Quelle est la différence entre les aplatir et ravel fonctions de numpy?

import numpy as np
y = np.array(((1,2,3),(4,5,6),(7,8,9)))
OUTPUT:
print(y.flatten())
[1   2   3   4   5   6   7   8   9]
print(y.ravel())
[1   2   3   4   5   6   7   8   9]

À la fois la fonction de retour de la même liste.
Alors qu'est-ce que le besoin de deux fonctions différentes de l'exécution d'un même travail.

InformationsquelleAutor DEEPAK YADAV | 2015-03-08
  1. 310

    L'API actuelle est que:

    • aplatir l' retourne toujours une copie.
    • ravel renvoie une vue sur le tableau d'origine chaque fois que possible. Ce n'est pas visible dans la sortie imprimée, mais si vous modifiez le tableau retourné par ravel, il peut modifier les entrées dans le tableau d'origine. Si vous modifiez les entrées dans un tableau retourné par aplatir cela n'arrivera jamais. ravel sera souvent plus rapide car pas de mémoire est copié, mais vous devez être plus prudent sur la modification du tableau, il renvoie.
    • reshape((-1,)) obtient une vue à chaque fois que les progrès de la matrice permettent, même si cela signifie que vous n'avez pas toujours d'obtenir une ligne de tableau.
    • Aucune idée pourquoi NumPy les développeurs ne pas s'en tenir à une fonction avec un certain nombre de paramètres de copie=[True,False]?
    • Grande question. Je n'ai aucune idée. La seule raison pour laquelle je peux penser à est de vouloir fournir un facile analogique à un semblable matlab commande. Il ne semble pas avoir de précédent dans numarray ou numérique.
    • Backcompat garanties provoquent parfois des choses bizarres, comme cela se produise. Par exemple: le numpy développeurs récemment (1.10) ajouté précédemment garantie implicite que ravel serait de retour une ligne de tableau (une propriété qui est très important lors de l'écriture d'extensions C), alors maintenant, l'API est a.flatten() pour obtenir une copie pour vous, a.ravel() d'éviter la plupart des copies, mais encore garantir que le tableau retourné est contiguë, et a.reshape((-1,)) pour vraiment avoir une vue à chaque fois que les progrès de la matrice permettent, même si cela signifie que vous n'avez pas toujours d'obtenir une ligne de tableau.
    • Quel est la différence entre ravel et de remodeler alors?
    • IanH expliqué: ravelgarantit une ligne de tableau, et donc il n'est pas garanti qu'il renvoie d'un point de vue; reshape renvoie toujours à une vue, de sorte qu'il n'est pas garanti qu'elle retourne une ligne de tableau.
    • Merci, ce qui est important à propos de l'être contigus ? pourquoi voudrais-je de soins à ce sujet?
    • Ce serait une toute nouvelle question. Très brièvement, il est beaucoup plus rapide à lire et à écrire dans une mémoire contiguë de l'espace. Il y a plusieurs questions et de réponses qu'ici, sur SO (bel exemple ici), n'hésitez pas à ouvrir un nouveau si vous avez d'autres questions.
    • reshape(-1) est équivalent à reshape((-1,))
    • nous constatons que nous pouvons également passer commande dans "ravel" de la méthode. Si c'est " C " qui est par défaut de la commande, puis de l'affichage de tableau d'origine est retourné. Si est 'F', alors c'est un copié version du tableau c'est à dire la modification de ce tableau n'est pas reflétée dans le tableau réel. (Pas sûr si c'est une fonctionnalité ou un bug :D)
    • Mise à jour: vue du tableau d'origine n'est pas possible si la commande est " F " dans "ravel" de la fonction.github.com/numpy/numpy/issues/12318
    • Pourquoi est-il appelé ravel? Quelle est l'idée derrière ce nom?

    InformationsquelleAutor IanH
  2. 34

    Comme expliqué ici une différence clé est que flatten est une méthode d'un ndarray objet, et donc ne peut être appelée pour de véritables tableaux numpy. En revanche ravel() est une bibliothèque de niveau de la fonction et, par conséquent, peut être appelé à n'importe quel objet qui peut être analysé. Par exemple ravel() va travailler sur une liste de ndarrays, alors que cette option n'est pas disponible pour ce type d'objet.

    @IanH souligne également des différences importantes avec la gestion de la mémoire dans sa réponse.

    • thx pour l'info sur le ravel() de travail sur les listes de ndarray's
    InformationsquelleAutor Bryan P
  3. 9

    Ici est le bon espace de noms pour les fonctions:

    Les deux fonctions renvoient aplatie tableaux 1D pointant vers les nouvelles structures de la mémoire.

    import numpy
a = numpy.array([[1,2],[3,4]])

r = numpy.ravel(a)
f = numpy.ndarray.flatten(a)  

print(id(a))
print(id(r))
print(id(f))

print(r)
print(f)

print("\nbase r:", r.base)
print("\nbase f:", f.base)

---returns---
140541099429760
140541099471056
140541099473216

[1 2 3 4]
[1 2 3 4]

base r: [[1 2]
 [3 4]]

base f: None

    Dans le coin supérieur exemple:

    • les emplacements de mémoire les résultats sont différents,
    • le résultat est le même
    • aplatir serait de retour une copie
    • ravel serait de retour d'une vue.

    Comment on vérifie si quelque chose est une copie?
    À l'aide de la .base attribut de la ndarray. Si c'est un point de vue, la base sera le tableau d'origine; si c'est une copie, la base sera None.

    InformationsquelleAutor prosti