Summary  
This chapter explains how to filter array elements by creating boolean arrays through conditional expressions and using those boolean arrays to index and extract matching elements.

General domain of usage  
Numerical data analysis (e.g., extracting days with temperatures above a threshold)

**Boolesk indeksering** (også kendt som **boolesk array-indeksering**) gør det muligt at udvælge elementer i et array baseret på bestemte betingelser. Denne type indeksering er særdeles nyttig til effektiv filtrering af data i arrays, især i store arrays.

This video covers the complete concept of boolean indexing in NumPy. You will learn what boolean arrays are, how to create them explicitly or by applying conditions to existing arrays, and how to use them for efficient filtering. Visual examples will demonstrate how boolean arrays map to data arrays and how boolean indexing extracts elements that meet specific criteria. The video also walks through practical code samples and explains the logic behind each step, including the quiz scenario involving temperature data. By the end, you will confidently use boolean indexing to select and manipulate data in NumPy arrays.

## Booleske arrays

For at forstå, hvordan boolesk indeksering fungerer, skal du først forstå, hvad **booleske arrays** er.

Et **boolesk array** er et array, der består af elementer, som hver især kan være enten `True` eller `False`.

Definition

Et sådant array kan oprettes enten ved **eksplicit** at angive dets elementer eller baseret på en bestemt **betingelse** for elementerne i et givent array.

import numpy as np
# Creating an array of integers from 1 to 10 inclusive
array = np.arange(1, 11)
# Creating a boolean array based on a condition
boolean_array = array > 5
print(boolean_array)

Her er `array` et array af heltal fra `1` til `10` **inklusive**. Du opretter derefter et **boolesk array** kaldet `boolean_array` baseret på betingelsen `array > 5`. Dette betyder, at hvis et bestemt element i `array` er **større end** `5` (betingelsen er `True`), vil elementet i `boolean_array` på denne indeks være `True`; ellers vil det være `False`.

Den øverste array er vores oprindelige array, hvor **grønne** elementer ikke opfylder betingelsen, og **lilla** elementer opfylder betingelsen. Den nederste array er vores oprettede **booleske array**.

## Boolesk array-indeksering

**Boolesk indeksering** fungerer ganske enkelt: du angiver blot den booleske array i **firkantede parenteser**. De resulterende elementer er dem med de indekser, der svarer til elementerne med `True` værdier i den **booleske array**.

Du kan se, at elementerne med `True`-værdier har indekser fra `5` til `9`. Som resultat returneres elementerne i `array` på disse indekser gennem **boolesk indeksering** (billedet ovenfor svarer til denne kode):

import numpy as np
# Creating an array of integers from 1 to 10 inclusive
array = np.arange(1, 11)
print(array[array > 5])

Du får et array, der repræsenterer daglige temperaturer (i °C) for en uge. Hvilket af følgende udtrækker alle temperaturer over 25°C?

Lås op for det fulde potentiale af Pythons mest essentielle bibliotek til numerisk beregning, NumPy. Dette omfattende kursus er designet til at tage 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 beregning og maskinlæring.

Udforsk anvendelserne af NumPy og forstå, hvorfor det er et af de mest populære biblioteker til numerisk databehandling. Lær de forskellige måder at oprette og initialisere arrays på for effektivt at håndtere 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.

Boolesk Indeksering

Booleske arrays

Boolesk array-indeksering