numpy 中的 flatten 和 ravel 函数有什么区别？

问题描述：

import numpy as np
y = np.array(((1,2,3),(4,5,6),(7,8,9)))
OUTPUT:
print(y.flatten())
[1   2   3   4   5   6   7   8   9]
print(y.ravel())
[1   2   3   4   5   6   7   8   9]

两个函数都返回相同的列表。那么为什么需要两个不同的函数来执行相同的工作呢？

解决方案 1：

当前的 API 是：

• flatten总是返回一份副本。

• ravel尽可能返回原始数组的连续视图。这在打印输出中不可见，但如果您修改 ravel 返回的数组，它可能会修改原始数组中的条目。如果您修改 flatten 返回的数组中的条目，则永远不会发生这种情况。ravel 通常会更快，因为没有复制内存，但您必须更加小心地修改它返回的数组。

• reshape((-1,))只要数组的步幅允许，就会获取一个视图，即使这意味着您并不总是能获得一个连续的数组。

解决方案 2：

正如这里所解释的，一个主要的区别是：

• flatten是 ndarray 对象的一种方法，因此只能对真正的 numpy 数组调用。

• ravel是一个库级函数，因此可以在任何能够成功解析的对象上调用。

例如ravel将对 ndarrays 列表起作用，但flatten不适用于该类型的对象。

@IanH 在他的回答中也指出了内存处理的重要区别。

解决方案 3：

以下是函数的正确命名空间：

• numpy.ndarray.flatten

• numpy.ravel

两个函数都返回指向新内存结构的扁平化一维数组。

import numpy
a = numpy.array([[1,2],[3,4]])

r = numpy.ravel(a)
f = numpy.ndarray.flatten(a)  

print(id(a))
print(id(r))
print(id(f))

print(r)
print(f)

print("
base r:", r.base)
print("
base f:", f.base)

---returns---
140541099429760
140541099471056
140541099473216

[1 2 3 4]
[1 2 3 4]

base r: [[1 2]
 [3 4]]

base f: None

在上面的例子中：

• 结果的存储位置不同，

• 结果看起来一样

• flatten 将返回一份副本

• 拉威尔 (ravel) 将会返回视图。

我们如何检查某个对象是否是副本？使用.base的属性ndarray。如果是视图，则基数将是原始数组；如果是副本，则基数将是None。

检查是否a2是a1

import numpy
a1 = numpy.array([[1,2],[3,4]])
a2 = a1.copy()
id(a2.base), id(a1.base)

出去：

(140735713795296, 140735713795296)