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)

**Booletinen indeksointi** (tunnetaan myös nimellä **boolean-taulukon indeksointi**) mahdollistaa taulukon alkioiden valitsemisen tiettyjen ehtojen perusteella. Tämä indeksointitapa on erittäin hyödyllinen tietojen tehokkaaseen suodattamiseen taulukoissa, erityisesti suurissa taulukoissa.

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.

## Booletiset taulukot

Jotta ymmärtäisit, miten booletinen indeksointi toimii, sinun täytyy ensin ymmärtää, mitä **booletiset taulukot** ovat.

**Booletinen taulukko** on taulukko, jonka jokainen alkio voi olla joko `True` tai `False`.

Määritelmä

Tällainen taulukko voidaan luoda joko **määrittelemällä** sen alkiot **eksplisiittisesti** tai tietyn **ehdon** perusteella tietyn taulukon alkioille.

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)

Tässä `array` on kokonaislukutaulukko, jonka arvot ovat `1`–`10` **mukaan lukien**. Sen jälkeen luodaan **totuusarvotaulukko** nimeltä `boolean_array` ehdon `array > 5` perusteella. Tämä tarkoittaa, että jos jokin `array`-taulukon alkio on **suurempi kuin** `5` (ehto on `True`), vastaava alkio `boolean_array`-taulukossa on `True`; muussa tapauksessa se on `False`.

Ylempi matriisi on alkuperäinen matriisi, jossa **vihreät** alkiot eivät täytä ehtoa ja **violetit** alkiot täyttävät ehdon. Alempi matriisi on luotu **boolean-matriisi**.

## Boolean-matriisin indeksointi

**Boolean-indeksointi** toimii varsin suoraviivaisesti: määritä boolean-matriisi **hakaisiin sulkeisiin**. Tuloksena ovat ne alkiot, joiden indeksit vastaavat **boolean-matriisin** `True`-arvoja.

Voit nähdä, että `True`-arvoiset alkiot ovat indekseissä `5`–`9`. Tämän seurauksena näissä indekseissä olevat `array`-taulukon alkiot palautetaan **boolean-indeksoinnin** avulla (yllä oleva kuva vastaa tätä koodia):

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

Sinulle annetaan taulukko, joka esittää viikon päivittäiset lämpötilat (°C). Mikä seuraavista hakee kaikki lämpötilat, jotka ovat yli 25°C?

Avaa Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi on suunniteltu viemään sinut aloittelijan tasolta edistyneeksi NumPy-osaajaksi. Olitpa sitten data-analyytikko, insinööri, tutkija tai kehittäjä, NumPyn hallinta on olennaista tehokkaaseen datan käsittelyyn, tieteelliseen laskentaan ja koneoppimiseen.

Tutustu NumPyn käyttökohteisiin ja ymmärrä, miksi se on yksi suosituimmista kirjastoista numeeriseen laskentaan. Opiskele erilaisia tapoja luoda ja alustaa taulukoita erilaisten tietotarpeiden tehokkaaseen käsittelyyn.

Opi, kuinka NumPy-taulukoiden yksittäisiin alkioihin ja osajoukkoihin päästään käsiksi indeksimerkinnän avulla. Tutustu ehdollisen indeksoinnin käyttöön tietojen suodattamisessa ja puuttuvien arvojen hallinnassa tehokkaasti.

NumPy tarjoaa monia sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi käyttämään näitä työkaluja datan muuntamiseen, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

Opi suorittamaan matemaattisia operaatioita tehokkaasti NumPy-taulukoilla. Sovella näitä operaatioita todellisten ongelmien ratkaisemiseen ja syvennä ymmärrystäsi siitä, miten vektorisoidut laskutoimitukset nopeuttavat numeerista analyysiä.

Looginen Indeksointi

Booletiset taulukot

Boolean-matriisin indeksointi