
- NumPy 教程
- NumPy - 首頁
- NumPy - 簡介
- NumPy - 環境配置
- NumPy 陣列
- NumPy - Ndarray 物件
- NumPy - 資料型別
- NumPy 陣列的建立和操作
- NumPy - 陣列建立例程
- NumPy - 陣列操作
- NumPy - 從現有資料建立陣列
- NumPy - 從數值範圍建立陣列
- NumPy - 陣列迭代
- NumPy - 陣列重塑
- NumPy - 陣列連線
- NumPy - 陣列堆疊
- NumPy - 陣列分割
- NumPy - 陣列扁平化
- NumPy - 陣列轉置
- NumPy 索引和切片
- NumPy - 索引與切片
- NumPy - 高階索引
- NumPy 陣列屬性和運算
- NumPy - 陣列屬性
- NumPy - 陣列形狀
- NumPy - 陣列大小
- NumPy - 陣列步幅
- NumPy - 陣列元素大小
- NumPy - 廣播
- NumPy - 算術運算
- NumPy - 陣列加法
- NumPy - 陣列減法
- NumPy - 陣列乘法
- NumPy - 陣列除法
- NumPy 高階陣列運算
- NumPy - 交換陣列的軸
- NumPy - 位元組交換
- NumPy - 副本與檢視
- NumPy - 元素級陣列比較
- NumPy - 陣列過濾
- NumPy - 陣列連線
- NumPy - 排序、搜尋和計數函式
- NumPy - 陣列搜尋
- NumPy - 陣列的並集
- NumPy - 查詢唯一行
- NumPy - 建立日期時間陣列
- NumPy - 二元運算子
- NumPy - 字串函式
- NumPy - 數學函式
- NumPy - 統計函式
- NumPy - 矩陣庫
- NumPy - 線性代數
- NumPy - Matplotlib
- NumPy - 使用 Matplotlib 繪製直方圖
- NumPy - NumPy 的 I/O 操作
- NumPy 排序和高階操作
- NumPy - 陣列排序
- NumPy - 沿軸排序
- NumPy - 使用花式索引排序
- NumPy - 結構化陣列
- NumPy - 建立結構化陣列
- NumPy - 操作結構化陣列
- NumPy - 欄位訪問
- NumPy - 記錄陣列
- NumPy - 載入陣列
- NumPy - 儲存陣列
- NumPy - 向陣列追加值
- NumPy - 交換陣列的列
- NumPy - 向陣列插入軸
- NumPy 處理缺失資料
- NumPy - 處理缺失資料
- NumPy - 識別缺失值
- NumPy - 刪除缺失資料
- NumPy - 估算缺失資料
- NumPy 效能最佳化
- NumPy - 使用陣列進行效能最佳化
- NumPy - 使用陣列進行向量化
- NumPy - 陣列的記憶體佈局
- NumPy 線性代數
- NumPy - 線性代數
- NumPy - 矩陣庫
- NumPy - 矩陣加法
- NumPy - 矩陣減法
- NumPy - 矩陣乘法
- NumPy - 元素級矩陣運算
- NumPy - 點積
- NumPy - 矩陣求逆
- NumPy - 行列式計算
- NumPy - 特徵值
- NumPy - 特徵向量
- NumPy - 奇異值分解
- NumPy - 求解線性方程組
- NumPy - 矩陣範數
- NumPy 元素級矩陣運算
- NumPy - 求和
- NumPy - 平均值
- NumPy - 中位數
- NumPy - 最小值
- NumPy - 最大值
- NumPy 集合運算
- NumPy - 唯一元素
- NumPy - 交集
- NumPy - 並集
- NumPy - 差集
- NumPy 有用資源
- NumPy 編譯器
- NumPy - 快速指南
- NumPy - 有用資源
- NumPy - 討論
NumPy 按位或() 函式
NumPy 的bitwise_or()函式對兩個陣列或一個數組和一個標量執行逐元素按位或運算。如果輸入運算元的對應位中至少有一個為 1,則輸出的每個位都設定為 1。
陣列必須具有相同的形狀或可以廣播到公共形狀。此函式通常用於需要位級操作的場景,例如影像處理或二進位制掩碼。
結果是一個新陣列,包含輸入陣列元素的按位或運算結果,其形狀和資料型別與輸入陣列相同。以下是 1 和 0 的位組合的按位或運算結果:
- 0 和 0 的按位或:0
- 0 和 1 的按位或:1
- 1 和 0 的按位或:1
- 1 和 1 的按位或:1
語法
以下是 NumPy bitwise_or() 函式的語法:
numpy.bitwise_or(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature])
- x1, x2(類似陣列):用於計算這些陣列的逐元素按位或運算的輸入陣列。
- out(可選):這是儲存結果的目錄。如果給出,則其形狀需要是輸入廣播到的形狀。如果沒有提供,則返回一個新分配的陣列。
- where(可選):此條件對輸入進行廣播。ufunc 結果將在條件為 True 的位置設定為
out
陣列。如果不是,則將保留out
陣列的初始值。 - casting(可選):此引數確定允許的資料型別轉換。預設值為
'same_kind'
。 - order(可選):控制結果的記憶體佈局順序。預設返回
'K'
。 - dtype(可選):此引數覆蓋結果的 dtype。
- subok(可選):如果為 True,則子類將被傳遞。如果為 False,則結果將是基類陣列。
- signature(可選):此引數用於更高階的 ufunc 簽名支援。
返回值
此函式返回包含按位或運算結果的陣列。
示例 1
以下是 NumPy bitwise_or() 函式的基本示例,它顯示了兩個整數值的按位或運算:
import numpy as np a, b = 13, 17 print('Binary equivalents of 13 and 17:') print(bin(a), bin(b)) print('Bitwise OR of 13 and 17:') print(np.bitwise_or(a, b))
其輸出如下:
Binary equivalents of 13 and 17: 0b1101 0b10001 Bitwise OR of 13 and 17: 29
示例 2
在此示例中,我們使用bitwise_or()函式對兩個陣列執行逐元素按位或運算:
import numpy as np # Define two NumPy arrays arr1 = np.array([10, 20, 30]) arr2 = np.array([1, 2, 3]) # Perform the bitwise OR operation result = np.bitwise_or(arr1, arr2) # Print the result print("Array 1:", arr1) print("Array 2:", arr2) print("Bitwise OR result:", result)
以下是對兩個陣列執行按位或運算的結果:
Array 1: [10 20 30] Array 2: [1 2 3] Bitwise OR result: [11 22 31]
示例 3
NumPy 中的廣播允許透過將不同形狀的陣列對齊到公共形狀來對這些陣列進行逐元素運算。在此示例中,我們展示了按位或運算如何與廣播一起工作:
import numpy as np # Define the arrays a = np.array([1, 2, 4]) # Shape: (3,) b = np.array([[5, 6, 7]]) # Shape: (1, 3) # Perform bitwise OR with broadcasting result = np.bitwise_or(a, b) print("Array a:", a) print("Array b:", b) print("Bitwise OR result:\n", result)
以下是上述示例的輸出:
Array a: [1 2 4] Array b: [[5 6 7]] Bitwise OR result: [[5 6 7]]
numpy_binary_operators.htm
廣告