numpy.bitwise_and

numpy.bitwise_and(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) = <ufunc 'bitwise_and'>

Вычислить побитовое И двух массивов поэлементно.

Вычисляет побитовое И двоичного представления целых чисел в входных массивах. Этот ufunc реализует оператор C/Python &.

Параметры

x1, x2array_like

Обрабатываются только целочисленные и логические типы. Если x1.shape != x2.shape, они должны быть согласуемы по форме (форма результата).

outndarray, None, или кортеж из ndarray и None, необязательно

Место, в которое сохраняется результат. Если указано, оно должно иметь форму, к которой входные данные согласуются по форме. Если не указано или None, возвращается новый массив. Кортеж (только как ключевой аргумент) должен иметь длину, равную числу выходов.

wherearray_like, необязательно

Это условие распространяется по входам. В местах, где условие True, массив out будет установлен в результат ufunc. В противном случае массив out сохранит свое первоначальное значение. Обратите внимание, что если массив out создаётся без инициализации через значение по умолчанию out=None, в местах, где условие False, он останется неинициализированным.

**kwargs

Для других ключевых аргументов см. документацию ufunc.

Возвращает

outndarray или скаляр

Результат. Это скаляр, если и x1 и x2 являются скалярами.

См. также

logical_and

bitwise_or

bitwise_xor

binary_repr

Возвращает двоичное представление входного числа в виде строки.

Примеры

Число 13 представлено как 00001101. Аналогично, 17 представлено как 00010001. Поэтому побитовое И 13 и 17 равно 000000001, или 1:

>>> np.bitwise_and(13, 17)
1

>>> np.bitwise_and(14, 13)
12
>>> np.binary_repr(12)
'1100'
>>> np.bitwise_and([14,3], 13)
array([12,  1])

>>> np.bitwise_and([11,7], [4,25])
array([0, 1])
>>> np.bitwise_and(np.array([2,5,255]), np.array([3,14,16]))
array([ 2,  4, 16])
>>> np.bitwise_and([True, True], [False, True])
array([False,  True])

Оператор & может использоваться как сокращение для np.bitwise_and над массивами nd.

>>> x1 = np.array([2, 5, 255])
>>> x2 = np.array([3, 14, 16])
>>> x1 & x2
array([ 2,  4, 16])