🔢 Indexierung, Slicing & Boolean-Masken

🔢 Indexierung, Slicing & Boolean-Masken#

🔁 Fortgeschrittenes Slicing in 2D/3D-Arrays#

import numpy as np

a = np.array([[ 1,  2,  3],
              [ 4,  5,  6],
              [ 7,  8,  9]])

a[0]        # [1 2 3], Erste Zeile
a[:, 0]     # [1 4 7], Erste Spalte
a[0:2, 1:3] # [[2 3], [5 6]], Submatrix

🧬 2. Teilarrays vs. Kopien#

sub = a[0:2, 0:2]  # TEILARRAY (VIEW!)
sub[0, 0] = 999
print(a)           # ⚠️ Das Original wurde verändert!

➡️ slicing gibt eine Referenz, keine Kopie

❗ Kopie erzeugen:#

kopie = a[0:2, 0:2].copy()

🎯 Bedingte Auswahl mit Boolean-Masken#

a = np.array([1, 3, 5, 7, 9])
maske = a > 4
print(maske)        # [False False True True True]
print(a[maske])     # [5 7 9]

➡️ Oder direkt:

print(a[a > 4])     # [5 7 9]

✏️ Werte über Maske gezielt ändern#

a = np.array([1, 3, 5, 7, 9])
a[a > 5] = 0
print(a)  # → [1 3 5 0 0]

➡️ Sehr nützlich für Filtern, Maskieren, Säubern von Daten

✅ Zusammenfassung#

Technik

Beispiel

2D-Slicing

a[0:2, 1:3]

Teilansicht vs. Kopie

.copy() nötig, um Original zu erhalten

Bedingte Auswahl

a[a > 5]

Werte ändern per Maske

a[a > 5] = 0

✍️ Übung#

Aufgabe:

  • Erzeuge ein 4×4 Array mit Zufallszahlen von 0–9

  • Berechne den Mittelwert aller Werte

  • Setze alle Werte größer als der Mittelwert auf 0

  • Gib das veränderte Array aus

✅ Lösung:

💡 Lösung anzeigen

np.random.seed(0)

a = np.random.randint(0, 10, size=(4, 4))
print("🔢 Ursprüngliches Array:\n", a)

mittelwert = a.mean()
print("📏 Mittelwert:", mittelwert)

a[a > mittelwert] = 0
print("🎯 Ergebnis nach Maskierung:\n", a)
Contents