Summary  
This chapter explains how to create one-, two-, and three-dimensional NumPy arrays by passing increasingly nested lists to the array() function and how to inspect their dimensions using the shape attribute.

General domain of usage  
Scientific computing / numerical data analysis

Watch this video to see how to create higher dimensional arrays in NumPy. You'll learn the difference between 1D, 2D, and 3D arrays, see how to define them in Python, and understand how their structure looks in memory. This visual guide will help you connect the code to the actual data layout, making it easier to work confidently with arrays of any dimension.

## 2D-arrays

Laten we nu een array met een hogere dimensie maken, namelijk een **2D-array**:

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 wezen houdt het maken van een **NumPy**-array met een hogere dimensie in dat je een lijst met een hogere dimensie doorgeeft als argument van de functie `array()`.

Elk NumPy-arrayobject wordt een `ndarray` genoemd.

Opmerking

Hier is een visualisatie van onze 2D-array:

Je kunt het zien als een `2x3` **matrix**.

## 3D-array
Het maken van **3D-arrays** is vrijwel identiek aan het maken van 2D-arrays. Het enige verschil is dat je nu een **3D-lijst** als argument moet meegeven:

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}')

Het visualiseren van een 3D-array is echter wat complexer, maar het is nog steeds mogelijk:

De array is `3x3x3`, waardoor je een **kubus** hebt met elke zijde gelijk aan 3.

In de praktijk verschilt de aanpak voor het werken met 3D- en hogere-dimensionale arrays niet van het werken met 2D-arrays.

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

Ontgrendel het volledige potentieel van Python's meest essentiële bibliotheek voor numerieke berekeningen, NumPy. Deze uitgebreide cursus is ontworpen om je van een basiskennis naar een gevorderd niveau van vaardigheid in NumPy te brengen. Of je nu data scientist, ingenieur, onderzoeker of ontwikkelaar bent, het beheersen van NumPy is essentieel voor efficiënte datamanipulatie, wetenschappelijk rekenen en machine learning.

Ontdek de toepassingen van NumPy en begrijp waarom het een van de populairste bibliotheken is voor numerieke berekeningen. Leer de verschillende manieren om arrays te maken en te initialiseren om efficiënt aan diverse databehoeften te voldoen.

Ontdek hoe u specifieke elementen en deelverzamelingen in NumPy-arrays kunt benaderen met behulp van indexnotatie. Leer om conditionele indexering toe te passen om gegevens te filteren en ontbrekende waarden efficiënt te beheren.

NumPy biedt veel ingebouwde functies voor het uitvoeren van veelvoorkomende arraybewerkingen. Leer hoe u deze tools kunt toepassen om gegevens efficiënt te transformeren, aggregeren en analyseren zonder repetitieve code te schrijven.

Leer hoe u wiskundige bewerkingen efficiënt uitvoert op NumPy-arrays. Pas deze bewerkingen toe om realistische problemen op te lossen en krijg een dieper inzicht in hoe gevectoriseerde berekeningen numerieke analyses versnellen.

Hogere Dimensionale Arrays Maken

2D-arrays

3D-array

Oplossing