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

Slicing in 2D- en **hogere-dimensionale arrays** werkt op vergelijkbare wijze als slicing in 1D-arrays. In 2D-arrays zijn er echter twee assen.

Als slicing alleen op **as 0** wordt uitgevoerd om 1D-arrays op te halen, blijft de syntaxis hetzelfde: `array[start:end:step]`. Voor slicing op de elementen van deze 1D-arrays (**as 1**) is de syntaxis als volgt: `array[start:end:step, start:end:step]`. Het aantal slices komt in wezen overeen met het **aantal dimensies** van een array.

Daarnaast kan slicing voor één as en **basisindexering** voor de andere as worden gebruikt. Bekijk het volgende voorbeeld van 2D-slicing (**paarse** vierkanten geven de opgehaalde elementen aan, en de **zwarte pijl** geeft aan dat de elementen in omgekeerde volgorde worden genomen):

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])

De onderstaande afbeelding toont de structuur van de array `student_scores` die in de opdracht wordt gebruikt:

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

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.

Slicing in 2D-Arrays

Oplossing