**Boolesches Indexing** (auch bekannt als **boolesches Array-Indexing**) ermöglicht es uns, Elemente in einem Array basierend auf bestimmten Bedingungen auszuwählen. Diese Art des Indexings ist äußerst nützlich, um Daten in Arrays effizient zu filtern, insbesondere in großen.

## Boolesche Arrays

Um zu verstehen, wie boolesches Indexing funktioniert, müssen wir zuerst verstehen, was **boolesche Arrays** sind.

Ein solches Array kann entweder durch **explizite** Angabe seiner Elemente oder basierend auf einer bestimmten **Bedingung** für die Elemente eines bestimmten Arrays erstellt werden.

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)

Hier ist `array` ein Array von ganzen Zahlen von `1` bis `10` **einschließlich**. Wir erstellen dann ein **boolesches Array** namens `boolean_array` basierend auf der Bedingung `array > 5`. Das bedeutet, dass wenn ein bestimmtes Element von `array` **größer als** `5` ist (Bedingung ist `True`), das Element in `boolean_array` an diesem Index `True` ist; andernfalls ist es `False`.

Das obere Array ist unser ursprüngliches Array, bei dem **grüne** Elemente nicht der Bedingung entsprechen und **lila** Elemente der Bedingung entsprechen. Das untere Array ist unser erstelltes **boolesches Array**.

## Boolesches Array-Indexing

**Boolesches Indexing** funktioniert ziemlich einfach: Sie geben einfach das boolesche Array in **eckigen Klammern** an. Die resultierenden Elemente sind diejenigen mit den Indizes, die den Elementen mit `True`-Werten im **booleschen Array** entsprechen.

Sie können sehen, dass die Elemente mit `True`-Werten Indizes von `5` bis `9` haben. Dadurch werden die Elemente des `array` an diesen Indizes durch **boolesches Indexing** zurückgegeben (das obige Bild entspricht diesem Code):

import numpy as np
# Creating an array of integers from 1 to 10 inclusive
array = np.arange(1, 11)
print(array[array > 5])

Sie haben ein Array, das die täglichen Temperaturen (in °C) für eine Woche darstellt. Welche der folgenden Optionen ruft alle Temperaturen ab, die größer als 25°C sind?

Entfesseln Sie das volle Potenzial von Pythons wichtigster Bibliothek für numerisches Rechnen, NumPy. Dieser umfassende Kurs ist darauf ausgelegt, Sie von einem Anfängerverständnis zu einem fortgeschrittenen Niveau der Beherrschung von NumPy zu führen. Egal, ob Sie Datenwissenschaftler, Ingenieur, Forscher oder Entwickler sind, die Beherrschung von NumPy ist entscheidend für effiziente Datenmanipulation, wissenschaftliches Rechnen und maschinelles Lernen.

Zunächst werden wir die Anwendungen von NumPy und warum es so beliebt ist besprechen. Anschließend lernen Sie verschiedene Möglichkeiten kennen, um unterschiedliche Arrays in NumPy zu erstellen.

Es ist nun an der Zeit zu lernen, wie man die Indexnotation verwendet, um spezifische Elemente oder Teilmengen von Daten aus Arrays abzurufen. Sie werden auch lernen, wie man Indizes verwendet, um Daten basierend auf bestimmten Bedingungen abzurufen und fehlende Werte zu behandeln.

Es gibt einige häufige Operationen an Arrays, die Sie möglicherweise durchführen möchten. Glücklicherweise hat NumPy eingebaute Funktionen und Methoden für diesen Zweck, die Sie hier lernen werden.

Es ist an der Zeit, herauszufinden, wie man mathematische Operationen effizient auf NumPy-Arrays anwendet und sie in einigen realen Problemen einsetzt.

Ultimatives Numpy

Boolesches Indexing

Boolesche Arrays

Boolesches Array-Indexing