Summary  
This chapter covers creating higher-dimensional arrays by passing nested lists to NumPy’s array function, demonstrating how to implement code for 2D and 3D ndarrays.  

General domain of usage  
scientific computing

## 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}')

I grund och botten innebär skapandet av en högre dimensionell **NumPy**-array att man skickar en högre dimensionell **lista** som argument till `array()`-funktionen.

> Notera
>
> Alla NumPy-arrayobjekt kallas för `ndarray`.

Här är en visualisering av vår 2D-array:

Vi 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 vi nu behöver skicka en **3D-lista** som ett 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}')

Men att visualisera en 3D-array är lite mer komplext, men det kan fortfarande göras:

Arrayen är `3x3x3`, vilket är varför vi har en **kub** med varje sida lika med 3.

I praktiken är tillvägagångssättet för att hantera 3D- och högre-dimensionella arrayer inte annorlunda än att hantera 2D-arrayer.


Lås upp den fulla potentialen av Pythons mest väsentliga bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från en nybörjarförståelse till en avancerad nivå av skicklighet i NumPy. Oavsett om du är en dataforskare, ingenjör, forskare eller utvecklare, är det viktigt att bemästra NumPy för effektiv datamanipulation, vetenskaplig beräkning och maskininlärning.

Först och främst kommer vi att diskutera tillämpningarna av NumPy och varför det är populärt. Därefter kommer du att lära dig olika möjliga alternativ för att skapa olika arrayer i NumPy.

Det är nu dags att lära sig hur man använder indexnotation för att hämta specifika element eller delmängder av data från arrayer. Du kommer också att lära dig hur man använder index för att hämta data baserat på vissa villkor och hantera saknade värden.

Det finns ganska få vanliga operationer på arrayer som du kanske vill utföra. Lyckligtvis har NumPy inbyggda funktioner och metoder för detta ändamål som du kommer att lära dig här.

Det är dags att upptäcka hur man effektivt använder matematiska operationer på NumPy-arrayer och tillämpar dem i några verkliga problem.

Skapa Högre Dimensionella Arrays

2D-arrayer

3D Array

Lösning

Awesome!

Skapa Högre Dimensionella Arrays

2D-arrayer

3D Array

Lösning

Awesome!