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

2次元および**高次元配列**でのスライスは、1次元配列でのスライスと同様に機能します。ただし、2次元配列には2つの軸があります。

**軸0**のみに対してスライスを行い1次元配列を取得したい場合、構文は同じく `array[start:end:step]` です。これらの1次元配列の要素（**軸1**）に対してスライスを行う場合、構文は次のようになります：`array[start:end:step, start:end:step]`。基本的に、スライスの数は配列の**次元数**に対応します。

さらに、一方の軸にはスライス、もう一方の軸には**基本インデックス指定**を組み合わせて使用できます。2次元スライスの例を見てみましょう（**紫色**の四角はスライスで取得される要素、**黒い矢印**は要素が逆順で取得されることを示します）：

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])

下図は、課題で使用される `student_scores` 配列の構造を示しています：

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

Pythonの数値計算における最も重要なライブラリであるNumPyの可能性を最大限に引き出します。本コースは、NumPyの初心者レベルから上級レベルまでの習得を目指して設計されています。データサイエンティスト、エンジニア、研究者、開発者のいずれであっても、NumPyの習得は効率的なデータ操作、科学計算、機械学習に不可欠です。

NumPyの応用例を探求し、数値計算において最も人気のあるライブラリの一つである理由を理解します。さまざまなデータニーズに効率的に対応するための配列の作成および初期化方法について学びます。

NumPy配列内の特定の要素やサブセットにインデックス表記を用いてアクセスする方法について学びます。条件付きインデックスを適用してデータをフィルタリングし、欠損値を効率的に管理する方法を習得します。

NumPyは、一般的な配列操作を行うための多くの組み込み関数を提供しています。これらのツールを活用して、繰り返しのコードを書くことなく、データの変換、集約、分析を効率的に行う方法を学びます。

NumPy配列上で効率的に数学的演算を行う方法を学びます。これらの演算を実際の問題解決に応用し、ベクトル化計算が数値解析を高速化する仕組みをより深く理解します。

2次元配列のスライシング

解答