Udfladning af Arrays

Udfladning af en array betyder at konvertere den fra en multi-dimensionel array til en 1D array, i det væsentlige at udrede dens indhold.

Denne operation er nyttig, når du har brug for at behandle elementerne i en array en efter en eller når du vil gøre data mere egnet til visse algoritmer.

Der er tre mulige muligheder for udfladning i NumPy:

Brug af ndarray.reshape(-1) metoden eller numpy.reshape(array, -1) funktionen;
Brug af ndarray.ravel() metoden eller numpy.ravel(array) funktionen;
Brug af ndarray.flatten() metoden.

reshape(-1)

Metoden .reshape(-1) eller funktionen reshape(array, -1) vil returnere en sammenhængende udfladet array med det samme antal elementer.

Som vi allerede har nævnt i det forrige kapitel, beregner -1 automatisk størrelsen af dimensionen baseret på den oprindelige arrays størrelse. Da vi kun angiver et enkelt heltal for shape, returneres en 1D array med det samme antal elementer.

import numpy as np

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

flattened_array = array_2d.reshape(-1)

print(f'Flatenned array: {flattened_array}')

# Changing the first element of flattened_array

flattened_array[0] = 10

print(f'Modified initial array:\n{array_2d}')


              1234567
            
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
flattened_array = array_2d.reshape(-1)
print(f'Flatenned array: {flattened_array}')
# Changing the first element of flattened_array
flattened_array[0] = 10
print(f'Modified initial array:\n{array_2d}')

Metoden .reshape() eller den respektive funktion returnerer en view af det oprindelige array, så eventuelle ændringer foretaget på det omformede array vil også påvirke det oprindelige array.

Brug af flattened_array = np.reshape(array_2d, -1) kan bruges i stedet for at kalde metoden.

ravel()

Metoden ndarray.ravel() eller funktionen numpy.ravel(array) fungerer på samme måde som reshape(-1) og returnerer også en view af det oprindelige array:

import numpy as np

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

flattened_array = array_2d.ravel()

print(f'Flatenned array: {flattened_array}')

# Changing the first element of flattened_array

flattened_array[0] = 10

print(f'Modified initial array:\n{array_2d}')


              1234567
            
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
flattened_array = array_2d.ravel()
print(f'Flatenned array: {flattened_array}')
# Changing the first element of flattened_array
flattened_array[0] = 10
print(f'Modified initial array:\n{array_2d}')

flattened_array = np.ravel(array_2d) kan bruges i stedet for at kalde metoden.

ndarray.flatten()

Hvis du ønsker en kopi af den originale array, ikke en view, kan du bruge .flatten() metoden:

import numpy as np

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

flattened_array = array_2d.flatten()

print(f'Flatenned array: {flattened_array}')

# Changing the first element of flattened_array

flattened_array[0] = 10

print(f'Initial array:\n{array_2d}')


              1234567
            
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
flattened_array = array_2d.flatten()
print(f'Flatenned array: {flattened_array}')
# Changing the first element of flattened_array
flattened_array[0] = 10
print(f'Initial array:\n{array_2d}')

Bemærk

Du kan altid kopiere en visning af en array for at skabe et separat objekt og ændre denne kopi uden at påvirke den oprindelige array.

Opgave

Swipe to start coding

Brug .flatten() metoden korrekt til at flade exam_scores ud og gem resultatet i exam_scores_flattened.
Brug .reshape() metoden korrekt til at flade exam_scores ud og gem resultatet i exam_scores_reshaped.
Brug .ravel() metoden til at flade exam_scores ud og gem resultatet i exam_scores_raveled.
Ud af de tre skabte fladede arrays, vælg den, der er en kopi af den oprindelige array, ikke en visning, og tildel 100 til dets første element (brug positiv indeksering).

Løsning

import numpy as np

# Simulated exam scores for three students in three subjects

exam_scores = np.array([[75, 82, 90], [92, 88, 78], [60, 70, 85]])

# Use the flatten() method for flattening

exam_scores_flattened = exam_scores.flatten()

# Use the reshape() method for flattening

exam_scores_reshaped = exam_scores.reshape(-1)

# Use the ravel() method for flattening

exam_scores_raveled = exam_scores.ravel()

# Set the first element of the flattened copy to 100

exam_scores_flattened[0] = 100

print(exam_scores)

Var alt klart?

Tak for dine kommentarer!

Sektion 3. Kapitel 5

import numpy as np

# Simulated exam scores for three students in three subjects

exam_scores = np.array([[75, 82, 90], [92, 88, 78], [60, 70, 85]])

# Use the flatten() method for flattening

___ = ___

# Use the reshape() method for flattening

___ = ___

# Use the ravel() method for flattening

___ = ___

# Set the first element of the flattened copy to 100

___[___] = ___

print(exam_scores)

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat