Summary  
This chapter explains how to use comparison operators (>, <, >=, <=, ==, !=) together with logical operators (&, |) to perform boolean indexing and filter elements in an array based on multiple conditions.

General domain of usage  
Data analysis

Useimmat käyttämäsi ehdot ovat **vertailuja**, joten on tärkeää käsitellä niitä tarkemmin. Vertailut perustuvat seuraaviin vertailuoperaattoreihin:
* `>` (suurempi kuin);
* `<` (pienempi kuin);
* `>=` (suurempi tai yhtä suuri kuin);
* `<=` (pienempi tai yhtä suuri kuin);
* `==` (yhtä suuri kuin);
* `!=` (eri suuri kuin).

Lisäksi voit **yhdistää** useita ehtoja ja vertailuja seuraavilla loogisilla operaattoreilla:
* `&` (looginen **ja**);
* `|` (looginen **tai**).

Jos vähintään yksi ehdoista on `True`, `|` palauttaa `True`; muuten se palauttaa `False`. Jos vähintään yksi ehdoista on `False`, `&` palauttaa `False`; muuten se palauttaa `True`. 

Jokainen ehto tulee laittaa sulkeisiin `()` niitä yhdistettäessä.

Huomio

import numpy as np
# Creating an array of integers from 1 to 10 inclusive
array = np.arange(1, 11)
# Retrieving elements greater than or equal to 5 AND less than 9
print(array[(array >= 5) & (array < 9)])
# Retrieving elements less than or equal to 4 AND not equal to 2
print(array[(array != 2) & (array <= 4)])
# Retrieving elements less than 3 OR equal to 8
print(array[(array < 3) | (array == 8)])
# Retrieving elements between 2 inclusive AND 5 inclusive OR equal to 9
print(array[(array >= 2) & (array <= 5) | (array == 9)])

Tarkastellaan seuraavaksi alla olevaa visualisointia, jotta koodi hahmottuu paremmin (**punaiset** ruudut kuvaavat varsinaisia haettuja alkioita):

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 result messages"""
    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):
        # Імпортуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Очікувані результати
        cls.product_ratings = np.array([4, 2, 5, 3, 7, 1])
        cls.expected_filtered = cls.product_ratings[
            (cls.product_ratings >= 3) & (cls.product_ratings != 5)
        ]

    def test_boolean_filter_correctness(self):
        """1. Перевірка правильності булевого фільтра"""
        # Перехоплюємо вивід користувача
        f = io.StringIO()
        with redirect_stdout(f):
            spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
            module = importlib.util.module_from_spec(spec)
            spec.loader.exec_module(module)
        output = f.getvalue().strip()

        # Підготовка очікуваного текстового представлення
        expected_str = np.array2string(self.expected_filtered, separator=' ')
        # Перевіряємо, що всі елементи виведено правильно
        contains_values = all(str(x) in output for x in self.expected_filtered)

        _dynamic_test(
            self,
            contains_values and str(5) not in output and "2" not in output and "1" not in output,
            "Boolean indexing applied correctly",
            "Boolean indexing incorrect or wrong output",
        )


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.

Lisää Vertailuista

Ratkaisu