是否有将二进制 (0|1) numpy 数组转换为整数或二进制字符串的快捷方式？ F.e.
b = np.array([0,0,0,0,0,1,0,1])
=> b is 5
np.packbits(b)
有效，但仅适用于 8 位值..如果 numpy 是 9 个或更多元素，它会生成 2 个或更多 8 位值。 另一种选择是返回一个字符串 0|1 ...
我现在做的是：
ba = bitarray()
ba.pack(b.astype(np.bool).tostring())
#convert from bitarray 0|1 to integer
result = int( ba.to01(), 2 )
太丑了！！！
【问题讨论】：
标签： python numpy binary bitstring
一种方法是将dot-product 与2-powered 范围数组一起使用-
b.dot(2**np.arange(b.size)[::-1])
示例运行 -
In [95]: b = np.array([1,0,1,0,0,0,0,0,1,0,1])
In [96]: b.dot(2**np.arange(b.size)[::-1])
Out[96]: 1285
或者，我们可以使用按位左移运算符来创建范围数组，从而获得所需的输出，就像这样 -
b.dot(1 << np.arange(b.size)[::-1])
如果对时间感兴趣 -
In [148]: b = np.random.randint(0,2,(50))
In [149]: %timeit b.dot(2**np.arange(b.size)[::-1])
100000 loops, best of 3: 13.1 µs per loop
In [150]: %timeit b.dot(1 << np.arange(b.size)[::-1])
100000 loops, best of 3: 7.92 µs per loop
逆向处理
要取回二进制数组，请使用 np.binary_repr 和 np.fromstring -
In [96]: b = np.array([1,0,1,0,0,0,0,0,1,0,1])
In [97]: num = b.dot(2**np.arange(b.size)[::-1]) # integer
In [98]: np.fromstring(np.binary_repr(num), dtype='S1').astype(int)
Out[98]: array([1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1])
【讨论】：
我通过使用矢量化矩阵乘法代码扩展了 @Divikar 的良好点积解决方案，使其在我的主机上运行速度提高了约 180 倍。一次运行一行的原始代码在我的 pandas 数据框中运行 18 列的 10 万行需要大约 3 分钟。好吧，下周我需要从 100K 行升级到 20M 行，所以大约 10 小时的运行时间对我来说不够快。首先，新代码是矢量化的。这是python代码的真正变化。其次，matmult 通常在您看不到它的情况下在多核处理器上并行运行，具体取决于您的主机配置，尤其是当 OpenBLAS 或其他 BLAS 存在以供 numpy 用于像 matmult 这样的矩阵代数时。所以它可以使用很多处理器和内核，如果你有的话。
新的——非常简单——代码在我的主机上运行 100K 行 x 18 个二进制列，大约 1 秒 ET，这对我来说是“任务完成”：
'''
Fast way is vectorized matmult. Pass in all rows and cols in one shot.
'''
def BitsToIntAFast(bits):
m,n = bits.shape # number of columns is needed, not bits.size
a = 2**np.arange(n)[::-1] # -1 reverses array of powers of 2 of same length as bits
return bits @ a # this matmult is the key line of code
'''I use it like this:'''
bits = d.iloc[:,4:(4+18)] # read bits from my pandas dataframe
gs = BitsToIntAFast(bits)
print(gs[:5])
gs.shape
...
d['genre'] = np.array(gs) # add the newly computed column to pandas
希望这会有所帮助。
【讨论】：
我的时间结果：
b.dot(2**np.arange(b.size)[::-1])
100000 loops, best of 3: 2.48 usec per loop
b.dot(1 << np.arange(b.size)[::-1])
100000 loops, best of 3: 2.24 usec per loop
# Precompute powers-of-2 array with a = 1 << np.arange(b.size)[::-1]
b.dot(a)
100000 loops, best of 3: 0.553 usec per loop
# using gmpy2 is slower
gmpy2.pack(list(map(int,b[::-1])), 1)
100000 loops, best of 3: 10.6 usec per loop
因此，如果您提前知道大小，则预先计算 2 的幂数组会明显更快。但如果可能的话，您应该像 Geoffrey Anderson 的回答那样使用矩阵乘法同时进行所有计算。
【讨论】：
使用 numpy 进行转换会将您限制为 64 位有符号二进制结果。如果您真的想使用 numpy 并且 64 位限制对您有用，那么使用 numpy 的更快实现是：
import numpy as np
def bin2int(bits):
return np.right_shift(np.packbits(bits, -1), bits.size).squeeze()
因为通常如果您使用 numpy 您关心速度，那么 > 64 位结果的最快实现是：
import gmpy2
def bin2int(bits):
return gmpy2.pack(list(bits[::-1]), 1)
如果你不想获取对 gmpy2 的依赖，这会稍微慢一些，但没有依赖并支持 > 64 位结果：
def bin2int(bits):
total = 0
for shift, j in enumerate(bits[::-1]):
if j:
total += 1 << shift
return total
观察者会注意到上一个版本与此问题的其他答案有一些相似之处，主要区别在于使用
【讨论】：
def binary_converter(arr):
total = 0
for index, val in enumerate(reversed(arr)):
total += (val * 2**index)
print total
In [14]: b = np.array([1,0,1,0,0,0,0,0,1,0,1])
In [15]: binary_converter(b)
1285
In [9]: b = np.array([0,0,0,0,0,1,0,1])
In [10]: binary_converter(b)
5
或
b = np.array([1,0,1,0,0,0,0,0,1,0,1])
sum(val * 2**index for index, val in enumerate(reversed(b)))
【讨论】：