Numpy：关于flatten的理解

Numpy: flatten

numpy.flatten(order='C')

将数组的副本（不更改原始数据）转换为一维，简单理解就是把数组拉平拉直
options order={'C', 'F', 'A', 'K'}

• 'C': C-style, 行为主要顺序，先从左到右，再从上到下,默认是**'C'**
• 'F': Fortran-style, 列为主要顺序，先从上到下，再从左到右
• 'A'：如果a是Fortran在内存中连续的，那么'A' 意味着以列主要顺序变平，否则按行排序
• 'F'：按照元素在内存中出现的顺序来拉平a
  常用的是前两个，记录如下

二维数据

import os
import numpy as np

# 随机生成一个2维数组，4行3列
arr1 = np.random.randint(1, 10, size=[4, 3])
arr1

array([[9, 8, 5],
       [3, 2, 5],
       [8, 7, 4],
       [5, 9, 2]])

# 查看数组1的维数
arr1.ndim

2

# 将数组arr1以行为主要顺序进行拉平降维
arr2 = arr1.flatten()
arr2

array([9, 8, 5, 3, 2, 5, 8, 7, 4, 5, 9, 2])

# 此时查看数组arr2的维数，可以看到现在已经从2维降到了1维
arr2.ndim

1

arr1.shape

(4, 3)

# 将数组arr1以列为主要顺序进行拉平降维
arr3 = arr1.flatten(order='F')
arr3

array([9, 3, 8, 5, 8, 2, 7, 9, 5, 5, 4, 2])

# 查看此时的数组维度
arr3.ndim

1

三维数据

因为经常接触到的数据一般都是栅格影像数据，而栅格影像一般都是三维数据，比如常见的landsat影像，都是包含多个波段的，我们可以随机构建一个三维的数据

# 随机创建一个3维的数组
arr4 = np.random.randint(1, 10, size=[4, 3, 3])
arr4

array([[[6, 7, 3],
        [5, 1, 7],
        [5, 4, 6]],

       [[8, 5, 2],
        [9, 4, 3],
        [6, 9, 9]],

       [[9, 9, 2],
        [2, 2, 8],
        [5, 5, 3]],

       [[3, 1, 2],
        [4, 6, 1],
        [8, 3, 5]]])

对于这个随机的三维数组如果联系上栅格影像可以这样理解，这是一个具有四个波段的影像，每个波段的长宽都是3，也就是3*3 包括我们平常用gdal和rasterio等包去读取影像获取其值时得到的也是如此的数组，每个波段都可以看作一层，有几个波段就是几层

# 对arr4进行以行为主就行降维
arr5 = arr4.flatten()
arr5

array([6, 7, 3, 5, 1, 7, 5, 4, 6, 8, 5, 2, 9, 4, 3, 6, 9, 9, 9, 9, 2, 2,
       2, 8, 5, 5, 3, 3, 1, 2, 4, 6, 1, 8, 3, 5])

可以看到，对于三维数组，在以行为主时和二维时一样，都是从左到右，从上到下的顺序

# 对arr4进行以列为主就行降维
arr6 = arr4.flatten(order='F')
arr6

array([6, 8, 9, 3, 5, 9, 2, 4, 5, 6, 5, 8, 7, 5, 9, 1, 1, 4, 2, 6, 4, 9,
       5, 3, 3, 2, 2, 2, 7, 3, 8, 1, 6, 9, 3, 5])

但是在以列为主进行降维时，与二维时有些不同，我们对比着前面的arr4看，因为这涉及到numpy的轴的原因，三维时可以理解为存在一个x,y,z三个轴的坐标系 假设3*3构成的数组是x,y轴，然后在z轴上分布着4层，此时以列为主就是以z轴为主，之后再回到了二维上从上到下，从左到右

结尾

以上所有内容只是我个人见解，如果有误请哥哥姐姐们指正，幼儿园的车要送我回家了，拜拜！

公众号：壹贰叁言

随笔记录，欢迎唠嗑

本文由 mdnice 多平台发布