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.

## Tableaux 2D

Création d'un tableau de dimension supérieure, à savoir un **tableau 2D** :

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}')

En résumé, la création d'un tableau **NumPy** de dimension supérieure consiste à passer une **liste** de dimension supérieure comme argument à la fonction `array()`.

Tout objet tableau NumPy est appelé un `ndarray`.

Remarque

Voici une visualisation de notre tableau 2D :

Vous pouvez le considérer comme une **matrice** `2x3`.

## Tableau 3D
La création de **tableaux 3D** est presque identique à celle des tableaux 2D. La seule différence est qu'il faut maintenant passer une **liste 3D** en argument :

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}')

Cependant, la visualisation d'un tableau 3D est un peu plus complexe, mais cela reste possible :

Le tableau est de taille `3x3x3`, c'est pourquoi vous avez un **cube** dont chaque côté mesure 3.

En pratique, la manière de manipuler des tableaux 3D et de dimensions supérieures ne diffère pas de celle des tableaux 2D.

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

Libérez tout le potentiel de la bibliothèque la plus essentielle de Python pour le calcul numérique, NumPy. Ce cours complet est conçu pour vous faire passer d'une compréhension débutante à un niveau avancé de maîtrise de NumPy. Que vous soyez data scientist, ingénieur, chercheur ou développeur, la maîtrise de NumPy est essentielle pour une manipulation efficace des données, le calcul scientifique et l'apprentissage automatique.

Explorez les applications de NumPy et comprenez pourquoi il s'agit de l'une des bibliothèques les plus populaires pour le calcul numérique. Découvrez les différentes méthodes de création et d'initialisation des tableaux afin de répondre efficacement à divers besoins en données.

Découvrez comment accéder à des éléments spécifiques et à des sous-ensembles dans les tableaux NumPy en utilisant la notation d'index. Apprenez à appliquer l'indexation conditionnelle pour filtrer les données et gérer efficacement les valeurs manquantes.

NumPy propose de nombreuses fonctions intégrées pour effectuer des opérations courantes sur les tableaux. Découvrez comment utiliser ces outils pour transformer, agréger et analyser les données efficacement sans écrire de code répétitif.

Apprenez à effectuer des opérations mathématiques efficacement sur des tableaux NumPy. Appliquez ces opérations pour résoudre des problèmes concrets et acquérez une compréhension approfondie de la manière dont les calculs vectorisés accélèrent l'analyse numérique.

Création de Tableaux de Dimension Supérieure

Tableaux 2D

Tableau 3D

Solution