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)

**Boolsk indeksering** (også kjent som **boolsk array-indeksering**) gjør det mulig å velge elementer i en matrise basert på bestemte betingelser. Denne typen indeksering er svært nyttig for effektiv filtrering av data i matriser, spesielt i store matriser.

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.

## Boolsk matrise

For å forstå hvordan boolsk indeksering fungerer, må du først forstå hva **boolske matriser** er.

En **boolsk matrise** er en matrise som består av elementer, hvor hvert element kan være enten `True` eller `False`.

Definisjon

Et slikt array kan opprettes enten ved å **eksplisitt** angi elementene eller basert på en bestemt **betingelse** for elementene i et gitt 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)

Her er `array` et array med heltall fra `1` til `10` **inkludert**. Deretter opprettes et **boolsk array** kalt `boolean_array` basert på betingelsen `array > 5`. Dette betyr at hvis et bestemt element i `array` er **større enn** `5` (betingelsen er `True`), vil elementet i `boolean_array` på denne indeksen være `True`; ellers er det `False`.

Den øverste matrisen er vår opprinnelige matrise der **grønne** elementer ikke oppfyller betingelsen, og **lilla** elementer oppfyller betingelsen. Den nederste matrisen er vår opprettede **boolske matrise**.

## Boolsk matriseindeksering

**Boolsk indeksering** fungerer ganske enkelt: du angir bare den boolske matrisen i **firkantede parenteser**. De resulterende elementene er de med indeksene som tilsvarer elementene med `True`-verdier i den **boolske matrisen**.

Du kan se at elementene med `True`-verdier har indekser fra `5` til `9`. Som et resultat returneres elementene i `array` på disse indeksene gjennom **boolsk indeksering** (bildet over tilsvarer denne koden):

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

Du har et array som representerer daglige temperaturer (i °C) for en uke. Hvilket av følgende henter ut alle temperaturer over 25°C?

Lås opp det fulle potensialet til Pythons mest essensielle bibliotek for numerisk databehandling, NumPy. Dette omfattende kurset er utformet for å ta deg fra et nybegynnernivå til avansert ferdighet i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelig databehandling og maskinlæring.

Utforsk bruksområdene til NumPy og forstå hvorfor det er et av de mest populære bibliotekene for numerisk databehandling. Lær de ulike metodene for å opprette og initialisere matriser for å håndtere ulike databehov effektivt.

Utforsk hvordan du får tilgang til spesifikke elementer og delmengder i NumPy-arrays ved hjelp av indeksnotasjon. Lær å bruke betinget indeksering for å filtrere data og håndtere manglende verdier effektivt.

NumPy tilbyr mange innebygde funksjoner for å utføre vanlige array-operasjoner. Lær hvordan du kan bruke disse verktøyene til å transformere, aggregere og analysere data effektivt uten å skrive repeterende kode.

Lær hvordan du utfører matematiske operasjoner effektivt på NumPy-arrays. Bruk disse operasjonene for å løse virkelige problemer og få en dypere forståelse av hvordan vektoriserte beregninger akselererer numerisk analyse.

Boolsk Indeksering

Boolsk matrise

Boolsk matriseindeksering