rules as slices.

General domain of usage  
Numerical computing

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

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

Mahdolliset `values`-muodot:
* **Yksittäinen skalaari** (luku);
* **1D-taulukko**, jonka koko vastaa viipaleen kokoa (jos se on 1D); tai toisen ulottuvuuden kokoa (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 skalaari asetetaan 1D-viipaleelle, tämä skalaari asetetaan **jokaiseen viipaleen alkioon**. Kun **1D-taulukko** asetetaan **2D-viipaleelle**, tämä 1D-taulukko asetetaan **jokaiseen 1D-taulukkoon** viipaleessa. Skalaariarvon asettaminen 2D-viipaleelle toimii samalla tavalla kuin 1D-viipaleella.

Arvojen asettaminen **kokonaislukutaulukolla indeksoituihin** alikenttiin toimii samalla tavalla kuin viipaleilla. Arvojen asettaminen **totuusarvoindeksoituihin** alikenttiin toimii samalla tavalla kuin 1D-viipaleilla.

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

Hyödynnä Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi vie sinut NumPyn perusteista edistyneeseen osaamiseen. Olitpa 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 numeerisen laskennan kirjastoista. 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 useita sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi hyödyntämään näitä työkaluja datan muunteluun, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

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

Arvojen Asettaminen Indeksoiduille Osataulukoille

Ratkaisu