Summary  
This chapter introduces NumPy’s eye() function for creating two-dimensional identity and rectangular matrices by specifying rows, columns, data type, and diagonal offset.

General domain of usage  
Linear algebra operations

På samme måte som for 1D-arrays, har **NumPy** funksjoner for å opprette 2D-arrays. Vi skal se på den mest brukte, `eye()`-funksjonen.


This video explores creation functions for 2D arrays in NumPy, focusing on the numpy.eye() function. You'll learn how to create identity and rectangular matrices, understand key parameters like N (rows), M (columns), and dtype, and see practical code demonstrations. The video also highlights real-world applications in linear algebra and machine learning, such as initializing weights and constructing identity matrices for matrix operations.

## eye()

Funksjonen `numpy.eye()` lager en **matrise** i formatet til et 2D-array der elementene med **like** rad- og kolonneindekser er `1`, mens alle andre elementer er `0`.

De to viktigste parameterne er `N` og `M`, som angir antall **rader** og **kolonner**. Parameteren `M` er valgfri, så du kan kun angi `N` for å lage en kvadratisk `NxN`-matrise.

En kvadratisk matrise der alle elementene på hoveddiagonalen er lik `1` og alle andre elementer er lik `0`, kalles en **identitetsmatrise**.

Definisjon

import numpy as np
# Creating a 2x2 identity matrix
identity_matrix = np.eye(2)
print(f'2x2 identity matrix:\n{identity_matrix}')
# Creating a 4x3 matrix with np.eye()
rectangular_matrix = np.eye(4, 3, dtype=np.int8)
print(f'4x3 matrix:\n{rectangular_matrix}')

I eksemplet vårt opprettet vi en **identitetsmatrise** ved å kun angi parameteren `N` og en **rektangulær matrise** ved å angi både `N` og `M`. Vi satte også `dtype` til `np.int8` for den **rektangulære matrisen**, noe som kan være nyttig når man kun arbeider med **heltall** (`np.float64` er standardverdien for `dtype`).

De resulterende 2D-arrayene ser slik ut:


Når det gjelder bruksområder, brukes funksjonen `eye()` hovedsakelig til å lage identitetsmatriser for spesifikke **lineær algebra**-operasjoner og til å initialisere matriser i **maskinlæringsalgoritmer**.

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):
    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)
        cls.module_path = spec.origin

        # Очікуваний результат
        cls.exp_matrix = np.eye(5, 2, dtype=np.int8)

    def test_matrix_properties(self):
        """1–3. Check that matrix is created correctly with np.eye(5, 2, dtype=np.int8)"""
        ok = hasattr(self.m, "matrix")
        arr = getattr(self.m, "matrix", None)

        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.shape == (5, 2)
        dtype_ok = type_ok and arr.dtype == np.int8
        val_ok = type_ok and np.array_equal(arr, self.exp_matrix)

        # Значення по головній діагоналі мають бути 1, решта — 0
        diag_ok = type_ok and np.all(np.diag(arr[:2, :2]) == 1)
        zero_ok = type_ok and np.all(arr[np.where(arr != np.eye(5, 2))] == 0)

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and dtype_ok and val_ok and diag_ok and zero_ok,
            "matrix created correctly",
            "matrix incorrect or has wrong properties",
        )

    def test_matrix_printed(self):
        """Перевіряємо, що matrix виводиться"""
        f = io.StringIO()
        with open(self.module_path, "r", encoding="utf-8") as file:
            code = file.read()
        with redirect_stdout(f):
            exec(code, {})
        output = f.getvalue().strip()

        # Має бути надруковано хоча б одну «1» та «0»
        printed_ok = "1" in output and "0" in output

        _dynamic_test(
            self,
            printed_ok,
            "matrix printed correctly",
            "matrix not printed or printed incorrectly",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Lås opp det fulle potensialet til Pythons mest essensielle bibliotek for numerisk databehandling, NumPy. Dette omfattende kurset er utformet for å ta deg fra et nybegynnernivå til avansert ferdighet i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelig databehandling og maskinlæring.

Utforsk bruksområdene til NumPy og forstå hvorfor det er et av de mest populære bibliotekene for numerisk databehandling. Lær de ulike metodene for å opprette og initialisere matriser for å håndtere ulike databehov effektivt.

Utforsk hvordan du får tilgang til spesifikke elementer og delmengder i NumPy-arrays ved hjelp av indeksnotasjon. Lær å bruke betinget indeksering for å filtrere data og håndtere manglende verdier effektivt.

NumPy tilbyr mange innebygde funksjoner for å utføre vanlige array-operasjoner. Lær hvordan du kan bruke disse verktøyene til å transformere, aggregere og analysere data effektivt uten å skrive repeterende kode.

Lær hvordan du utfører matematiske operasjoner effektivt på NumPy-arrays. Bruk disse operasjonene for å løse virkelige problemer og få en dypere forståelse av hvordan vektoriserte beregninger akselererer numerisk analyse.

Opprettelsesfunksjoner for 2D-arrays

eye()

Løsning