Summary  
This chapter explains how to assign values to subarrays of multi-dimensional arrays using slicing and indexing, demonstrating assignments of scalars, 1D arrays, and 2D arrays to 1D and 2D slices. It also notes that integer and boolean indexed subarrays follow the same assignment rules as slices.

General domain of usage  
Numerical computing

インデックス付き配列を使用すると、より興味深い操作が可能になります。ここでは、主に1次元および2次元の**部分配列**に焦点を当てます。3次元部分配列は実際にはほとんど使用されません。

まず、**スライス**への値の代入から始めます。一般的な構文は `slice = values` であり、`slice` は配列の一部、`values` は代入する値です。

`values` の形式の例：
* **単一のスカラー**（数値）
* スライスと同じサイズの**1次元配列**（スライスが1次元の場合）、または2次元スライスの場合は第2軸のサイズ
* 2次元スライスと同じ形状の**2次元配列**

import numpy as np
array_1d = np.array([1, 4, 6, 2, 9])
# Assigning an array to the slice of array_1d
array_1d[1:-1] = np.array([3, 5, 7])
print(array_1d)
# Assigning a scalar to the slice of array_1d
array_1d[1:-1] = 5
print(array_1d)
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
# Assigning a 2D array to the slice of array_2d
array_2d[1:3, 1:] = np.array([[20, 21], [40, 41]])
print(array_2d)
# Assigning a 1D array to the slice of array_2d
array_2d[1:3, 1:] = [50, 51]
print(array_2d)
# Assigning a scalar to the slice of array_2d
array_2d[1:3, 1:] = 30
print(array_2d)

**スカラー**を1次元スライスに代入すると、そのスカラーがスライス内の**すべての要素**に代入されます。**1次元配列**を**2次元スライス**に代入すると、その1次元配列がスライス内の**各1次元配列**に代入されます。スカラーを2次元スライスに代入する場合も、1次元スライスと同様です。

**整数配列インデックス**による部分配列への値の代入も、スライスの場合と同様に動作します。**ブールインデックス**による部分配列への値の代入も、1次元スライスと同様に動作します。

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 output for test results"""
    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):
        # Очікувані значення
        cls.init_prices = np.array([15, 8, 22, 7, 12, 5])
        cls.expected_prices = cls.init_prices.copy()
        cls.expected_prices[cls.init_prices > 10] = 20

        cls.init_ratings = np.array([[6, 8, 9], [7, 5, 10]])
        cls.expected_ratings = cls.init_ratings.copy()
        cls.expected_ratings[1, 1:] = np.array([9, 8])

    def test_prices_update(self):
        """1. Assign 20 to every element in prices greater than 10"""
        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()

        prices = getattr(module, "prices", None)
        type_ok = isinstance(prices, np.ndarray)
        val_ok = type_ok and np.array_equal(prices, self.expected_prices)

        # Перевіряємо, що всі значення > 10 стали 20
        logic_ok = type_ok and np.all(prices[self.init_prices > 10] == 20)

        # Перевіряємо наявність друку
        printed_ok = "20" in output

        _dynamic_test(
            self,
            type_ok and val_ok and logic_ok and printed_ok,
            "prices updated and printed correctly",
            "prices update incorrect or print missing",
        )

    def test_ratings_update(self):
        """2. Assign [9, 8] to last two elements of second row using positive row index and slice"""
        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()

        ratings = getattr(module, "ratings", None)
        type_ok = isinstance(ratings, np.ndarray)
        val_ok = type_ok and np.array_equal(ratings, self.expected_ratings)

        # Перевірка: змінилася лише друга стрічка
        second_row_correct = type_ok and np.array_equal(ratings[1, 1:], np.array([9, 8]))
        first_row_unchanged = type_ok and np.array_equal(ratings[0], np.array([6, 8, 9]))

        printed_ok = "9" in output and "8" in output

        _dynamic_test(
            self,
            type_ok and val_ok and second_row_correct and first_row_unchanged and printed_ok,
            "ratings updated and printed correctly",
            "ratings update incorrect or print missing",
        )


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。

インデックス付き部分配列への値の代入

解答