Python库——numpy之ravel()与flatten()对比

函数简介

numpy下的ravel()与flatten()函数实现的功能都是一样的：将多维数组降为1维
ravel：散开、解开；flatten：变平

两者区别

返回拷贝（copy）还是返回视图（view）

• numpy.flatten()返回一份拷贝，对拷贝修改不会影响（reflects）原始矩阵
• numpy.ravel()返回视图，类比C++中的引用（Reference）与数据库中的视图（view）

>>> x = np.array([[1, 2], [3, 4]])
>>> a = x.flatten()
>>> a[1] = 100
>>>> a
array([1, 100, 3, 4])
>>> x
array([[1, 2], [3, 4]])            

通过上面的程序可以发现flatten函数返回的是拷贝,修改返回的a之后原始的x并未改变。

>>> x = np.array([[1, 2], [3, 4]])
>>> a = x.ravel()
>>> a
array([1, 2, 3, 4])
>>> a[1] = 100
>>> a
array([1, 100, 3, 4])
>>> x
array([[1, 100], [3, 4]])

可以看到ravel返回的是视图(参考数据库中的视图进行理解)，修改a之后x的内容并不会发生改变。不过注意a已经变为一维的了，x还是二维的，a只是将x的数据以不同的方式进行呈现。

两者功能

In [14]: x=np.array([[1,2],[3,4]])

# flattenh函数和ravel函数在降维时默认是行序优先
In [15]: x.flatten()
Out[15]: array([1, 2, 3, 4])

In [17]: x.ravel()
Out[17]: array([1, 2, 3, 4])

# 传入'F'参数表示列序优先
In [18]: x.flatten('F')
Out[18]: array([1, 3, 2, 4])

In [19]: x.ravel('F')
Out[19]: array([1, 3, 2, 4])

#reshape函数当参数只有一个-1时表示将数组降为一维
In [21]: x.reshape(-1)
Out[21]: array([1, 2, 3, 4])
#x.T表示x的转置
In [22]: x.T.reshape(-1)
Out[22]: array([1, 3, 2, 4])