Summary  
This chapter explains how to use boolean indexing on a 2D array by applying a same-shaped boolean mask of combined conditions to filter elements, which returns a 1D array of the selected values.  

General domain of usage  
Data analysis

**Indexação booleana** em arrays 2D e de dimensões superiores funciona de forma semelhante aos arrays 1D. No entanto, o array booleano deve ter o **mesmo número de dimensões** que o array original (por exemplo, 2D para arrays bidimensionais). O array retornado, porém, será **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)])

O **array booleano** à direita é o array booleano resultante dessas duas condições combinadas. Novamente, os elementos em **roxo** correspondem às condições, e os elementos em **verde** não correspondem. Assim, ao aplicar `array_2d[(array_2d < 3) | (array_2d >= 8)]`, obtemos um array 1D com os elementos **roxos**.

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

Desbloqueie todo o potencial da biblioteca mais essencial do Python para computação numérica, o NumPy. Este curso abrangente foi desenvolvido para levar você de um entendimento iniciante a um nível avançado de proficiência em NumPy. Seja você cientista de dados, engenheiro, pesquisador ou desenvolvedor, dominar o NumPy é fundamental para manipulação eficiente de dados, computação científica e aprendizado de máquina.

Explore as aplicações do NumPy e compreenda por que é uma das bibliotecas mais populares para computação numérica. Aprenda as diferentes formas de criar e inicializar arrays para lidar de maneira eficiente com diversas necessidades de dados.

Descubra como acessar elementos específicos e subconjuntos em arrays do NumPy utilizando notação de índice. Aprenda a aplicar indexação condicional para filtrar dados e gerenciar valores ausentes de forma eficiente.

O NumPy oferece diversas funções integradas para realizar operações comuns em arrays. Aprenda a aplicar essas ferramentas para transformar, agregar e analisar dados de forma eficiente, sem a necessidade de escrever código repetitivo.

Aprenda a realizar operações matemáticas de forma eficiente em arrays do NumPy. Aplique essas operações para resolver problemas do mundo real e obtenha uma compreensão mais profunda de como os cálculos vetorizados aceleram a análise numérica.

Indexação Booleana em Arrays 2D

Solução

Awesome!

Indexação Booleana em Arrays 2D

Solução