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-arrayer

La oss nå opprette et høyere-dimensjonalt array, 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}')

I hovedsak innebærer opprettelse av et høyere-dimensjonalt **NumPy**-array at man sender en høyere-dimensjonal **liste** som argument til funksjonen `array()`.

Ethvert NumPy-arrayobjekt kalles en `ndarray`.

Merk

Her er en visualisering av vårt 2D-array:

Vi kan tenke på det som en `2x3` **matrise**.

## 3D-array

Å opprette **3D-arrays** er nesten identisk med å opprette 2D-arrays. Den eneste forskjellen er at vi nå må sende 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}')

Å visualisere en 3D-array er imidlertid litt mer komplisert, men det er fortsatt mulig:

Arrayen er `3x3x3`, derfor har vi en **kube** med hver side lik 3.

I praksis er tilnærmingen til håndtering av 3D- og høyere-dimensjonale arrayer ikke annerledes enn håndtering av 2D-arrayer.


Lås opp det fulle potensialet til Pythons mest essensielle bibliotek for numeriske beregninger, NumPy. Dette omfattende kurset er utformet for å ta deg fra nybegynnernivå til avansert ferdighetsnivå i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelige beregninger og maskinlæring.

Utforsk bruksområdene til NumPy og forstå hvorfor det er et av de mest populære bibliotekene for numerisk databehandling. Lær de ulike metodene for å opprette og initialisere matriser for å håndtere ulike databehov effektivt.

Utforsk hvordan du får tilgang til spesifikke elementer og delmengder i NumPy-arrays ved hjelp av indeksnotasjon. Lær å bruke betinget indeksering for å filtrere data og håndtere manglende verdier effektivt.

NumPy tilbyr mange innebygde funksjoner for å utføre vanlige array-operasjoner. Lær hvordan disse verktøyene kan brukes til å transformere, aggregere og analysere data effektivt uten å skrive gjentakende kode.

Lær hvordan du utfører matematiske operasjoner effektivt på NumPy-arrays. Bruk disse operasjonene til å løse virkelige problemer og få en dypere forståelse av hvordan vektoriserte beregninger akselererer numerisk analyse.

Oppretting av Høyere-Dimensjonale Matriser

2D-arrayer

3D-array

Løsning

Awesome!

Oppretting av Høyere-Dimensjonale Matriser

2D-arrayer

3D-array

Løsning