Fonction AND bit à bit de Numpy

Introduction

NumPy est une bibliothèque populaire de calcul scientifique que nous utilisons pour effectuer des opérations numériques en Python. Elle dispose d'un large ensemble de fonctions mathématiques qui aident à effectuer des opérations mathématiques avec l'aide du module Numpy. Dans ce laboratoire, nous allons aborder l'opération binaire bitwise_and dans la bibliothèque Numpy.

Conseils sur la VM

Une fois le démarrage de la VM terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Notebook pour accéder à Jupyter Notebook pour la pratique.

Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations de Jupyter Notebook.

Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez des commentaires après la session, et nous réglerons rapidement le problème pour vous.

Importation du module Numpy

Pour utiliser la bibliothèque NumPy, nous devons l'importer. Dans le extrait de code ci-dessous, nous avons importé le module NumPy.

import numpy as np

Comprendre l'opération AND bit à bit

La fonction bitwise_and() calcule l'ET bit à bit de la représentation binaire sous-jacente des entiers dans le tableau d'entrée. Le tableau de vérité de l'opération AND bit à bit est donné ci-dessous :

Nous devrions garder ces valeurs à l'esprit lors de l'exécution de l'opération AND bit à bit sur n'importe quels entrées.

Syntaxe de bitwise_and()

Voici la syntaxe de bitwise_and() :

numpy.bitwise_and(x1, x2, /, out, *, where=True, casting='same_kind', order='K', dtype,subok=True[, signature, extobj]) = <ufunc 'bitwise_and'>

Paramètres

• x1, x2 : Ce sont les deux tableaux d'entrée et avec cette fonction, seul les types entier et booléen sont gérés. Si x1.shape!= x2.shape, alors ils doivent être étendus à une forme commune (et cette forme deviendra la forme de la sortie).
• out : Ce paramètre indique principalement un emplacement dans lequel le résultat est stocké. Si ce paramètre est fourni, il doit avoir une forme à laquelle les entrées s'étendent. Si ce paramètre n'est pas fourni ou s'il est None, alors un tableau nouvellement alloué est renvoyé.
• where : Ce paramètre est utilisé pour indiquer une condition qui est étendue sur l'entrée. Aux emplacements où la condition est Vraie, le tableau out sera défini sur le résultat du ET bit à bit, sinon le tableau out conservera sa valeur d'origine.
• dtype : argument optionnel utilisé pour définir le type de données de la sortie.

Effectuer une opération AND bit à bit sur des scalaires

Dans l'exemple ci-dessous, nous allons illustrer l'utilisation de la fonction bitwise_and() pour effectuer une opération AND bit à bit sur deux valeurs scalaires.

num1 = 15
num2 = 20

print("Le nombre d'entrée 1 est :", num1)
print("Le nombre d'entrée 2 est :", num2)

output = np.bitwise_and(num1, num2)
print("Le résultat du bitwise_and de 15 et 20 est : ", output)

La sortie du code ci-dessus serait :

Le nombre d'entrée 1 est : 15
Le nombre d'entrée 2 est : 20
Le résultat du bitwise_and de 15 et 20 est : 4

Effectuer une opération AND bit à bit sur des tableaux

Dans l'exemple suivant, nous allons appliquer la fonction bitwise_and() sur deux tableaux.

ar1 = [2, 8, 135]
ar2 = [3, 5, 115]

print("Le tableau d'entrée 1 est : ", ar1)
print("Le tableau d'entrée 2 est : ", ar2)

output_arr = np.bitwise_and(ar1, ar2)
print("Le tableau de sortie après bitwise_and: ", output_arr)

La sortie du code ci-dessus serait :

Le tableau d'entrée 1 est : [2, 8, 135]
Le tableau d'entrée 2 est : [3, 5, 115]
Le tableau de sortie après bitwise_and: [2 0 3]

Résumé

Dans ce laboratoire, nous avons abordé la fonction bitwise_and() de la bibliothèque NumPy pour effectuer une opération AND bit à bit sur deux valeurs ou tableaux. Nous avons également appris la syntaxe et les paramètres de la fonction ainsi que quelques exemples.

Résumé

Félicitations ! Vous avez terminé le laboratoire sur la fonction AND bit à bit de Numpy. Vous pouvez pratiquer d'autres laboratoires sur LabEx pour améliorer vos compétences.