5.2 ravel、flatten与newaxis

5.2 ravel、flatten与newaxis

本节摘要：ravel 尽量返回视图（可行时零拷贝），flatten 永远返回拷贝；newaxis 在指定位置插入长度为 1 的轴，squeeze 删除长度为 1 的轴。四者组合覆盖"展平与升降维"的全部日常需求，且直接决定第 6 章广播的成败。

展平双胞胎：一字之差，两份内存

import numpy as np

m = np.arange(6).reshape(2, 3)

r = m.ravel()        # 尽量视图
f = m.flatten()      # 永远拷贝
print(np.shares_memory(r, m))   # True
print(np.shares_memory(f, m))   # False

# r 是视图，写入穿透
r[0] = 99
print(m[0, 0])   # 99

# f 独立，改了白改
f[1] = -1
print(m[0, 1])   # 还是原值，没被影响
​

选择标准一句话：后续只读就 ravel，要独立数据就 flatten 或 ravel 后 copy。flatten 的存在价值主要是语义明确——读代码的人一眼知道"这里要副本"，不用回头查视图条件。

ravel 什么时候退化为拷贝？和 reshape 一样，非连续数组：

import numpy as np

m = np.arange(6).reshape(2, 3)
print(np.shares_memory(m.T.ravel(), m))   # False，转置破坏了行连续性

# order 参数指定展平顺序：C 按行，F 按列
a = np.arange(6).reshape(2, 3)
print(a.ravel(order="C"))   # [0 1 2 3 4 5]
print(a.ravel(order="F"))   # [0 3 1 4 2 5]
​

升维降维工具对

newaxis（就是 None 的别名）在切片语法里插轴：

import numpy as np

v = np.array([10, 20, 30])       # shape (3,)

row = v[np.newaxis, :]           # (1, 3) 行向量
col = v[:, np.newaxis]           # (3, 1) 列向量
print(row.shape, col.shape)      # (1, 3) (3, 1)

# 等价写法 reshape 也行，但可读性差一截
print(v.reshape(1, -1).shape)    # (1, 3)

# squeeze 删除长度为1的轴
img = np.random.rand(1, 224, 224, 1)
print(img.squeeze().shape)       # (224, 224)
print(img.squeeze(axis=0).shape) # (224, 224, 1) 指定轴更安全

# atleast_2d 家族：保底维度数
row2 = np.atleast_2d(v)          # 变 (1, 3)
col2 = np.atleast_2d(v).T        # 变 (3, 1)
print(row2.shape, col2.shape)    # (1, 3) (3, 1)
​

升降维工具全景

案例：批量距离计算中的 newaxis 神来之笔

完整过程。背景：给 5 个查询点和 8 个参考点算两两欧氏距离，朴素写法是双层循环 40 次；广播加 newaxis 可以零循环完成。

操作：

import numpy as np

rng = np.random.default_rng(1)
q = rng.random((5, 3))    # 5 个三维查询点
r = rng.random((8, 3))    # 8 个三维参考点

# 朴素循环版（对照用）
import math
loop = np.zeros((5, 8))
for i in range(5):
    for j in range(8):
        loop[i, j] = math.dist(q[i], r[j])

# newaxis 广播版：q 变 (5,1,3)，r 变 (1,8,3)，相减广播成 (5,8,3)
diff = q[:, np.newaxis, :] - r[np.newaxis, :, :]
dist = np.sqrt((diff ** 2).sum(axis=2))
print(dist.shape)                       # (5, 8)
print(np.allclose(dist, loop))          # True，结果一致
print(dist[0].round(3))
# [0.538 0.631 0.404 0.634 0.519 0.432 0.388 0.561]
​

结果与解读：一次广播替代 40 次循环，数据量增大时差距拉大到百倍。关键一步是 q[:, np.newaxis, :]——在中间插一个长度 1 的轴，让 (5,1,3) 与 (1,8,3) 按第 6 章的规则对齐成 (5,8,3)。变式：若内存紧张（点数很大时 diff 中间数组是 N×M×3），改用展开公式 dist2 = (qq).sum(1)[:,None] + (rr).sum(1)[None,:] - 2*q@r.T，把中间数组压回 N×M——两种写法的选择本身就是"内存预算"思维。

⚠️ 常见坑：v[:, None] 与 v[None, :] 插轴位置写反是广播错误的第一大来源。写完先打 .shape 确认，再接运算，这一秒钟能省半小时调试。

展平方向辨析练习

ravel 与 flatten 都接受 order 参数，结果差异值得亲手看一次，这是理解 C 序 F 序最直观的练习题：

import numpy as np

m = np.arange(6).reshape(2, 3)

print(m.ravel())          # [0 1 2 3 4 5]   按行读
print(m.ravel(order="F")) # [0 3 1 4 2 5]   按列读

# 验证：按列读等价于先转置再按行读
print(np.array_equal(m.ravel(order="F"), m.T.ravel()))   # True
​

同一块内存，两种读法得到不同序列——这句话就是"数据块与解释方式分离"的最后一道练习题。做图像或矩阵与外部系统（比如按列存储的数据库、Fortran 写的老求解器）交换数据时，order 参数就是那把对齐钥匙。

顺带一提展平的逆操作：一维升回多维用 reshape，配 -1 拼接也是常见组合，比如把一批展平后的向量 reshape(-1, 28, 28) 还原成图片堆——深度学习数据管线的标准动作。

本节要点回顾

• ravel 视图为先：连续时零拷贝；转置等非连续数组仍会拷贝，可用 order 指定展平次序
• flatten 语义即拷贝：无条件独立副本，可读性优先时选它
• newaxis 插轴：在切片任意位置放长度 1 的轴，是广播对齐的标准工具
• squeeze 删轴：优先带 axis 参数，避免裸 squeeze 碰到意外形状时报错
• atleast 家族：写库时给输入兜底维度，比到处写 if 判断干净

形状工具备齐，第 6 章正式进入运算世界：元素级运算的内存账本，以及把这些形状技巧串成完整对齐规则的广播机制。