Summary  
This chapter explains how to create higher-dimensional arrays (2D and 3D) in NumPy by passing nested lists to the array() function, treating them as matrices or cubes.  

General domain of usage  
Scientific computing

## Array 2D

Creazione di un array di dimensione superiore, ovvero un **array 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}')

In sostanza, la creazione di un array **NumPy** a dimensione superiore richiede il passaggio di una **lista** multidimensionale come argomento della funzione `array()`.

Qualsiasi oggetto array di NumPy è chiamato un `ndarray`.

Nota

Ecco una visualizzazione del nostro array 2D:

Possiamo considerarlo come una **matrice** `2x3`.

## Array 3D

La creazione di **array 3D** è quasi identica a quella degli array 2D. L'unica differenza è che ora è necessario passare una **lista 3D** come argomento:

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}')

Tuttavia, la visualizzazione di un array 3D è leggermente più complessa, ma è comunque possibile:

L'array è `3x3x3`, motivo per cui abbiamo un **cubo** con ciascun lato uguale a 3.

In pratica, il metodo per gestire array 3D e di dimensioni superiori non differisce da quello utilizzato per gli array 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

Sblocca tutto il potenziale della libreria più essenziale di Python per il calcolo numerico, NumPy. Questo corso completo è progettato per portarti da una comprensione da principiante a un livello avanzato di padronanza di NumPy. Che tu sia un data scientist, un ingegnere, un ricercatore o uno sviluppatore, padroneggiare NumPy è fondamentale per una manipolazione efficiente dei dati, il calcolo scientifico e il machine learning.

Esplora le applicazioni di NumPy e comprendi perché è una delle librerie più popolari per il calcolo numerico. Scopri i diversi metodi per creare e inizializzare array per gestire in modo efficiente varie esigenze di dati.

Scopri come accedere a elementi specifici e sottoinsiemi negli array NumPy utilizzando la notazione degli indici. Apprendi l'applicazione dell'indicizzazione condizionale per filtrare i dati e gestire in modo efficiente i valori mancanti.

NumPy offre molte funzioni integrate per eseguire operazioni comuni sugli array. Scopri come applicare questi strumenti per trasformare, aggregare e analizzare i dati in modo efficiente senza scrivere codice ripetitivo.

Scopri come eseguire operazioni matematiche in modo efficiente sugli array NumPy. Applica queste operazioni per risolvere problemi reali e acquisire una comprensione più approfondita di come i calcoli vettorializzati accelerano l'analisi numerica.

Creazione di Array a Dimensioni Superiori

Array 2D

Array 3D

Soluzione

Awesome!

Creazione di Array a Dimensioni Superiori

Array 2D

Array 3D

Soluzione