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-arrayer

Låt oss nu skapa en högre dimensionell array, nämligen en **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}')

Att skapa en högdimensionell **NumPy**-array innebär i grunden att man skickar en högdimensionell **lista** som argument till funktionen `array()`.

Alla NumPy-arrayobjekt kallas för en `ndarray`.

Observera

Här är en visualisering av vår 2D-array:

Du kan tänka på det som en `2x3` **matris**.

## 3D-array
Att skapa **3D-arrayer** är nästan identiskt med att skapa 2D-arrayer. Den enda skillnaden är att du nu behöver ange en **3D-lista** som argument:

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}')

Att visualisera en 3D-array är dock lite mer komplext, men det är fortfarande möjligt:

Arrayen är `3x3x3`, vilket innebär att du har en **kub** där varje sida är lika med 3.

I praktiken skiljer sig inte arbetssättet för att hantera 3D- och högre-dimensionella arrayer från att hantera 2D-arrayer.

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

Lås upp den fulla potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad kompetens i NumPy. Oavsett om du är data scientist, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskapliga beräkningar och maskininlärning.

Utforska användningsområdena för NumPy och förstå varför det är ett av de mest populära biblioteken för numerisk beräkning. Lär dig de olika sätten att skapa och initiera arrayer för att effektivt hantera olika databehov.

Upptäck hur du får åtkomst till specifika element och delmängder i NumPy-arrayer med hjälp av indexnotation. Lär dig att använda villkorsbaserad indexering för att filtrera data och hantera saknade värden effektivt.

NumPy tillhandahåller många inbyggda funktioner för att utföra vanliga arrayoperationer. Lär dig hur du använder dessa verktyg för att effektivt transformera, aggregera och analysera data utan att skriva repetitiv kod.

Lär dig hur du utför matematiska operationer effektivt på NumPy-arrayer. Använd dessa operationer för att lösa verkliga problem och få en djupare förståelse för hur vektoriserade beräkningar påskyndar numerisk analys.

Skapa Högre-Dimensionella Arrayer

2D-arrayer

3D-array

Lösning