Apprendre Aplatissement des Tableaux | Fonctions Couramment Utilisées NumPy

Aplatir un tableau signifie le convertir d’un tableau multidimensionnel en un tableau 1D, déroulant essentiellement son contenu.

Cette opération est utile lorsque le traitement des éléments d’un tableau un par un est nécessaire ou pour rendre les données plus adaptées à certains algorithmes.

Il existe trois options possibles pour aplatir un tableau dans NumPy :

Utilisation de la méthode ndarray.reshape(-1) ou de la fonction numpy.reshape(array, -1) ;
Utilisation de la méthode ndarray.ravel() ou de la fonction numpy.ravel(array) ;
Utilisation de la méthode ndarray.flatten().

reshape(-1)

La méthode .reshape(-1) ou la fonction reshape(array, -1) retourne un tableau aplati contigu avec le même nombre d’éléments.

Comme mentionné dans le chapitre précédent, -1 calcule automatiquement la taille de la dimension en fonction de la taille du tableau d’origine. Puisqu’un seul entier est passé pour shape, un tableau 1D avec le même nombre d’éléments est retourné.


              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}')

La méthode .reshape() ou la fonction correspondante retourne une vue du tableau original, ainsi toute modification apportée au tableau remodelé affectera également le tableau d'origine.

L'utilisation de flattened_array = np.reshape(array_2d, -1) peut être employée à la place de l'appel à la méthode.

ravel()

La méthode ndarray.ravel() ou la fonction numpy.ravel(array) fonctionne de la même manière que reshape(-1) et retourne également une vue du tableau original :


              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) peut être utilisé à la place de l'appel à la méthode.

ndarray.flatten()

Si une copie du tableau original est nécessaire, et non une vue, la méthode .flatten() peut être utilisée :


              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}')

Remarque

Il est toujours possible de copier une vue d’un tableau pour créer un objet distinct et modifier cette copie sans affecter le tableau d’origine.

Tâche

Swipe to start coding

Utiliser correctement la méthode .flatten() pour aplatir exam_scores et stocker le résultat dans exam_scores_flattened.
Utiliser correctement la méthode .reshape() pour aplatir exam_scores et stocker le résultat dans exam_scores_reshaped.
Utiliser la méthode .ravel() pour aplatir exam_scores et stocker le résultat dans exam_scores_raveled.
Parmi les trois tableaux aplatis créés, choisir celui qui est une copie du tableau original, et non une vue, puis attribuer la valeur 100 à son premier élément (utiliser un index positif).

Solution

Tout était clair ?

Merci pour vos commentaires !

Section 3. Chapitre 5

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Suggested prompts:

What is the difference between a view and a copy in NumPy?

When should I use flatten() instead of reshape(-1) or ravel()?

Can you explain what happens if I modify the flattened array in each case?

Awesome!

Completion rate improved to 3.7

Glissez pour afficher le menu