Summary  
This chapter explains how to use boolean indexing on a 2D array by applying a same-shaped boolean mask of combined conditions to filter elements, which returns a 1D array of the selected values.  

General domain of usage  
Data analysis

**Booletin indeksointi** 2D- ja korkeamman ulottuvuuden taulukoissa toimii samalla tavalla kuin 1D-taulukoissa. Booletin taulukolla täytyy kuitenkin olla **sama määrä ulottuvuuksia** kuin alkuperäisellä taulukolla (esim. 2D kaksiulotteisille taulukoille). Palautettu taulukko on kuitenkin **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)])

**Booletin taulukko** oikealla on näiden kahden yhdistetyn ehdon tuloksena syntyvä booletin taulukko. Jälleen kerran, **violetit** alkiot täyttävät ehdot ja **vihreät** eivät. Kun siis käytetään `array_2d[(array_2d < 3) | (array_2d >= 8)]`, saadaan 1D-taulukko, jossa on **violetit** alkiot.

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

Hyödynnä Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi vie sinut NumPyn perusteista edistyneeseen osaamiseen. Olitpa 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 numeerisen laskennan kirjastoista. 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 useita sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi hyödyntämään näitä työkaluja datan muunteluun, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

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

Looginen Indeksointi 2D-Taulukoissa

Ratkaisu

Looginen Indeksointi 2D-Taulukoissa

Ratkaisu