Summary  
Boolean indexing applies a Boolean mask of the same dimensions as a multi-dimensional array to filter and retrieve only the elements that meet specified conditions, always returning a flattened one-dimensional array of matches.

General domain of usage  
Data analysis

Watch this video to see how boolean indexing works in 2D numpy arrays. You'll learn how to construct boolean conditions, apply them to extract specific elements, and understand the resulting 1D output. Visual examples will help you connect the code to the array's structure, reinforcing how boolean arrays map to your data.

**Boolsk indeksering** i 2D- og høyere-dimensjonale matriser fungerer på samme måte som for 1D-matriser. Den boolske matrisen må imidlertid ha **samme antall dimensjoner** som den opprinnelige matrisen (for eksempel 2D for todimensjonale matriser). Den returnerte matrisen vil derimot 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. Igjen samsvarer **lilla** elementer med betingelsene, og **grønne** elementer gjør det ikke. Når du bruker `array_2d[(array_2d < 3) | (array_2d >= 8)]`, får du en 1D-matrise med **lilla** elementer.

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 formatted feedback"""
    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):
        # Очікувані дані
        cls.city_temperatures = np.array([[12, 18, 25, 14],
                                          [32, 20, 28, 35]])
        cls.expected = cls.city_temperatures[
            (cls.city_temperatures <= 15) | (cls.city_temperatures > 30)
        ]

    def test_boolean_filter_and_print(self):
        """1–2. Boolean indexing applied correctly and printed"""
        # Виконуємо код користувача і перехоплюємо stdout
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue().strip()

        # Перевірка, що результат містить усі очікувані значення
        expected_values = [str(x) for x in self.expected.flatten()]
        contains_expected = all(val in output for val in expected_values)

        # Перевірка, що вивід не містить інших (зайвих) елементів із початкового масиву
        disallowed = [x for x in self.city_temperatures.flatten() if x not in self.expected]
        contains_disallowed = any(str(x) in output for x in disallowed)

        _dynamic_test(
            self,
            contains_expected and not contains_disallowed,
            "Boolean indexing and print output correct",
            "Boolean indexing incorrect or print output missing/wrong",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

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 i 2D-arrays

Løsning