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

**Indexation booléenne** (également appelée **indexation par tableau booléen**) permet de sélectionner des éléments dans un tableau en fonction de certaines conditions. Ce type d'indexation est extrêmement utile pour filtrer efficacement les données dans les tableaux, en particulier dans les grands ensembles.

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.

## Tableaux booléens

Pour comprendre le fonctionnement de l'indexation booléenne, il est d'abord nécessaire de comprendre ce que sont les **tableaux booléens**.

Un **tableau booléen** est un tableau composé d'éléments, chacun pouvant être soit `True` soit `False`.

Définition

Un tel tableau peut être créé soit en spécifiant **explicitement** ses éléments, soit en fonction d'une **condition** appliquée aux éléments d'un tableau donné.

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)

Ici, `array` est un tableau d'entiers de `1` à `10` **inclus**. Nous créons ensuite un **tableau booléen** nommé `boolean_array` basé sur la condition `array > 5`. Cela signifie que si un élément de `array` est **supérieur à** `5` (condition `True`), l'élément correspondant dans `boolean_array` à cet indice est `True` ; sinon, il est `False`.

Le tableau supérieur est notre tableau initial où les éléments **verts** ne correspondent pas à la condition, et les éléments **violets** correspondent à la condition. Le tableau inférieur est notre **tableau booléen** créé.

## Indexation par tableau booléen

L’**indexation booléenne** fonctionne de manière assez simple : il suffit d’indiquer le tableau booléen entre **crochets**. Les éléments résultants sont ceux dont les indices correspondent aux éléments ayant la valeur `True` dans le **tableau booléen**.

On peut voir que les éléments ayant la valeur `True` ont des indices allant de `5` à `9`. En conséquence, les éléments du `array` à ces indices sont retournés via l’**indexation booléenne** (l’illustration ci-dessus correspond à ce code) :

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

On vous donne un tableau représentant les températures quotidiennes (en °C) pour une semaine. Laquelle des propositions suivantes permet de récupérer toutes les températures supérieures à 25°C ?

Libérez tout le potentiel de la bibliothèque la plus essentielle de Python pour le calcul numérique, NumPy. Ce cours complet est conçu pour vous faire passer d'une compréhension débutante à un niveau avancé de maîtrise de NumPy. Que vous soyez data scientist, ingénieur, chercheur ou développeur, la maîtrise de NumPy est essentielle pour une manipulation efficace des données, le calcul scientifique et l'apprentissage automatique.

Explorez les applications de NumPy et comprenez pourquoi il s'agit de l'une des bibliothèques les plus populaires pour le calcul numérique. Découvrez les différentes méthodes de création et d'initialisation des tableaux afin de répondre efficacement à divers besoins en données.

Découvrez comment accéder à des éléments spécifiques et à des sous-ensembles dans les tableaux NumPy en utilisant la notation d'index. Apprenez à appliquer l'indexation conditionnelle pour filtrer les données et gérer efficacement les valeurs manquantes.

NumPy propose de nombreuses fonctions intégrées pour effectuer des opérations courantes sur les tableaux. Découvrez comment utiliser ces outils pour transformer, agréger et analyser les données efficacement sans écrire de code répétitif.

Apprenez à effectuer des opérations mathématiques efficacement sur des tableaux NumPy. Appliquez ces opérations pour résoudre des problèmes concrets et acquérez une compréhension approfondie de la manière dont les calculs vectorisés accélèrent l'analyse numérique.