在 Python 中处理位向量（BitVector）有几种常见的方式，具体取决于你的需求（是用于算法竞赛、内存优化、还是位运算操作）,以下是几种主流方法：
使用内置 int 类型（推荐用于简单位运算）
Python 的 int 类型支持任意精度的整数,可以自然地表示位向量。
基本操作：
# 初始化一个位向量（前8位为 10110011）
bit_vector = int("10110011", 2)
# 设置第 i 位为 1
i = 2
bit_vector |= (1 << i)
# 设置第 i 位为 0
i = 5
bit_vector &= ~(1 << i)
# 获取第 i 位的值
i = 3
bit = (bit_vector >> i) & 1
# 翻转第 i 位
i = 4
bit_vector ^= (1 << i)
# 转换为二进制字符串
print(bin(bit_vector)) # 输出: 0b10110111
优点：
- 无需额外库。
- 支持大整数,适合任意长度的位向量。
- 位运算速度快。
缺点：
- 不支持直接按索引访问（如
bit_vector[3]）。 - 内存效率不如专用库（因为 Python 整数是对象）。
使用 bitarray 库（推荐用于高性能位操作）
bitarray 是一个第三方库,提供了高效的位向量实现。
安装：
pip install bitarray
示例：
from bitarray import bitarray
# 初始化
bv = bitarray('10110011')
# 设置第 i 位
bv[2] = True
bv[5] = False
# 获取第 i 位
print(bv[3]) # 输出: True
# 翻转第 i 位
bv[4] ^= True
# 转换为二进制字符串
print(bv.to01()) # 输出: '10110111'
# 长度
print(len(bv)) # 输出: 8
优点：
- 内存效率高（每个位只占 1 比特）。
- 支持切片、布尔索引等高级操作。
- 速度快。
缺点：
- 需要安装第三方库。
使用 bytearray 或 array 模块（手动管理位）
如果你不想引入第三方库，但需要比 int 更紧凑的存储，可以使用 bytearray 手动管理位。
示例：
class BitVector: def __init__(self, size): self.size = size self.bytes = bytearray((size + 7) // 8) def set(self, index, value): byte_index = index // 8 bit_index = index % 8 if value: self.bytes[byte_index] |= (1 << bit_index) else: self.bytes[byte_index] &= ~(1 << bit_index) def get(self, index): byte_index = index // 8 bit_index = index % 8 return (self.bytes[byte_index] >> bit_index) & 1 def to_bytes(self): return self.bytes # 使用 bv = BitVector(16) bv.set(0, 1) bv.set(3, 1) bv.set(10, 1) print(bv.get(3)) # 输出: 1 print(bv.to_bytes()) # 输出: bytearray(b'x09x04')
优点：
- 内存紧凑。
- 无需第三方库。
缺点：
- 需要手动管理位逻辑。
- 代码复杂度高。
使用 numpy 的 bitwise 操作（适合大规模数值计算）
如果你已经在用 NumPy,可以利用其位运算功能。
示例：
import numpy as np # 创建一个整数数组作为位向量 bv = np.array([0b10110011], dtype=np.uint8) # 设置第 i 位 i = 2 bv |= (1 << i) # 获取第 i 位 i = 3 bit = (bv >> i) & 1
优点：
- 适合大规模并行位运算。
- 与 NumPy 生态集成良好。
缺点：
- 每个元素至少占 1 字节，内存效率不如
bitarray。
选择建议：
| 场景 | 推荐方案 |
|---|---|
| 简单位运算，无需额外依赖 | 内置 int |
| 高性能、内存敏感、需要高级操作 | bitarray 库 |
| 不想引入第三方库，但需要紧凑存储 | 手动 bytearray 实现 |
| 大规模数值计算，已有 NumPy 环境 | numpy 位运算 |
如果你有具体的使用场景（如：需要频繁修改位、需要序列化、需要与其他库集成等），可以提供更多细节,我可以给出更针对性的建议。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/479776.html
