Summary  
This chapter covers how to assign values to specific elements or subarrays in NumPy arrays using indexing and slicing in both one- and two-dimensional contexts, and explains how the array’s data type affects the stored values.  

General domain of usage  
Data cleaning and preprocessing

Watch this video for a step-by-step demonstration of how to assign values to indexed elements in NumPy arrays. You'll see practical examples of updating individual elements and subarrays in both 1D and 2D arrays, along with explanations of how data types affect assignments. This visual guide will help reinforce your understanding of modifying data directly within NumPy arrays.

L'attribution de valeurs à des **éléments spécifiques** ou à des **sous-tableaux** est utile pour mettre à jour des données, corriger des erreurs ou appliquer des conditions dans des ensembles de données. Cela s'avère particulièrement utile pour des tâches telles que le **remplacement** d'entrées invalides, l'**ajustement** de valeurs pour l'analyse ou la **modification** de parties d'un tableau pour des simulations et des calculs.

Tout d'abord, il est possible d'attribuer une valeur à un **élément indexé** d'un tableau. Voici la syntaxe générale pour réaliser cela dans des tableaux 1D : `array[i] = n`, où `i` est un certain indice et `n` est la valeur à attribuer.

Dans les tableaux 2D, la syntaxe est la suivante : `array[i, j] = n`, où `i` et `j` sont respectivement les indices de **ligne** et de **colonne**. Pour les tableaux de dimension supérieure, le nombre d'indices correspond au **nombre de dimensions**.

import numpy as np
array_1d = np.array([1, 4, 6, 2])
# Assigning 10 to the first element of array_1d
array_1d[0] = 10
print(array_1d)
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# Assigning 8 to the element in the second row and column of array_2d
array_2d[1, 1] = 8
print(array_2d)

Si vous attribuez une valeur d'un **type de données supérieur**, comme un flottant, à un élément d'un **type de données inférieur**, comme un entier, la valeur peut être modifiée ou provoquer une erreur. Par exemple, attribuer `3.5` à un élément entier l'enregistrera sous la forme `3`, perdant ainsi la partie décimale.

Remarque

**Les types de données supérieurs** sont ceux qui peuvent stocker une gamme de valeurs plus large et occupent souvent plus de mémoire.

Approfondir

import numpy as np
array_1d = np.array([1, 4, 6, 2])
# Assigning 10.2 to the first element of array_1d
array_1d[0] = 10.2
print(array_1d)

Aucune exception n'a été levée, cependant, la première valeur a été assignée à `10` au lieu de `10.2`. La valeur `float` a été convertie en **entier** car c'est le `dtype` du tableau.

L'image ci-dessous montre la structure du tableau `employee_data` utilisé dans la tâche :

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 feedback formatting"""
    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):
        # Очікуваний масив після оновлення
        cls.initial_data = np.array([
            [4500, 7],
            [3800, 8],
            [5200, 9],
            [4700, 6],
            [4300, 7],
            [3900, 5]
        ])
        cls.expected_data = cls.initial_data.copy()
        cls.expected_data[3, 0] = 6000

    def test_salary_updated(self):
        """1–2. Salary of fourth employee updated to 6000 using positive indexing"""
        # Перехоплюємо stdout під час виконання користувацького коду
        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().strip()

        # Отримуємо змінну з модуля
        employee_data = getattr(module, "employee_data", None)
        type_ok = isinstance(employee_data, np.ndarray)

        # Перевіряємо, що правильний елемент оновлено
        value_ok = type_ok and employee_data[3, 0] == 6000

        # Перевіряємо, що решта елементів не змінена
        unchanged_ok = type_ok and np.array_equal(
            np.delete(employee_data, (3,), axis=0),
            np.delete(self.expected_data, (3,), axis=0)
        )

        # Перевіряємо, що результат надруковано
        printed_ok = "6000" in output

        _dynamic_test(
            self,
            type_ok and value_ok and unchanged_ok and printed_ok,
            "Salary updated and printed correctly",
            "Salary update incorrect or print missing",
        )


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.

Attribution de valeurs aux éléments indexés

Solution