Summary  
This chapter covers slicing techniques in two-dimensional arrays, showing how to select subarrays by applying start:end:step notation and combining slicing with basic indexing along each axis.  

General domain of usage  
Scientific computing and data manipulation

O fatiamento em arrays 2D e **arrays de dimensões superiores** funciona de forma semelhante ao fatiamento em arrays 1D. No entanto, em arrays 2D, existem dois eixos.

Se desejarmos realizar o fatiamento apenas no **eixo 0** para obter arrays 1D, a sintaxe permanece a mesma: `array[start:end:step]`. Se quisermos realizar o fatiamento nos elementos desses arrays 1D (**eixo 1**), a sintaxe é a seguinte: `array[start:end:step, start:end:step]`. Essencialmente, o número de fatias corresponde ao **número de dimensões** de um array.

Além disso, é possível utilizar o fatiamento para um eixo e **indexação básica** para o outro eixo. Veja um exemplo de fatiamento em 2D (**quadrados roxos** representam os elementos obtidos pelo fatiamento, e a **seta preta** indica que os elementos são selecionados em ordem reversa):

import numpy as np

array_2d = np.array([
   [1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]
])

# Initial Array
print("Initial array_2d:\n", array_2d)
# Rows from index 1 to the end
print("\narray_2d[1:]:\n", array_2d[1:])
# All rows, first column only
print("\narray_2d[:, 0]:\n", array_2d[:, 0])
# Subarray: rows from 1 to end, columns from 1 to second-to-last
print("\narray_2d[1:, 1:-1]:\n", array_2d[1:, 1:-1])
# All rows except the last, every second column
print("\narray_2d[:-1, ::2]:\n", array_2d[:-1, ::2])
# Third row (index 2) reversed
print("\narray_2d[2, ::-1]:\n", array_2d[2, ::-1])

A imagem abaixo mostra a estrutura do array `student_scores` utilizado na tarefa:

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

Desbloqueie todo o potencial da biblioteca mais essencial do Python para computação numérica, o NumPy. Este curso abrangente foi desenvolvido para levar você de um entendimento iniciante a um nível avançado de proficiência em NumPy. Seja você cientista de dados, engenheiro, pesquisador ou desenvolvedor, dominar o NumPy é fundamental para manipulação eficiente de dados, computação científica e aprendizado de máquina.

Explore as aplicações do NumPy e compreenda por que é uma das bibliotecas mais populares para computação numérica. Aprenda as diferentes formas de criar e inicializar arrays para lidar de maneira eficiente com diversas necessidades de dados.

Descubra como acessar elementos específicos e subconjuntos em arrays do NumPy utilizando notação de índice. Aprenda a aplicar indexação condicional para filtrar dados e gerenciar valores ausentes de forma eficiente.

O NumPy oferece diversas funções integradas para realizar operações comuns em arrays. Aprenda a aplicar essas ferramentas para transformar, agregar e analisar dados de forma eficiente, sem a necessidade de escrever código repetitivo.

Aprenda a realizar operações matemáticas de forma eficiente em arrays do NumPy. Aplique essas operações para resolver problemas do mundo real e obtenha uma compreensão mais profunda de como os cálculos vetorizados aceleram a análise numérica.

Fatiamento em Arrays 2D

Solução