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

Lad os nu oprette et array med højere dimension, nemlig et **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}')

Oprettelse af et højere-dimensionelt **NumPy**-array indebærer at indsende en højere-dimensionel **liste** som argument til funktionen `array()`.

Ethvert NumPy-arrayobjekt kaldes en `ndarray`.

Bemærk

Her er en visualisering af vores 2D-array:

Vi kan betragte det som en `2x3` **matrix**.

## 3D-array

Oprettelse af **3D-arrays** ligner næsten oprettelsen af 2D-arrays. Den eneste forskel er, at der nu skal gives en **3D-liste** 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}')

Visualisering af en 3D-array er dog en smule mere kompleks, men det kan stadig lade sig gøre:

Arrayet er `3x3x3`, hvilket betyder, at vi har en **terning** med hver side lig med 3.

I praksis adskiller tilgangen til håndtering af 3D- og højere-dimensionelle arrays sig ikke fra håndtering af 2D-arrays.


Lås op for det fulde potentiale af Pythons mest essentielle bibliotek til numerisk databehandling, NumPy. Dette omfattende kursus er designet til at føre dig fra et begynderforståelse til et avanceret niveau af færdigheder i NumPy. Uanset om du er data scientist, ingeniør, forsker eller udvikler, er det afgørende at mestre NumPy for effektiv datamanipulation, videnskabelig databehandling og maskinlæring.

Udforsk anvendelserne af NumPy og forstå, hvorfor det er et af de mest populære biblioteker til numerisk databehandling. Lær de forskellige metoder til at oprette og initialisere arrays for effektiv håndtering af forskellige databehov.

Opdag, hvordan man får adgang til specifikke elementer og delmængder i NumPy-arrays ved hjælp af indeksnotation. Lær at anvende betinget indeksering til at filtrere data og håndtere manglende værdier effektivt.

NumPy tilbyder mange indbyggede funktioner til at udføre almindelige array-operationer. Lær, hvordan disse værktøjer kan anvendes til effektivt at transformere, aggregere og analysere data uden at skrive gentagen kode.

Lær at udføre matematiske operationer effektivt på NumPy-arrays. Anvend disse operationer til at løse virkelige problemer og opnå en dybere forståelse af, hvordan vektoriserede beregninger accelererer numerisk analyse.

Oprettelse af Højere-Dimensionelle Arrays

2D-arrays

3D-array

Løsning

Awesome!

Oprettelse af Højere-Dimensionelle Arrays

2D-arrays

3D-array

Løsning