Summary  
This chapter explains how to create higher-dimensional arrays (2D and 3D) in NumPy by passing nested lists to the array() function, treating them as matrices or cubes.  

General domain of usage  
Scientific computing

## 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}')

Het creëren van een **NumPy**-array met hogere dimensies houdt in dat een lijst met hogere dimensies wordt doorgegeven als argument aan de functie `array()`.

Elk NumPy-arrayobject wordt een `ndarray` genoemd.

Opmerking

Hier is een visualisatie van onze 2D-array:

Dit kunnen we beschouwen als een `2x3` **matrix**.

## 3D-array

Het aanmaken van **3D-arrays** is vrijwel identiek aan het aanmaken van 2D-arrays. Het enige verschil is dat nu een **3D-lijst** als argument moet worden meegegeven:

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 iets complexer, maar het is nog steeds mogelijk:

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

In de praktijk verschilt de benadering voor het werken met 3D- en hoger-dimensionale arrays niet van die voor 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 gegevensmanipulatie, 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 methoden om arrays te creëren en te initialiseren voor een efficiënte verwerking van uiteenlopende gegevensbehoeften.

Ontdek hoe specifieke elementen en deelverzamelingen in NumPy-arrays toegankelijk zijn met behulp van indexnotatie. Leer het toepassen van conditionele indexering om gegevens te filteren en ontbrekende waarden efficiënt te beheren.

NumPy biedt veel ingebouwde functies voor het uitvoeren van algemene arraybewerkingen. Leer hoe u deze tools toepast 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 praktijkproblemen op te lossen en verkrijg een dieper inzicht in hoe gevectoriseerde berekeningen numerieke analyse versnellen.

Hogere-Dimensionale Arrays Maken

2D-arrays

3D-array

Oplossing

Awesome!

Hogere-Dimensionale Arrays Maken

2D-arrays

3D-array

Oplossing