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

**Indicizzazione booleana** (nota anche come **indicizzazione tramite array booleani**) consente di selezionare elementi in un array in base a determinate condizioni. Questo tipo di indicizzazione è estremamente utile per filtrare in modo efficiente i dati negli array, specialmente in quelli di grandi dimensioni.

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.

## Array booleani

Per comprendere come funziona l'indicizzazione booleana, è necessario prima capire cosa sono gli **array booleani**.

Un **array booleano** è un array composto da elementi, ognuno dei quali può essere `True` oppure `False`.

Definizione

Un array di questo tipo può essere creato sia **esplicitamente** specificando i suoi elementi, sia in base a una certa **condizione** sugli elementi di un determinato array.

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)

Qui, `array` è un array di numeri interi da `1` a `10` **inclusi**. Successivamente, viene creato un **array booleano** chiamato `boolean_array` in base alla condizione `array > 5`. Questo significa che se un certo elemento di `array` è **maggiore di** `5` (condizione `True`), l'elemento corrispondente in `boolean_array` sarà `True`; altrimenti sarà `False`.

L'array superiore è il nostro array iniziale dove gli elementi **verdi** non soddisfano la condizione, mentre gli elementi **viola** soddisfano la condizione. L'array inferiore è il nostro **array booleano** creato.

## Indicizzazione con Array Booleani

L'**indicizzazione booleana** funziona in modo piuttosto semplice: basta specificare l'array booleano tra **parentesi quadre**. Gli elementi risultanti sono quelli con gli indici corrispondenti ai valori `True` nell'**array booleano**.

Si può notare che gli elementi con valore `True` hanno indici da `5` a `9`. Di conseguenza, gli elementi dell'`array` a questi indici vengono restituiti tramite **indicizzazione booleana** (l'immagine sopra corrisponde a questo codice):

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

Ti viene fornito un array che rappresenta le temperature giornaliere (in °C) di una settimana. Quale delle seguenti opzioni recupera tutte le temperature superiori a 25°C?

Sblocca il pieno potenziale della libreria più essenziale di Python per il calcolo numerico, NumPy. Questo corso completo è progettato per portarti da una comprensione da principiante a un livello avanzato di competenza in NumPy. Che tu sia un data scientist, un ingegnere, un ricercatore o uno sviluppatore, padroneggiare NumPy è fondamentale per una manipolazione efficiente dei dati, il calcolo scientifico e il machine learning.

Esplora le applicazioni di NumPy e comprendi perché è una delle librerie più popolari per il calcolo numerico. Scopri i diversi modi per creare e inizializzare array per gestire in modo efficiente varie esigenze di dati.

Scopri come accedere a elementi specifici e sottoinsiemi negli array NumPy utilizzando la notazione degli indici. Apprendi come applicare l'indicizzazione condizionale per filtrare i dati e gestire in modo efficiente i valori mancanti.

NumPy offre molte funzioni integrate per eseguire operazioni comuni sugli array. Scopri come applicare questi strumenti per trasformare, aggregare e analizzare i dati in modo efficiente senza scrivere codice ripetitivo.

Impara come eseguire operazioni matematiche in modo efficiente sugli array NumPy. Applica queste operazioni per risolvere problemi reali e acquisisci una comprensione più approfondita di come i calcoli vettorializzati accelerano l'analisi numerica.