**Boolsk indeksering** i 2D og høyere-dimensjonale matriser fungerer på samme måte som 1D-arrayer. Imidlertid må den boolske matrisen ha **samme antall dimensjoner** som den opprinnelige matrisen (f.eks. 2D for todimensjonale matriser). Den returnerte matrisen vil imidlertid være **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)])

Den **boolske matrisen** til høyre er den resulterende boolske matrisen av disse to kombinerte betingelsene. Nok en gang, **lilla** elementer samsvarer med betingelsene, og **grønne** elementer gjør det ikke. Så når vi bruker `array_2d[(array_2d < 3) | (array_2d >= 8)]`, får vi en 1D-matrise av **lilla** elementer.

Lås opp det fulle potensialet til Pythons mest essensielle bibliotek for numerisk databehandling, NumPy. Dette omfattende kurset er designet for å ta deg fra en nybegynnerforståelse til et avansert nivå av ferdigheter i NumPy. Enten du er en dataforsker, ingeniør, forsker eller utvikler, er det viktig å mestre NumPy for effektiv datamanipulering, vitenskapelig databehandling og maskinlæring.

Først og fremst vil vi diskutere bruksområdene til NumPy og hvorfor det er populært. Deretter vil du lære ulike muligheter for å opprette forskjellige matriser i NumPy.

Det er nå på tide å lære hvordan du bruker indeksnotasjon for å hente spesifikke elementer eller delsett av data fra matriser. Du vil også lære hvordan du bruker indekser for å hente data basert på visse betingelser og håndtere manglende verdier.

Det er ganske mange vanlige operasjoner på matriser som du kanskje vil utføre. Heldigvis har NumPy innebygde funksjoner og metoder for dette formålet som du vil lære her.

Det er på tide å oppdage hvordan man effektivt bruker matematiske operasjoner på NumPy-arrays og anvender dem i noen virkelige problemer.

Boolsk Indeksering i 2D-Arrays

Løsning

Boolsk Indeksering i 2D-Arrays

Løsning