Summary  
This chapter explains how to apply comparison operators to arrays to produce boolean masks and how to combine those masks with logical and/or operators to filter array elements.  

General domain of usage  
Data analysis

Watch this video to get a clear visual and auditory explanation of how comparison operators and boolean indexing work in NumPy arrays. You'll see practical examples of using operators like `>`, `<`, `==`, and how to combine multiple conditions with `&` (and) and `|` (or). This will help you understand how to filter and select data efficiently in your NumPy workflows.

De flesta villkor du kommer att använda är **jämförelser**, så det är viktigt att diskutera dem mer ingående. Jämförelser baseras på följande jämförelseoperatorer:
* `>` (större än);
* `<` (mindre än);
* `>=` (större än eller lika med);
* `<=` (mindre än eller lika med);
* `==` (lika med);
* `!=` (inte lika med).

Dessutom kan du **kombinera** flera villkor och jämförelser med hjälp av följande logiska operatorer:
* `&` (logiskt **och**);
* `|` (logiskt **eller**).

Om minst ett av villkoren är `True`, returnerar `|` `True`; annars returneras `False`. Om minst ett av villkoren är `False`, returnerar `&` `False`; annars returneras `True`. 

Varje villkor ska omslutas av parenteser `()` när de kombineras.

Notera

import numpy as np
# Creating an array of integers from 1 to 10 inclusive
array = np.arange(1, 11)
# Retrieving elements greater than or equal to 5 AND less than 9
print(array[(array >= 5) & (array < 9)])
# Retrieving elements less than or equal to 4 AND not equal to 2
print(array[(array != 2) & (array <= 4)])
# Retrieving elements less than 3 OR equal to 8
print(array[(array < 3) | (array == 8)])
# Retrieving elements between 2 inclusive AND 5 inclusive OR equal to 9
print(array[(array >= 2) & (array <= 5) | (array == 9)])

Låt oss nu titta på följande visualisering för att bättre förstå koden (**röda** rutor representerar de faktiska hämtade elementen):

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 result messages"""
    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):
        # Імпортуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Очікувані результати
        cls.product_ratings = np.array([4, 2, 5, 3, 7, 1])
        cls.expected_filtered = cls.product_ratings[
            (cls.product_ratings >= 3) & (cls.product_ratings != 5)
        ]

    def test_boolean_filter_correctness(self):
        """1. Перевірка правильності булевого фільтра"""
        # Перехоплюємо вивід користувача
        f = io.StringIO()
        with redirect_stdout(f):
            spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
            module = importlib.util.module_from_spec(spec)
            spec.loader.exec_module(module)
        output = f.getvalue().strip()

        # Підготовка очікуваного текстового представлення
        expected_str = np.array2string(self.expected_filtered, separator=' ')
        # Перевіряємо, що всі елементи виведено правильно
        contains_values = all(str(x) in output for x in self.expected_filtered)

        _dynamic_test(
            self,
            contains_values and str(5) not in output and "2" not in output and "1" not in output,
            "Boolean indexing applied correctly",
            "Boolean indexing incorrect or wrong output",
        )


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


test_code.py

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.

Mer om Jämförelser

Lösning