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 left_shift() 函数

NumPy left_shift() 函数用于对数组元素执行按位左移运算。

当给定两个数组或一个数组和一个标量时,它会将第一个数组中每个元素的位向左移动第二个数组或标量中指定的位数。结果相当于将数组元素乘以 2**shift。

  • 此函数允许对不同形状的数组进行操作,从而支持广播。它在低级数据操作(例如二进制编码、图像处理和需要精确位控制的操作)中非常有用。
  • 在按位运算中,负移位值通常与右移运算一起使用,此时位向右移动。
  • 在左移运算中,负值没有有意义的解释,其行为可能不一致或未定义。

语法

以下是 Numpy left_shift() 函数的语法 -

numpy.left_shift(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[,签名])

参数

以下是 Numpy left_shift() 函数的参数 -

  • x1(array_like): 执行左移操作的输入数组。
  • x2(array_like 或 int): x1 中每个元素左移的位数。可以是单个整数,也可以是与 x1 形状相同的数组。
  • out(可选): 这是一个可选的输出数组,用于存储结果。
  • where(可选): 用于确定在何处执行移位操作的条件。当条件为 True 时,计算结果。
  • **kwargs: 参数 casting、order、dtype、subok 属于附加关键字参数。

返回值

该函数返回一个数组,其中每个元素都是对原始数组对应位左移的结果。

示例 1

以下是 Numpy left_shift() 函数的基本示例,其中对数组中的单个整数进行了移位 -

import numpy as np
# 将整数 5 的位向左移动 1 位
result = np.left_shift(5, 1)
print(result)

以下是输出left_shift() 函数 −

10

示例 2

我们可以对数组的所有元素进行统一的标量移位,方法是将每个元素的位向左移动指定的位数。在此示例中,我们将数组移位 3 位 -

import numpy as np

# 定义一个整数数组
array = np.array([5, 10, 15, 20])

# 定义标量移位值
shift = 3

# 执行左移操作
result = np.left_shift(array, shift)

print("原始数组:", array)
print("移位后数组:", result)

以下是上述示例的输出 -

原始数组:[ 5 10 15 20]
移位后数组:[ 40 80 120 160]

示例 3

以下示例将数字 10 左移两位,并显示结果,包括原始值和移位值的二进制表示 -

import numpy as np

print('将 10 左移两位:')
print(np.left_shift(10, 2))

print('10 的二进制表示:')
print(np.binary_repr(10, width=8))

print('40 的二进制表示:')
print(np.binary_repr(40, width=8))

以下是上述示例的输出 -

将 10 左移两位:
40
10 的二进制表示:
00001010
40 的二进制表示:
00101000

示例 2

在此示例中,left_shift() 未以标准方式处理负移位,因此左移的结果可能与预期不符。相反,结果通常没有意义,并且可能默认为与本例相同的值 -

import numpy as np

# 定义一个整数数组
array = np.array([16, 32, 64, 128])

# 定义移位值数组,包括负值
shifts = np.array([-1, -2, -3, -4])

# 执行左移操作
result = np.left_shift(array, shifts)

print('原始数组:', array)
print('移位值:', shifts)
print('移位后数组:', result)

移位后的数组 -

原始数组:[ 16 32 64 128]
移位值:[-1 -2 -3 -4]
移位后的数组:[0 0 0 0]

numpy_binary_operators.html