numpy位运算怎么用？bitwise_and按位与实例详解

位运算是直接对二进制数字的位级别进行操作的运算方式，不依赖数字的整体十进制值。

NumPy 提供了一套高效的位运算工具，支持对数组元素进行矢量化逐位操作，性能远超 Python 原生位运算（尤其处理大规模数据时），广泛应用于底层数据优化、状态标志处理、数据压缩等场景。

一、核心概念与优势

• 位运算本质：操作二进制数的每一位（0 或 1），遵循布尔逻辑或移位规则。

NumPy 优势：

1. 矢量化处理：直接作用于数组整体，无需循环遍历元素。
2. 多类型支持：兼容整数、布尔值等多种数据类型。
3. 性能优化：基于 C 语言实现，运算速度快。

NumPy 位运算函数均以 bitwise_ 开头，同时支持与 Python 原生位运算符对应的简写形式。

二、NumPy 位运算核心函数与运算符总览

下表完整梳理了 NumPy 中所有位运算的函数、对应运算符及核心功能：

三、各运算详细用法与实例

1. 按位与（bitwise_and / &）

运算规则

两数对应二进制位均为 1 时结果为 1，否则为 0。规则表如下：

实例：整数与数组运算

import numpy as np

# 单个整数运算
a, b = 13, 17
print(f"13 的二进制：{bin(a)}，17 的二进制：{bin(b)}")  # 0b1101 0b10001
print("按位与结果：", np.bitwise_and(a, b))  # 等价于 13 & 17，输出 1

# 数组运算（矢量化）
arr1 = np.array([13, 25], dtype=int)
arr2 = np.array([17, 10], dtype=int)
print("数组按位与：", arr1 & arr2)  # 输出 [1  8]

运算过程解析（13 & 17）

对齐二进制位后逐位计算：

  01101  （13）
& 10001  （17）
= 00001  （1）

2. 按位或（bitwise_or / |）

运算规则

两数对应二进制位有一个为 1 时结果为 1，否则为 0。规则表如下：

实例：整数运算

import numpy as np

a, b = 13, 17
print(f"13 的二进制：{bin(a)}，17 的二进制：{bin(b)}")  # 0b1101 0b10001
print("按位或结果：", np.bitwise_or(a, b))  # 等价于 13 | 17，输出 29

运算过程解析（13 | 17）

  01101  （13）
| 10001  （17）
= 11101  （29）

3. 按位异或（bitwise_xor / ^）

运算规则

两数对应二进制位不同时结果为 1，相同时为 0。

实例：布尔数组运算

异或在布尔值上等价于 “逻辑异或”（True 为 1，False 为 0）：

import numpy as np

arr1 = np.array([True, False, True], dtype=bool)
arr2 = np.array([False, True, False], dtype=bool)

# 函数与运算符等价
result1 = np.bitwise_xor(arr1, arr2)
result2 = arr1 ^ arr2

print("异或结果：", result1)  # 输出 [ True  True  True]
print("结果一致：", np.array_equal(result1, result2))  # 输出 True

4. 按位取反（invert / ~）

关键说明

• 对无符号整数（如 uint8）：直接逐位取反（0→1，1→0）。
• 对有符号整数（如 int8）：遵循二进制补码规则：取反后 +1，且最高位为符号位（0 正，1 负）。

实例 1：无符号整数取反

import numpy as np

# uint8 类型（0-255，8位二进制）
x = np.array([13], dtype=np.uint8)
x_invert = np.invert(x)

print(f"13 的 8 位二进制：{np.binary_repr(13, width=8)}")  # 00001101
print(f"取反后的值：{x_invert[0]}")  # 242
print(f"242 的 8 位二进制：{np.binary_repr(242, width=8)}")  # 11110010

实例 2：有符号整数取反

import numpy as np

x = 5  # 默认 int 类型（32位）
x_invert = ~x

print(f"5 的二进制（简化）：00000101")
print(f"~5 的二进制（补码）：11111010")
print(f"~5 的十进制：{x_invert}")  # 输出 -6

补码计算步骤（以～1 为例）

1. 原码：1 → 00000001（8 位有符号）；
2. 逐位取反：11111110（符号位为 1，代表负数）；
3. 求补码（除符号位外取反 +1）：10000001 + 1 = 10000010；
4. 转换为十进制：-2。

5. 左移（left_shift / <<）

运算规则

将数字的二进制位向左移动指定位数，右侧用 0 填充。等价于乘以 2 的 n 次方（n 为移位数）。

实例

import numpy as np

x = 10  # 二进制：00001010
shifted = np.left_shift(x, 2)  # 等价于 10 << 2

print(f"10 左移 2 位结果：{shifted}")  # 输出 40
print(f"40 的二进制：{np.binary_repr(40, width=8)}")  # 00101000

原理

10 << 2 即二进制 00001010 左移 2 位 → 00101000（40），对应数学运算 10 × 2² = 40。

6. 右移（right_shift / >>）

运算规则

将数字的二进制位向右移动指定位数，左侧根据符号位补 0（正数）或 1（负数）。等价于整除 2 的 n 次方（n 为移位数）。

实例

import numpy as np

x = 40  # 二进制：00101000
shifted = np.right_shift(x, 2)  # 等价于 40 >> 2

print(f"40 右移 2 位结果：{shifted}")  # 输出 10
print(f"10 的二进制：{np.binary_repr(10, width=8)}")  # 00001010

原理

40 >> 2 即二进制 00101000 右移 2 位 → 00001010（10），对应数学运算 40 ÷ 2² = 10。

四、运算符使用注意事项

1. 优先级问题：位运算符优先级低于算术运算符，计算时建议加括号。例：10 & 1 + 2 等价于 10 & 3（结果 2），而非 (10 & 1) + 2（结果 2）。
2. 数组兼容性：参与运算的数组需满足 NumPy 的 “广播规则”（如形状一致或可广播）。
3. 数据类型影响：取反运算的结果受数组 dtype 影响（无符号 vs 有符号），需明确指定类型避免歧义。

五、典型应用场景

1. 底层数据处理：操作二进制文件（如图片、音频）的字节数据。
2. 状态标志位控制：用单个整数的不同位表示多个状态（如用 0b101 表示 3 个状态的组合）。
3. 性能优化：替代乘法 / 除法（左移 / 右移速度更快）。
4. 加密与校验：基于异或等运算实现简单的数据加密或校验（如 CRC 校验）。

六、总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。