Summary  
This chapter covers methods for converting multi-dimensional arrays into one-dimensional arrays (flattening) using reshape(-1), ravel, and flatten, and explains the difference between returning views and copies.

General domain of usage  
Data preprocessing

**Flating** av en matrise betyr å konvertere den fra en flerdimensjonal matrise til en **1D-matrise**, altså å rulle ut innholdet.



Watch this video for a visual explanation of flattening arrays in NumPy. You'll see step-by-step demonstrations of how to use the reshape(-1), ravel(), and flatten() methods to convert multi-dimensional arrays into 1D arrays. The video also highlights the difference between views and copies, so you can confidently choose the right method for your data processing tasks.

Denne operasjonen er nyttig når du trenger å behandle elementene i en matrise **én etter én** eller når du vil gjøre dataene mer egnet for visse algoritmer.

Det finnes tre mulige alternativer for flating i **NumPy**:
* Bruke metoden `ndarray.reshape(-1)` eller funksjonen `numpy.reshape(array, -1)`;
* Bruke metoden `ndarray.ravel()` eller funksjonen `numpy.ravel(array)`;
* Bruke metoden `ndarray.flatten()`.

## reshape(-1)

Metoden `.reshape(-1)` eller funksjonen `reshape(array, -1)` returnerer en **sammenhengende flatet matrise** med samme antall elementer.

Som nevnt i forrige kapittel, beregner `-1` **automatisk** størrelsen på dimensjonen basert på størrelsen til den opprinnelige matrisen. Siden du kun oppgir et enkelt heltall for `shape`, returneres en **1D-matrise** med samme antall 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}')

Metoden `.reshape()` eller den tilsvarende funksjonen returnerer en **visning** av den opprinnelige arrayen, så alle endringer gjort på den omformede arrayen vil også påvirke den opprinnelige arrayen.

Det er også mulig å bruke `flattened_array = np.reshape(array_2d, -1)` i stedet for å kalle metoden.

## ravel()

Metoden `ndarray.ravel()` eller funksjonen `numpy.ravel(array)` fungerer på samme måte som `reshape(-1)` og returnerer også en **visning** av den opprinnelige arrayen:

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 brukes i stedet for å kalle metoden.

## ndarray.flatten()

Hvis du ønsker en kopi av det opprinnelige arrayet, ikke en visning, kan du bruke `.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}')

Du kan alltid **kopiere** en visning av en matrise for å lage et eget objekt og endre denne kopien uten å påvirke den opprinnelige matrisen.

Merk

import unittest
import importlib.util
import numpy as np
import io
from contextlib import redirect_stdout


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style output formatting"""
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Початковий масив
        cls.exam_scores = np.array([
            [75, 82, 90],
            [92, 88, 78],
            [60, 70, 85]
        ])
        cls.flattened_expected = cls.exam_scores.flatten()

    def test_flatten_method(self):
        """1. flatten() used correctly"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "exam_scores_flattened")
        arr = getattr(module, "exam_scores_flattened", None)
        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.ndim == 1
        val_ok = type_ok and np.array_equal(arr, self.flattened_expected) or arr[0] == 100

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok,
            "exam_scores_flattened created correctly with flatten()",
            "exam_scores_flattened incorrect or not flattened properly",
        )

    def test_reshape_method(self):
        """2. reshape(-1) used correctly"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "exam_scores_reshaped")
        arr = getattr(module, "exam_scores_reshaped", None)
        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.ndim == 1
        val_ok = type_ok and np.array_equal(arr, self.flattened_expected)

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok,
            "exam_scores_reshaped created correctly with reshape(-1)",
            "exam_scores_reshaped incorrect or not flattened properly",
        )

    def test_ravel_method(self):
        """3. ravel() used correctly"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "exam_scores_raveled")
        arr = getattr(module, "exam_scores_raveled", None)
        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.ndim == 1
        val_ok = type_ok and np.array_equal(arr, self.flattened_expected)

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok,
            "exam_scores_raveled created correctly with ravel()",
            "exam_scores_raveled incorrect or not flattened properly",
        )

    def test_flatten_is_copy_and_modified(self):
        """4. Only flatten() result is modified and original array unchanged"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)

        arr_flat = getattr(module, "exam_scores_flattened", None)
        arr_reshaped = getattr(module, "exam_scores_reshaped", None)
        arr_raveled = getattr(module, "exam_scores_raveled", None)
        arr_original = getattr(module, "exam_scores", None)

        # flatten() копія має бути змінена (перший елемент == 100)
        flatten_modified = isinstance(arr_flat, np.ndarray) and arr_flat[0] == 100
        # reshape() і ravel() не змінені
        reshaped_unchanged = isinstance(arr_reshaped, np.ndarray) and arr_reshaped[0] != 100
        raveled_unchanged = isinstance(arr_raveled, np.ndarray) and arr_raveled[0] != 100
        # оригінальний масив не змінено
        original_unchanged = isinstance(arr_original, np.ndarray) and arr_original[0, 0] == 75

        _dynamic_test(
            self,
            flatten_modified and reshaped_unchanged and raveled_unchanged and original_unchanged,
            "flatten() is copy and modified correctly without affecting original",
            "flatten() not modified correctly or original array affected",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Lås opp det fulle potensialet til Pythons mest essensielle bibliotek for numerisk databehandling, NumPy. Dette omfattende kurset er utformet for å ta deg fra et nybegynnernivå til avansert ferdighet i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelig databehandling og maskinlæring.

Utforsk bruksområdene til NumPy og forstå hvorfor det er et av de mest populære bibliotekene for numerisk databehandling. Lær de ulike metodene for å opprette og initialisere matriser for å håndtere ulike databehov effektivt.

Utforsk hvordan du får tilgang til spesifikke elementer og delmengder i NumPy-arrays ved hjelp av indeksnotasjon. Lær å bruke betinget indeksering for å filtrere data og håndtere manglende verdier effektivt.

NumPy tilbyr mange innebygde funksjoner for å utføre vanlige array-operasjoner. Lær hvordan du kan bruke disse verktøyene til å transformere, aggregere og analysere data effektivt uten å skrive repeterende kode.

Lær hvordan du utfører matematiske operasjoner effektivt på NumPy-arrays. Bruk disse operasjonene for å løse virkelige problemer og få en dypere forståelse av hvordan vektoriserte beregninger akselererer numerisk analyse.

Utflating av matriser

reshape(-1)

ravel()

ndarray.flatten()

Løsning