Summary  
Boolean indexing shows how to apply a boolean mask of the same shape to a 2D array to filter elements based on conditions and return them as a 1D array.

General domain of usage  
Data analysis

Watch this video to see how boolean indexing works in 2D numpy arrays. You'll learn how to construct boolean conditions, apply them to extract specific elements, and understand the resulting 1D output. Visual examples will help you connect the code to the array's structure, reinforcing how boolean arrays map to your data.

**Boolesk indeksering** i 2D- og højere-dimensionelle arrays fungerer på samme måde som i 1D-arrays. Den booleske array skal dog have **samme antal dimensioner** som den oprindelige array (f.eks. 2D for todimensionelle arrays). Den returnerede array vil dog være **1D**.

import numpy as np
array_2d = np.array([
   [1, 2, 3],
   [4, 5, 6],
   [7, 8, 9]
])
# Retrieving elements less than 3 or greater than OR greater than or equal to 8
print(array_2d[(array_2d < 3) | (array_2d >= 8)])

Den **booleske array** til højre er den resulterende booleske array af disse to kombinerede betingelser. Igen matcher **lilla** elementer betingelserne, og **grønne** elementer gør ikke. Når `array_2d[(array_2d < 3) | (array_2d >= 8)]` anvendes, fås en 1D-array af **lilla** elementer.

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 formatted feedback"""
    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):
        # Очікувані дані
        cls.city_temperatures = np.array([[12, 18, 25, 14],
                                          [32, 20, 28, 35]])
        cls.expected = cls.city_temperatures[
            (cls.city_temperatures <= 15) | (cls.city_temperatures > 30)
        ]

    def test_boolean_filter_and_print(self):
        """1–2. Boolean indexing applied correctly and printed"""
        # Виконуємо код користувача і перехоплюємо stdout
        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().strip()

        # Перевірка, що результат містить усі очікувані значення
        expected_values = [str(x) for x in self.expected.flatten()]
        contains_expected = all(val in output for val in expected_values)

        # Перевірка, що вивід не містить інших (зайвих) елементів із початкового масиву
        disallowed = [x for x in self.city_temperatures.flatten() if x not in self.expected]
        contains_disallowed = any(str(x) in output for x in disallowed)

        _dynamic_test(
            self,
            contains_expected and not contains_disallowed,
            "Boolean indexing and print output correct",
            "Boolean indexing incorrect or print output missing/wrong",
        )


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


test_code.py

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 i 2D-Arrays

Løsning