在Numpy中经常使用到的操作由扁平化操作,Numpy提供了两个函数进行此操作,他们的功能相同,但在内存上有很大的不同.
先来看这两个函数的使用:
from numpy import * a = arange(12).reshape(3,4) print(a) # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] print(a.ravel()) # [ 0 1 2 3 4 5 6 7 8 9 10 11] print(a.flatten()) # [ 0 1 2 3 4 5 6 7 8 9 10 11]
可以看到这两个函数实现的功能一样,但我们在平时使用的时候flatten()更为合适.在使用过程中flatten()分配了新的内存,但ravel()返回的是一个数组的视图.视图是数组的引用(说引用不太恰当,因为原数组和ravel()返回后的数组的地址并不一样),在使用过程中应该注意避免在修改视图时影响原本的数组.这是什么意思咧,我们通过代码来具体解释:
from numpy import * a = arange(12).reshape(3,4) print(a) # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] # 创建一个和a相同内容的数组b b = a.copy() c = a.ravel() d = b.flatten() # 输出c和d数组 print(c) # [ 0 1 2 3 4 5 6 7 8 9 10 11] print(d) # [ 0 1 2 3 4 5 6 7 8 9 10 11] # 可以看到c和d数组都是扁平化后的数组,具有相同的内容 print(a is c) # False print(b is d) # False # 可以看到以上a,b,c,d是四个不同的对象 # 但因为c是a的一种展示方式,虽然他们是不同的对象,但在修改c的时候,a中相应的数也改变了 c[1] = 99 d[1] = 99 print(a) # [[ 0 99 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] print(b) # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] print(c) # [ 0 99 2 3 4 5 6 7 8 9 10 11] print(d) # [ 0 99 2 3 4 5 6 7 8 9 10 11]
通过以上的分析,在实际应用中应尽量使用flatten()函数,这样避免意外的错误.
