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

**Boolesk indexering** i 2D- och högre-dimensionella arrayer fungerar på liknande sätt som i 1D-arrayer. Den booleska arrayen måste dock ha **samma antal dimensioner** som ursprungsarrayen (t.ex. 2D för tvådimensionella arrayer). Den returnerade arrayen kommer dock att vara **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 **booleska arrayen** till höger är den resulterande booleska arrayen av dessa två kombinerade villkor. Återigen matchar **lila** element villkoren, och **gröna** element gör det inte. När `array_2d[(array_2d < 3) | (array_2d >= 8)]` tillämpas får vi en 1D-array av **lila** element.

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 upp hela potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad skicklighet i NumPy. Oavsett om du är datavetare, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskaplig beräkning och maskininlärning.

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

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

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

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

Boolesk Indexering i 2D-Arrayer

Lösning

Awesome!

Boolesk Indexering i 2D-Arrayer

Lösning