Summary  
This chapter explains how to use NumPy’s concatenate function to join multiple arrays along a specified axis, forming larger arrays.  

General domain of usage  
Machine learning

**配列の連結**は、指定した軸に沿って配列を結合し、より大きく包括的なデータセットを作成する**NumPy**の基本操作。これは、データが複数の配列に分割されていたり、**異なるソース**から取得されたりする場合など、**機械学習**で特に有用。

大規模で統合されたデータセットは、通常、MLモデルやニューラルネットワークのパフォーマンス向上に寄与。

さらに学ぶ

基本的に、**連結**は複数の配列を結合して新しい配列を作成する操作。

**NumPy**には、指定した軸に沿って配列を連結できる`concatenate()`関数がある：
* `axis=0`（デフォルト値）は行方向で配列を連結；
* `axis=1`は列方向で配列を連結。

この関数の第1引数は**連結する配列のシーケンス**（`tuple`または`list`）、`axis`が第2引数。

import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
# Concatenating 1D arrays along their only axis 0
concatenated_array = np.concatenate((array1, array2))
print(concatenated_array)

連結は、最初の配列の要素の**後に**2番目の配列の要素が続く1次元配列を作成。

2次元配列の連結も同様の方法で実行。ただし、`axis`パラメータの指定が必要。

import numpy as np
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
# Concatenating along the axis 0 (rows)
concatenated_array_rows = np.concatenate((array1, array2))
print(f'Axis = 0:\n{concatenated_array_rows}')
# Concatenating along the axis 1 (columns)
concatenated_array_columns = np.concatenate((array1, array2), axis=1)
print(f'Axis = 1:\n{concatenated_array_columns}')

紫色の要素は `array1` に対応し、緑色の要素は `array2` に対応。

実際には、任意の数の配列を連結でき、同じ方法で動作。

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 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):
        # Початкові дані
        cls.sales_data_2021 = np.array([[350, 420, 380, 410],
                                        [270, 320, 290, 310]])
        cls.sales_data_2022 = np.array([[370, 430, 400, 390],
                                        [280, 330, 300, 370]])
        # Очікуваний результат об’єднання по стовпцях
        cls.expected_combined = np.concatenate(
            (cls.sales_data_2021, cls.sales_data_2022), axis=1
        )

    def test_concatenation_by_columns(self):
        """1–2. Sales data concatenated by columns with 2022 data following 2021"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "combined_sales_by_product")
        arr = getattr(module, "combined_sales_by_product", None)
        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.shape == self.expected_combined.shape
        val_ok = type_ok and np.array_equal(arr, self.expected_combined)

        # Перевірка, що об’єднання відбулося саме по стовпцях (axis=1)
        correct_axis = type_ok and arr.shape[1] == (
            self.sales_data_2021.shape[1] + self.sales_data_2022.shape[1]
        )

        # Перевірка, що друга половина — це саме дані 2022 року
        follows_ok = type_ok and np.array_equal(
            arr[:, -self.sales_data_2022.shape[1]:], self.sales_data_2022
        )

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok and correct_axis and follows_ok,
            "Sales data concatenated correctly by columns with 2022 data following 2021",
            "Sales data concatenation incorrect (axis or order wrong)",
        )

    def test_print_output(self):
        """Перевірка, що результат надруковано"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue()

        printed_phrase = "Combined sales by product" in output
        printed_values = all(str(x) in output for x in [350, 430, 370])
        _dynamic_test(
            self,
            printed_phrase and printed_values,
            "Combined sales printed correctly",
            "Print statement missing or incorrect",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Pythonの数値計算における最も重要なライブラリであるNumPyの可能性を最大限に引き出します。本コースは、NumPyの初心者レベルから上級レベルまでの習得を目指して設計されています。データサイエンティスト、エンジニア、研究者、開発者のいずれであっても、NumPyの習得は効率的なデータ操作、科学計算、機械学習に不可欠です。

NumPyの応用例を探求し、数値計算において最も人気のあるライブラリの一つである理由を理解します。さまざまなデータニーズに効率的に対応するための配列の作成および初期化方法について学びます。

NumPy配列内の特定の要素やサブセットにインデックス表記を用いてアクセスする方法について学びます。条件付きインデックスを適用してデータをフィルタリングし、欠損値を効率的に管理する方法を習得します。

NumPyは、一般的な配列操作を行うための多くの組み込み関数を提供しています。これらのツールを活用して、繰り返しのコードを書くことなく、データの変換、集約、分析を効率的に行う方法を学びます。

NumPy配列上で効率的に数学的演算を行う方法を学びます。これらの演算を実際の問題解決に応用し、ベクトル化計算が数値解析を高速化する仕組みをより深く理解します。

配列の連結

解答