【NumPy】NumPy实战入门：位操作（bitwise_and、bitwise_or、bitwise_xor）与类型转换（astype、int8、uint8、float16、bool_）详解

🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式+人工智能领域，具备多年的嵌入式硬件产品研发管理经验。

📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向的学习指导、简历面试辅导、技术架构设计优化、开发外包等服务，有需要可加文末联系方式联系。

💬 博主粉丝群介绍：① 群内高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

1. 前言

NumPy，作为Python中最受推崇的科学计算库，以其高效的数组操作和丰富的数学函数而闻名。本文将深入探讨NumPy中的位操作与类型转换功能，通过具体的API介绍和实战示例，帮助读者掌握这些强大工具的使用技巧。

2. NumPy简介

NumPy（Numerical Python）为Python编程语言提供了高性能的多维数组对象和工具，是进行大规模数值计算的基础包。它不仅支持大量的维度数组和矩阵运算，还提供了高级数学函数库，可以用来执行复杂的统计、线性代数、傅里叶变换等操作。

3. 位操作

位操作指的是直接对二进制位进行逻辑运算，如按位与(&)、按位或(|)、按位异或(^)等。NumPy数组支持原生的位操作，这对于处理二进制数据或实现底层算法尤为有用。

3.1 按位与(bitwise_and)

import numpy as np

# 创建两个数组
arr1 = np.array([1, 2, 3], dtype=np.uint8)  # 使用无符号整型以确保位操作的正确性
arr2 = np.array([4, 5, 6], dtype=np.uint8)

# 执行按位与操作
result = np.bitwise_and(arr1, arr2)
print("按位与结果:", result)

3.1 按位或(bitwise_or)

import numpy as np

# 创建两个数组
arr1 = np.array([1, 2, 3], dtype=np.uint8)  # 使用无符号整型以确保位操作的正确性
arr2 = np.array([4, 5, 6], dtype=np.uint8)

# 执行按位或操作
result = np.bitwise_or(arr1, arr2)
print("按位或结果:", result)

3.1 按位异或(bitwise_xor)

import numpy as np

# 创建两个数组
arr1 = np.array([1, 2, 3], dtype=np.uint8)  # 使用无符号整型以确保位操作的正确性
arr2 = np.array([4, 5, 6], dtype=np.uint8)

# 执行按位异或操作
result = np.bitwise_xor(arr1, arr2)
print("按位异或结果:", result)

4. 类型转换

NumPy允许用户轻松地在不同数据类型间转换数组元素，这对于优化存储空间、提升计算效率或满足特定函数的输入要求至关重要。

4.1 np.astype()方法

import numpy as np

# 创建一个浮点数数组
float_arr = np.array([1.1, 2.2, 3.3])

# 将浮点数数组转换为整数类型
int_arr = float_arr.astype(int)
print("转换为整数类型:", int_arr)

# 注意：这种转换会进行截断，不进行四舍五入

4.2 np.int8(), np.int16(), np.int32(), np.int64() —— 整数类型转换

这些函数分别用于将数组转换为8位、16位、32位、64位有符号整数。选择哪种取决于你需要的数值范围和内存使用效率。

import numpy as np

# 假设有一个浮点数数组
float_arr = np.array([1.1, 2.2, 3.3])

# 转换为8位整数（注意数据可能丢失）
int8_arr = np.int8(float_arr)
print("转换为int8类型:", int8_arr)

# 转换为32位整数
int32_arr = np.int32(float_arr)
print("转换为int32类型:", int32_arr)

4.3 np.uint8(), np.uint16(), np.uint32(), np.uint64() —— 无符号整数类型转换

与上述类似，这些函数用于转换为无符号的整数类型，适合非负数且需要更大范围的场景。

import numpy as np

uint8_arr = np.uint8(float_arr)
print("转换为uint8类型:", uint8_arr)

4.4 np.float16(), np.float32(), np.float64() —— 浮点数类型转换

用于将数组转换为半精度（16位）、单精度（32位）或双精度（64位）浮点数。选择不同的精度会影响数值的精确度和所需的存储空间。

import numpy as np

# 假设有一个整数数组
int_arr = np.array([1, 2, 3])

# 转换为32位浮点数
float32_arr = np.float32(int_arr)
print("转换为float32类型:", float32_arr)

# 转换为64位浮点数
float64_arr = np.float64(int_arr)
print("转换为float64类型:", float64_arr)

4.5 np.bool_() —— 布尔类型转换

将数组转换为布尔类型，非零值转换为True，零值转换为False。

import numpy as np

# 假设有一个数值数组
value_arr = np.array([0, 1, 2])

# 转换为布尔类型
bool_arr = np.bool_(value_arr)
print("转换为布尔类型:", bool_arr)

5. 总结

通过本篇博客，我们深入探讨了NumPy中的位操作和类型转换功能，这两个特性在处理底层数据操作和优化计算流程时扮演着关键角色。位操作允许我们直接在二进制层面对数组元素进行逻辑运算，而类型转换则保证了数据在不同格式间的灵活切换，满足了多样化的计算需求。掌握这些技巧，将极大地丰富你在数据分析、机器学习等领域的工具箱，提升代码的效率与灵活性。实践上述示例代码，亲身体验NumPy带来的强大与便利吧！