Summary  
This chapter covers slicing techniques in two-dimensional arrays, showing how to select subarrays by applying start:end:step notation and combining slicing with basic indexing along each axis.  

General domain of usage  
Scientific computing and data manipulation

L'affettamento in array 2D e **array multidimensionali** funziona in modo simile all'affettamento negli array 1D. Tuttavia, negli array 2D, ci sono due assi.

Se si desidera effettuare l'affettamento solo sull'**asse 0** per ottenere array 1D, la sintassi rimane la stessa: `array[start:end:step]`. Se si desidera effettuare l'affettamento sugli elementi di questi array 1D (**asse 1**), la sintassi è la seguente: `array[start:end:step, start:end:step]`. In sostanza, il numero di affettamenti corrisponde al **numero di dimensioni** di un array.

Inoltre, è possibile utilizzare l'affettamento per un asse e l'**indicizzazione di base** per l'altro asse. Vediamo un esempio di affettamento 2D (**i quadrati viola** rappresentano gli elementi ottenuti dall'affettamento, e la **freccia nera** indica che gli elementi sono presi in ordine inverso):

import numpy as np

array_2d = np.array([
   [1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]
])

# Initial Array
print("Initial array_2d:\n", array_2d)
# Rows from index 1 to the end
print("\narray_2d[1:]:\n", array_2d[1:])
# All rows, first column only
print("\narray_2d[:, 0]:\n", array_2d[:, 0])
# Subarray: rows from 1 to end, columns from 1 to second-to-last
print("\narray_2d[1:, 1:-1]:\n", array_2d[1:, 1:-1])
# All rows except the last, every second column
print("\narray_2d[:-1, ::2]:\n", array_2d[:-1, ::2])
# Third row (index 2) reversed
print("\narray_2d[2, ::-1]:\n", array_2d[2, ::-1])

L'immagine sottostante mostra la struttura dell'array `student_scores` utilizzato nell'esercizio:

import unittest
import importlib.util
import numpy as np


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style test message handler"""
    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 user_code
        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)

        # Очікувані дані
        cls.student_scores = np.array([
            [85, 92, 78],
            [88, 75, 83],
            [90, 88, 91]
        ])
        cls.expected_slice = cls.student_scores[0, 1:]  # [92, 78]

    def test_first_student_last_two_scores(self):
        """1–2. Slice includes last two scores of first student using positive indexing"""
        ok = hasattr(self.m, "first_student_last_two_scores")
        arr = getattr(self.m, "first_student_last_two_scores", None)

        type_ok = isinstance(arr, np.ndarray)
        val_ok = type_ok and np.array_equal(arr, self.expected_slice)
        shape_ok = type_ok and arr.shape == (2,)

        # Перевіряємо, що взято елементи саме з першого рядка (0) і стовпців з індексу 1+
        indices_correct = type_ok and np.array_equal(arr, self.student_scores[0][1:])

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok and indices_correct,
            "first_student_last_two_scores slice created correctly",
            "first_student_last_two_scores slice incorrect",
        )


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 conoscenza da principiante a un livello avanzato di competenza in 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.

Slicing negli Array 2D

Soluzione