NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


Numpy bitwise_invert() 函数

NumPy bitwise_invert() 函数用于执行按位非运算,该运算会将输入数组中每个元素的所有位取反。

此函数将整数的二进制表示的每一位取反,从而得到按位取反的结果。

对于无符号整数,它实际上计算的是位宽减去当前值的最大值;对于有符号整数,它使用二进制的补码表示。

此函数可处理各种整数类型的输入,并返回一个形状和类型相同但位取反的数组。它等同于 bitwise_not()

语法

以下是 Numpy bitwise_invert() 函数的语法 -

numpy.bitwise_invert(x)

参数

Numpy bitwise_invert() 函数接受一个参数,即 x,该参数接受要执行按位反转的输入数组或值。输入应为整数类型数组,例如 int8、int16、int32、int64、uint8、uint16、uint32、uint64 等 minus;

返回值

此函数返回对输入数组的每个元素应用了按位反转的数组。输出数组的形状和类型与输入数组相同。

示例 1

以下是 Numpy bitwise_invert() 函数的基本示例,它清晰地展示了如何对一个简单的整数数组进行按位反转操作 -

import numpy as np

# 创建一个基本整数数组
x = np.array([0, 1, 2, 3], dtype=np.uint8)

# 应用按位非运算
result = np.bitwise_invert(x)
print(result)

以下是应用 bitwise_invert() 函数对数组执行操作后的输出 -

[255 254 253 252]

示例 2

在 NumPy 中处理不同数据类型的整数数组时,位运算(包括反转)的行为会根据所使用的整数类型而有所不同。以下是示例 -

import numpy as np

# 定义不同数据类型的数组
array_uint8 = np.array([0, 1, 2, 255], dtype=np.uint8)
array_uint16 = np.array([0, 1, 2, 65535], dtype=np.uint16)
array_int8 = np.array([0, 1, -1, -2], dtype=np.int8)
array_int16 = np.array([0, 1, -1, -2], dtype=np.int16)

# 执行按位取反
result_uint8 = np.bitwise_invert(array_uint8)
result_uint16 = np.bitwise_invert(array_uint16)
result_int8 = np.bitwise_invert(array_int8)
result_int16 = np.bitwise_invert(array_int16)

print('原始 uint8 数组:', array_uint8)
print('反转 uint8 数组:', result_uint8)
print('
原始 uint16 数组:', array_uint16)
print('反转 uint16 数组:', result_uint16)
print('
原始 int8 数组:', array_int8)
print('反转 int8 数组:', result_int8)
print('
原始 int16 数组:', array_int16)
print('反转int16 数组:', result_int16)

以下是上述示例的输出 -

原始 uint8 数组:[ 0 1 2 255]
反转的 uint8 数组:[255 254 253 0]

原始 uint16 数组:[ 0 1 2 65535]
反转的 uint16 数组:[65535 65534 65533 0]

原始 int8 数组:[ 0 1 -1 -2]
反转的 int8 数组:[-1 -2 0 1]

原始 int16 数组:[ 0 1 -1 -2]
反转的 int16 数组:[-1 -2 0 1]

注意: 在一些版本 bitwise_invert() 函数将无法工作,在这种情况下我们可以使用 bitwise_not() 函数来执行相同的操作。

numpy_binary_operators.html