一、flatten () 核心定義

flatten() 是 NumPy 數(shù)組（ndarray）的內(nèi)置方法，作用是將任意維度（一維 / 二維 / 三維 / 高維）的數(shù)組 “展平” 為一維數(shù)組，并返回一個新的獨立數(shù)組（不與原數(shù)組共享內(nèi)存）。

簡單說：無論原數(shù)組是 2 行 3 列的二維數(shù)組，還是 2×3×4 的三維數(shù)組，flatten() 都會把所有元素按指定順序排成一行，且修改展平后的數(shù)組不會影響原數(shù)組。

核心語法

flattened_arr = arr.flatten(order='C') 

• arr：待展平的 NumPy 數(shù)組（任意維度）；
• order：可選參數(shù)，指定元素展平的順序（默認(rèn) 'C'）；
• 返回值：一維數(shù)組（新數(shù)組，獨立內(nèi)存）。

二、基礎(chǔ)用法（不同維度數(shù)組展平）

示例 1：二維數(shù)組展平（最常用）

import numpy as np
# 原始二維數(shù)組（2行3列）
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print("原始二維數(shù)組：\n", arr_2d)
print("原始形狀：", arr_2d.shape)  # (2, 3)
# 展平為一維數(shù)組（默認(rèn)順序）
arr_flat = arr_2d.flatten()
print("\n展平后的一維數(shù)組：", arr_flat)
print("展平后形狀：", arr_flat.shape)  # (6,)

輸出結(jié)果：

原始二維數(shù)組：
 [[1 2 3]
 [4 5 6]]
原始形狀： (2, 3)
 
展平后的一維數(shù)組： [1 2 3 4 5 6]
展平后形狀： (6,)

示例 2：三維數(shù)組展平

三維數(shù)組可理解為 “多個二維矩陣的集合”，flatten() 會按順序把所有矩陣的元素拼接成一維：

import numpy as np
# 原始三維數(shù)組（2個3行2列的矩陣）
arr_3d = np.array([
    [[1, 2], [3, 4], [5, 6]],
    [[7, 8], [9, 10], [11, 12]]
])
print("原始三維數(shù)組形狀：", arr_3d.shape)  # (2, 3, 2)
# 展平為一維
arr_flat = arr_3d.flatten()
print("展平后的數(shù)組：", arr_flat)
print("展平后形狀：", arr_flat.shape)  # (12,)

輸出結(jié)果：

原始三維數(shù)組形狀： (2, 3, 2)
展平后的數(shù)組： [ 1  2  3  4  5  6  7  8  9 10 11 12]
展平后形狀： (12,)

三、關(guān)鍵參數(shù)：order（展平順序）

order 參數(shù)決定了元素展平的讀取順序，核心有 3 個取值，其中 'C' 和 'F' 最常用：

示例：不同 order 的展平效果

import numpy as np
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
# C風(fēng)格（行優(yōu)先，默認(rèn)）
flat_c = arr_2d.flatten(order='C')
# F風(fēng)格（列優(yōu)先）
flat_f = arr_2d.flatten(order='F')
print("C風(fēng)格展平（行優(yōu)先）：", flat_c)  # [1 2 3 4 5 6]
print("F風(fēng)格展平（列優(yōu)先）：", flat_f)  # [1 4 2 5 3 6]

四、flatten () vs reshape (-1)（核心對比?。?/h2>

這是新手最易混淆的兩個展平方法，核心差異在于內(nèi)存是否共享，以下是詳細(xì)對比：

特性	flatten()	reshape(-1)
返回值	新的獨立數(shù)組（拷貝）	原數(shù)組的視圖（共享內(nèi)存）
內(nèi)存占用	高（復(fù)制一份數(shù)據(jù)）	低（僅修改形狀，不復(fù)制數(shù)據(jù)）
修改影響	修改展平數(shù)組，原數(shù)組不變	修改展平數(shù)組，原數(shù)組同步修改
速度	較慢（需拷貝數(shù)據(jù)）	極快（僅調(diào)整形狀）
語法	arr.flatten()	arr.reshape(-1)

實戰(zhàn)對比示例：

import numpy as np
arr = np.array([[1, 2], [3, 4]])
# 1. 使用flatten()（獨立數(shù)組）
flat_flatten = arr.flatten()
flat_flatten[0] = 99  # 修改展平數(shù)組
print("flatten修改后 - 展平數(shù)組：", flat_flatten)  # [99  2  3  4]
print("flatten修改后 - 原數(shù)組：\n", arr)  # [[1 2],[3 4]] → 原數(shù)組不變
# 2. 使用reshape(-1)（共享內(nèi)存）
flat_reshape = arr.reshape(-1)
flat_reshape[0] = 99  # 修改展平數(shù)組
print("\nreshape修改后 - 展平數(shù)組：", flat_reshape)  # [99  2  3  4]
print("reshape修改后 - 原數(shù)組：\n", arr)  # [[99 2],[3 4]] → 原數(shù)組同步修改

五、適用場景（該用 flatten 還是 reshape？）

場景 1：優(yōu)先用 flatten () 的情況

需要保留原數(shù)組不變，避免修改展平數(shù)組影響原數(shù)據(jù)；

展平后需對數(shù)據(jù)做大量修改，且不想污染原始數(shù)據(jù)；

示例（數(shù)據(jù)備份 / 獨立處理）：

# 原始溫度數(shù)據(jù)（二維）
temp_2d = np.random.normal(5, 6, (31, 24)).round(1)
# 展平為一維用于統(tǒng)計，且不修改原數(shù)據(jù)
temp_flat = temp_2d.flatten()
temp_flat[0] = 0  # 僅修改拷貝，原數(shù)據(jù)不受影響
print("原數(shù)據(jù)第一值：", temp_2d[0,0])  # 仍為原始溫度值

場景 2：優(yōu)先用 reshape (-1) 的情況

僅需臨時展平數(shù)組（如計算總和、均值），無需保留展平后的數(shù)組；

處理大規(guī)模數(shù)據(jù)（如百萬級元素），追求速度和內(nèi)存效率；

示例（快速統(tǒng)計）：

# 大規(guī)模數(shù)據(jù)（10萬行×10列）
big_arr = np.random.rand(100000, 10)
# 快速展平計算總和（無需拷貝，速度快）
total = big_arr.reshape(-1).sum()
print("總和：", total)

六、進階用法：高維數(shù)組展平 + 指定順序

對于高維數(shù)組（如 4 維圖像數(shù)據(jù)），可通過 order 參數(shù)控制展平順序，適配不同業(yè)務(wù)需求：

import numpy as np
# 4維數(shù)組：2張圖片 × 32行 × 32列 × 3通道（RGB）
img_arr = np.random.randint(0, 255, (2, 32, 32, 3))
print("原始4維數(shù)組形狀：", img_arr.shape)  # (2, 32, 32, 3)
# 按行優(yōu)先展平（默認(rèn)）
img_flat_c = img_arr.flatten(order='C')
print("C風(fēng)格展平形狀：", img_flat_c.shape)  # (6144,) → 2×32×32×3=6144
# 按列優(yōu)先展平
img_flat_f = img_arr.flatten(order='F')
print("F風(fēng)格展平形狀：", img_flat_f.shape)  # (6144,)

七、避坑點與常見問題

1. 常見誤區(qū)

• ? 認(rèn)為 flatten() 是 NumPy 函數(shù)：它是數(shù)組對象的方法，不能直接用 np.flatten(arr)，必須用 arr.flatten()；
• ? 混淆 flatten() 和 ravel()：ravel() 是 NumPy 函數(shù)，效果接近 reshape(-1)（返回視圖，共享內(nèi)存），而 flatten() 返回拷貝；
• ? 展平后修改原數(shù)組：若用 flatten()，修改展平數(shù)組不會影響原數(shù)組，反之亦然。

2. 報錯場景

對非 NumPy 數(shù)組使用 flatten()：Python 列表沒有 flatten() 方法，需先轉(zhuǎn)為 ndarray：

# 錯誤：list.flatten()
# lst = [[1,2],[3,4]]
# lst.flatten() → AttributeError
# 正確：先轉(zhuǎn)NumPy數(shù)組
lst = [[1,2],[3,4]]
arr = np.array(lst)
arr.flatten()  # [1 2 3 4]

總結(jié)

1. flatten() 核心是將任意維度數(shù)組展平為一維，返回獨立拷貝，修改后不影響原數(shù)組；
2. 關(guān)鍵參數(shù) order：'C'（行優(yōu)先，默認(rèn)）、'F'（列優(yōu)先）控制展平順序；
3. 與 reshape(-1) 核心區(qū)別：flatten() 是拷貝（獨立），reshape(-1) 是視圖（共享內(nèi)存）；
4. 選型原則：
   • 需獨立數(shù)據(jù) → 用 flatten()；
   • 追求效率 / 臨時展平 → 用 reshape(-1)；
5. 避坑關(guān)鍵：僅對 NumPy 數(shù)組使用 flatten()，Python 列表需先轉(zhuǎn) ndarray。

到此這篇關(guān)于NumPy中flatten()函數(shù)的具體使用的文章就介紹到這了,更多相關(guān)NumPy flatten()函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論