Summary  
The chapter explains how to perform element-wise comparison operations on arrays and combine them with logical operators to create boolean masks for filtering data.

General domain of usage  
Data analysis and processing

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.

Більшість умов, які використовуються, — це **порівняння**, тому важливо розглянути їх детальніше. Порівняння ґрунтуються на таких операторах порівняння:
* `>` (більше ніж);
* `<` (менше ніж);
* `>=` (більше або дорівнює);
* `<=` (менше або дорівнює);
* `==` (дорівнює);
* `!=` (не дорівнює).

Крім того, можна **комбінувати** кілька умов і порівнянь за допомогою таких логічних операторів:
* `&` (логічне **і**);
* `|` (логічне **або**).

Якщо хоча б одна з умов дорівнює `True`, то `|` повертає `True`; інакше повертає `False`. Якщо хоча б одна з умов дорівнює `False`, то `&` повертає `False`; інакше повертає `True`. 

Кожну умову слід брати в дужки `()`, якщо вони комбінуються.

Примітка

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)])

Ознайомтеся з наступною візуалізацією для кращого розуміння коду (**червоні** квадрати позначають фактично отримані елементи):

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

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. Вивчення різних способів 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. Вивчення застосування умовної індексації для фільтрації даних і ефективного керування відсутніми значеннями.

NumPy надає багато вбудованих функцій для виконання поширених операцій з масивами. Дізнайтеся, як застосовувати ці інструменти для ефективного перетворення, агрегування 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.

Докладніше про порівняння

Рішення