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)

**Boolesk indexering** (även känt som **boolesk array-indexering**) gör det möjligt att välja element i en array baserat på vissa villkor. Denna typ av indexering är mycket användbar för att effektivt filtrera data i arrayer, särskilt i stora sådana.

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.

## Booleska arrayer

För att förstå hur boolesk indexering fungerar behöver du först förstå vad **booleska arrayer** är.

En **boolesk array** är en array som består av element där varje element kan vara antingen `True` eller `False`.

Definition

En sådan array kan skapas antingen genom att **explicit** ange dess element eller baserat på ett visst **villkor** för elementen i en specifik 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)

Här är `array` en array av heltal från `1` till `10` **inklusive**. Du skapar sedan en **boolean-array** med namnet `boolean_array` baserat på villkoret `array > 5`. Detta innebär att om ett visst element i `array` är **större än** `5` (villkoret är `True`), är elementet i `boolean_array` på denna index `True`; annars är det `False`.

Den övre arrayen är vår ursprungliga array där **gröna** element inte uppfyller villkoret, och **lila** element uppfyller villkoret. Den undre arrayen är vår skapade **booleska array**.

## Boolesk arrayindexering

**Boolesk indexering** fungerar på ett mycket enkelt sätt: du anger helt enkelt den booleska arrayen inom **hakparenteser**. De resulterande elementen är de med index som motsvarar elementen med `True`-värden i den **booleska arrayen**.

Du kan se att elementen med `True`-värden har index från `5` till `9`. Som ett resultat returneras elementen i `array` på dessa index genom **boolesk indexering** (bilden ovan motsvarar denna kod):

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 en array som representerar dagliga temperaturer (i °C) för en vecka. Vilket av följande hämtar alla temperaturer över 25°C?

Lås upp den fulla potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad kompetens i NumPy. Oavsett om du är data scientist, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskapliga beräkningar och maskininlärning.

Utforska användningsområdena för NumPy och förstå varför det är ett av de mest populära biblioteken för numerisk beräkning. Lär dig de olika sätten att skapa och initiera arrayer för att effektivt hantera olika databehov.

Upptäck hur du får åtkomst till specifika element och delmängder i NumPy-arrayer med hjälp av indexnotation. Lär dig att använda villkorsbaserad indexering för att filtrera data och hantera saknade värden effektivt.

NumPy tillhandahåller många inbyggda funktioner för att utföra vanliga arrayoperationer. Lär dig hur du använder dessa verktyg för att effektivt transformera, aggregera och analysera data utan att skriva repetitiv kod.

Lär dig hur du utför matematiska operationer effektivt på NumPy-arrayer. Använd dessa operationer för att lösa verkliga problem och få en djupare förståelse för hur vektoriserade beräkningar påskyndar numerisk analys.

Boolesk Indexering

Booleska arrayer

Boolesk arrayindexering