Summary  
Boolean indexing shows how to apply a boolean mask of the same shape to a 2D array to filter elements based on conditions and return them as a 1D array.

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.

**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. Portanto, 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 um 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 maneiras de criar e inicializar arrays para lidar de forma eficiente com diversas necessidades de dados.

Descubra como acessar elementos específicos e subconjuntos em arrays 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