Masquage booléen et indexation avancée
Filtrez les tableaux avec des conditions booléennes et sélectionnez des éléments arbitraires à l’aide de tableaux d’indices entiers.
Masquage booléen et indexation avancée est une leçon Pandas & NumPy Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Pandas & NumPy Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Tableaux booléens utilisés comme masques
Un masque booléen est un tableau de valeurs True/False. Utilisez-le comme index pour ne conserver que les éléments marqués True — c'est votre principal outil de filtrage.
import numpy as np
a = np.array([5, 3, 8, 1, 9, 2, 7])
mask = a > 4
print(mask) # [ True False True False True False True]
print(a[mask]) # [5 8 9 7]Conditions booléennes composées
Construisez des filtres composés avec & (et), | (ou) et ~ (non). Entourez toujours chaque condition de parenthèses, sinon la priorité des opérateurs risque de vous induire en erreur.
import numpy as np
a = np.array([3, 7, 2, 9, 1, 6, 4, 8])
# Elements between 4 and 8 inclusive
result = a[(a >= 4) & (a <= 8)]
print(result) # [7 6 4 8]
# Elements less than 3 or greater than 7
result2 = a[(a < 3) | (a > 7)]
print(result2) # [2 9 1 8]Modifier des valeurs avec l'indexation booléenne
Vous pouvez affecter directement une sélection booléenne et ne modifier sur place que les éléments correspondants. C'est la manière la plus rapide de limiter les valeurs aberrantes ou de renseigner les valeurs manquantes.
import numpy as np
a = np.array([5, -3, 8, -1, 2, -7])
a[a < 0] = 0 # zero out negatives in-place
print(a) # [5 0 8 0 2 0]
# Cap values above 6
a[a > 6] = 6
print(a) # [5 0 6 0 2 0]Masques booléens sur des tableaux à 2 dimensions
Un masque booléen appliqué à un tableau à 2 dimensions renvoie toujours un résultat à 1 dimension aplati. Pour sélectionner des lignes entières, construisez un masque à 1 dimension à partir d'une colonne et indexez selon axis 0.
import numpy as np
m = np.array([[1, 5], [3, 2], [8, 4], [6, 7]])
# Select rows where first column > 4
mask = m[:, 0] > 4
print(mask) # [False False True True]
print(m[mask]) # [[8 4] [6 7]]np.where avec des masques
np.where(condition, x, y) conserve la forme du tableau : il sélectionne x lorsque la condition est vraie et y dans le cas contraire. C'est idéal pour remplacer des valeurs sans aplatir le tableau.
import numpy as np
a = np.array([3, -1, 5, -2, 4])
result = np.where(a >= 0, a, 0) # keep positives, replace negatives
print(result) # [3 0 5 0 4]
# Recode: above-average -> 'high', else -> 'low'
labels = np.where(a >= a.mean(), 'high', 'low')
print(labels) # ['high' 'low' 'high' 'low' 'high']Principes de base de l'indexation avancée
L'indexation avancée consiste à transmettre un tableau d'index entiers pour sélectionner des éléments précis — dans n'importe quel ordre, avec répétitions possibles. Elle renvoie toujours une copie.
import numpy as np
a = np.array([10, 20, 30, 40, 50])
idx = np.array([4, 1, 1, 3])
print(a[idx]) # [50 20 20 40]
# 2D index shape -> 2D output
idx2d = np.array([[0, 2], [4, 1]])
print(a[idx2d]) # [[10 30] [50 20]]Indexation avancée sur des tableaux à 2 dimensions
Sur un tableau à 2 dimensions, des tableaux d'index associés sélectionnent des points dispersés : m[rows, cols] récupère l'élément correspondant à chaque paire (ligne, colonne), et non une sous-matrice entière.
import numpy as np
m = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# Select elements at (0,2), (1,0), (2,1)
rows = [0, 1, 2]
cols = [2, 0, 1]
print(m[rows, cols]) # [3 4 8]np.ix_ pour sélectionner une grille de lignes et de colonnes
np.ix_ sélectionne une sous-matrice pour chaque combinaison des lignes et des colonnes indiquées — pratique lorsque vous voulez plusieurs lignes ET plusieurs colonnes, plutôt que de simples paires.
import numpy as np
m = np.arange(16).reshape(4, 4)
print(m)
# Select rows 0,2 and columns 1,3
ix = np.ix_([0, 2], [1, 3])
print(m[ix])
# [[ 1 3]
# [ 9 11]]np.nonzero() et np.argwhere()
np.nonzero renvoie les index des éléments non nuls (ou True) sous la forme d'un tuple par axe. np.argwhere fournit les mêmes informations regroupées en lignes faciles à lire.
import numpy as np
a = np.array([0, 3, 0, 5, 0, 7])
print(np.nonzero(a)) # (array([1, 3, 5]),)
print(np.argwhere(a > 0)) # [[1] [3] [5]]Combiner indexation booléenne et indexation avancée
Combinez les deux : utilisez un masque booléen pour filtrer les lignes, puis l'indexation avancée pour réordonner les colonnes. Ensemble, elles filtrent et réorganisent les données en une seule étape claire.
import numpy as np
data = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
scores = np.array([0.9, 0.3, 0.8])
# Keep high-scoring rows, reorder columns to [2, 0, 1]
high = data[scores > 0.5]
reordered = high[:, [2, 0, 1]]
print(reordered)Performances : indexation booléenne ou avancée
L'indexation booléenne et l'indexation avancée renvoient toutes deux des copies. Pour filtrer, un masque booléen est généralement le plus lisible et suffisamment rapide — c'est un excellent choix par défaut.
import numpy as np
a = np.random.rand(1_000_000)
# Boolean mask -- readable and fast
result = a[a > 0.5]
print('filtered size:', result.size) # ~500000
# Equivalent with np.where + fancy index
idx = np.where(a > 0.5)[0]
result2 = a[idx]
print('same result:', np.array_equal(result, result2))Vérification rapide
Vérifiez votre compréhension des masques booléens et de l'indexation avancée présentés dans cette leçon.
Récapitulatif de la leçon
Bravo ! Les masques booléens filtrent et copient, np.where conserve la forme du tableau et l'indexation avancée sélectionne les éléments de votre choix. Ensuite : les Series de Pandas !
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Masquage booléen et indexation avancée » est-elle gratuite ?
Oui — le texte complet de « Masquage booléen et indexation avancée » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Pandas & NumPy Academy, passe à CoddyKit PRO. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Masquage booléen et indexation avancée » ?
Filtrez les tableaux avec des conditions booléennes et sélectionnez des éléments arbitraires à l’aide de tableaux d’indices entiers. Tu pratiques Pandas & NumPy Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Pandas & NumPy Academy ?
Aucune expérience préalable n'est requise. Pandas & NumPy Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Masquage booléen et indexation avancée » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Pandas & NumPy Academy ?
Oui. Chaque leçon Pandas & NumPy Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Fonctions universelles (ufuncs)
- Fonctions d’agrégation
- Règles de diffusion
- Masquage booléen et indexation avancée