Summary  
This chapter explains how to slice two-dimensional arrays by specifying ranges and steps for each axis, including combining slicing with basic indexing and using negative strides to reverse elements.

General domain of usage  
Data analysis

Вирізання у 2D та **багатовимірних масивах** працює аналогічно до вирізання у 1D масивах. Однак у 2D масивах існує дві осі.

Якщо потрібно виконати вирізання лише по **осі 0** для отримання 1D масивів, синтаксис залишається незмінним: `array[start:end:step]`. Якщо потрібно виконати вирізання по елементах цих 1D масивів (**вісь 1**), синтаксис такий: `array[start:end:step, start:end:step]`. По суті, кількість вирізань відповідає **кількості вимірів** масиву.

Крім того, можна використовувати вирізання для однієї осі та **базову індексацію** для іншої осі. Розглянемо приклад 2D вирізання (**фіолетові** квадрати позначають елементи, отримані в результаті вирізання, а **чорна стрілка** вказує, що елементи беруться у зворотному порядку):

import numpy as np
array_2d = np.array([
   [1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]
])
print(array_2d[1:])
print(array_2d[:, 0])
print(array_2d[1:, 1:-1])
print(array_2d[:-1, ::2])
print(array_2d[2, ::-1])

На зображенні нижче показано структуру масиву `student_scores`, який використовується у завданні:

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

Відкрийте повний потенціал найважливішої бібліотеки Python для чисельних обчислень — NumPy. Цей комплексний курс розроблений для того, щоб провести вас від початкового рівня до поглибленого володіння NumPy. Незалежно від того, чи ви дата-сайентіст, інженер, дослідник або розробник, опанування NumPy є необхідним для ефективної обробки даних, наукових обчислень і машинного навчання.

Дослідження застосувань NumPy та розуміння причин його популярності серед бібліотек для чисельних обчислень. Ознайомлення з різними способами створення та ініціалізації масивів для ефективної обробки різноманітних даних.

Дізнайтеся, як отримувати доступ до окремих елементів і підмножин у масивах NumPy за допомогою індексної нотації. Ознайомтеся із застосуванням умовного індексування для фільтрації даних і ефективного керування відсутніми значеннями.

NumPy надає багато вбудованих функцій для виконання типових операцій з масивами. Дізнайтеся, як застосовувати ці інструменти для ефективного перетворення, агрегації та аналізу даних без написання повторюваного коду.

Дізнайтеся, як ефективно виконувати математичні операції над масивами NumPy. Застосовуйте ці операції для розв'язання реальних задач і отримайте глибше розуміння того, як векторизовані обчислення прискорюють числовий аналіз.

Зрізи у Двовимірних Масивах

Рішення