Summary  
Boolean indexing uses boolean arrays—created by applying conditions to an existing array—as masks to select and extract elements by placing the boolean array in square brackets.

General domain of usage  
Data analysis

**Boolesches Indexing** (auch bekannt als **boolesches Array-Indexing**) ermöglicht das Auswählen von Elementen in einem Array basierend auf bestimmten Bedingungen. Diese Art des Indexings ist äußerst nützlich, um Daten in Arrays effizient zu filtern, insbesondere bei großen 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.

## Boolesche Arrays

Um zu verstehen, wie boolesches Indexing funktioniert, müssen wir zunächst verstehen, was **boolesche Arrays** sind.

Ein **boolesches Array** ist ein Array, das aus Elementen besteht, von denen jedes entweder `True` oder `False` sein kann.

Definition

Ein solches Array kann entweder durch **explizite** Angabe seiner Elemente oder basierend auf einer bestimmten **Bedingung** für die Elemente eines bestimmten Arrays erstellt werden.

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)

Hier ist `array` ein Array von Ganzzahlen von `1` bis einschließlich `10`. Anschließend wird ein **boolesches Array** mit dem Namen `boolean_array` basierend auf der Bedingung `array > 5` erstellt. Das bedeutet, dass wenn ein bestimmtes Element von `array` **größer als** `5` ist (Bedingung ist `True`), das Element in `boolean_array` an diesem Index `True` ist; andernfalls ist es `False`.

Das obere Array ist unser Anfangsarray, wobei **grüne** Elemente die Bedingung nicht erfüllen und **lila** Elemente die Bedingung erfüllen. Das untere Array ist unser erstelltes **Boolesches Array**.

## Boolesches Array-Indexing

**Boolesches Indexing** funktioniert sehr einfach: Das boolesche Array wird einfach in **eckigen Klammern** angegeben. Die resultierenden Elemente sind diejenigen mit den Indizes, die den Elementen mit `True`-Werten im **booleschen Array** entsprechen.

Es ist zu erkennen, dass die Elemente mit `True`-Werten Indizes von `5` bis `9` haben. Folglich werden die Elemente des `array` an diesen Indizes durch **boolesches Indexing** zurückgegeben (die obige Abbildung entspricht diesem Code):

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

Gegeben ist ein Array, das die täglichen Temperaturen (in °C) für eine Woche darstellt. Welche der folgenden Optionen gibt alle Temperaturen über 25°C zurück?

Entfesseln Sie das volle Potenzial von Pythons wichtigster Bibliothek für numerisches Rechnen, NumPy. Dieser umfassende Kurs ist darauf ausgelegt, Sie von grundlegenden Kenntnissen bis hin zu fortgeschrittener NumPy-Kompetenz zu führen. Ob Datenwissenschaftler, Ingenieur, Forscher oder Entwickler – die Beherrschung von NumPy ist unerlässlich für effiziente Datenmanipulation, wissenschaftliches Rechnen und maschinelles Lernen.

Erkunden Sie die Anwendungen von NumPy und verstehen Sie, warum es eine der beliebtesten Bibliotheken für numerische Berechnungen ist. Lernen Sie die verschiedenen Methoden zur Erstellung und Initialisierung von Arrays kennen, um unterschiedliche Datenanforderungen effizient zu bewältigen.

Erfahren Sie, wie Sie mit Indexnotation auf bestimmte Elemente und Teilmengen in NumPy-Arrays zugreifen. Lernen Sie, bedingte Indizierung anzuwenden, um Daten zu filtern und fehlende Werte effizient zu verwalten.

NumPy bietet viele integrierte Funktionen zur Durchführung gängiger Array-Operationen. Lernen Sie, wie Sie diese Werkzeuge anwenden, um Daten effizient zu transformieren, zu aggregieren und zu analysieren, ohne wiederholten Code schreiben zu müssen.

Erfahren Sie, wie mathematische Operationen effizient auf NumPy-Arrays durchgeführt werden. Wenden Sie diese Operationen an, um reale Probleme zu lösen, und gewinnen Sie ein tieferes Verständnis dafür, wie vektorisierte Berechnungen die numerische Analyse beschleunigen.

Boolesches Indexieren

Boolesche Arrays

Boolesches Array-Indexing