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

**Булеве індексування** у двовимірних та багатовимірних масивах працює аналогічно до одномірних масивів. Однак булевий масив повинен мати **таку ж кількість вимірів**, як і початковий масив (наприклад, 2D для двовимірних масивів). Повернутий масив, однак, буде **одновимірним**.

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)])

**Булевий масив** праворуч — це результат об'єднання двох умов. Знову ж таки, **фіолетові** елементи відповідають умовам, а **зелені** — ні. Тому при застосуванні `array_2d[(array_2d < 3) | (array_2d >= 8)]` отримуємо одновимірний масив із **фіолетових** елементів.

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

Відкрийте повний потенціал найважливішої бібліотеки Python для чисельних обчислень — NumPy. Цей комплексний курс розроблений для того, щоб провести вас від початкового рівня до поглибленого володіння NumPy. Незалежно від того, чи ви дата-сайентіст, інженер, дослідник або розробник, опанування NumPy є необхідним для ефективної обробки даних, наукових обчислень і машинного навчання.

Дослідження застосувань NumPy та розуміння причин його популярності серед бібліотек для чисельних обчислень. Ознайомлення з різними способами створення та ініціалізації масивів для ефективної обробки різноманітних даних.

Дізнайтеся, як отримувати доступ до окремих елементів і підмножин у масивах NumPy за допомогою індексної нотації. Ознайомтеся із застосуванням умовного індексування для фільтрації даних і ефективного керування відсутніми значеннями.

NumPy надає багато вбудованих функцій для виконання типових операцій з масивами. Дізнайтеся, як застосовувати ці інструменти для ефективного перетворення, агрегації та аналізу даних без написання повторюваного коду.

Дізнайтеся, як ефективно виконувати математичні операції над масивами NumPy. Застосовуйте ці операції для розв'язання реальних задач і отримайте глибше розуміння того, як векторизовані обчислення прискорюють числовий аналіз.

Булеве Індексування у Двовимірних Масивах

Рішення