链接文章：
Python数组存储方式与向量化、按行按列展开——Dust_Evc
NumPy：确定 ndarray 是查看还是复制以及它是否共享内存
理解 numpy 中 ndarray 的内存布局和设计哲学
numpy.ravel()
import numpy as np
a = np.arange( 12 ).reshape( 3 , 4 )
print (a)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
print (np.ravel(a))
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
print (type(np.ravel(a)))
# <class 'numpy.ndarray'>
您可以指定一个所谓的类数组对象，例如 Python 的内置list. 在这种情况下，也numpy.ndarray返回。
print (np.ravel([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]))
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
print ( type (np.ravel([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]))
# <class 'numpy.ndarray' >
请注意，如果内部列表中的元素数量不同，numpy.ndarray则返回列表作为元素。
print (np.ravel([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9]]))
# [list([0, 1, 2, 3]) 列表([4, 5, 6, 7]) 列表([8, 9])]
print ( type (np.ravel([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9]])))
# <class 'numpy.ndarray'>
ndarray.flatten()
flatten()也作为 的方法提供numpy.ndarray。
a = np.arange( 12 ).reshape( 3 , 4 )
print (a.flatten())
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
如果可能，ravel()返回一个视图，但flatten()总是返回一个副本。(在视图的情况下，它与原始numpy.ndarray共享内存，因此如果您更改其中一个的值，另一个的值也会更改。在副本的情况下，为每个分配内存，因此它们彼此分开处理。)
flatten()比ravel()慢，因为它需要分配内存。
请注意，从版本 开始1.17，flatten()仅作为numpy.ndarray的方法提供，而不是numpy.ndarray() 之类的函数 (np.flatten()）。
ravel()和flatten()之间的区别
ravel()和reshape()尽可能返回一个视图，而flatten()总是返回一个副本。
有关 的视图和副本的更多信息，请参阅以下文章numpy.ndarray。
print (np.shares_memory(a, a.ravel()))
# True
print (np.shares_memory(a, np.ravel(a)))
# True
print (np.shares_memory(a, a.flatten()))
# False
print (np.shares_memory(a, a.reshape(-1)))
# True
print (np.shares_memory(a, np.reshape(a, -1)))
# True
在视图的情况下，它与原始 共享内存numpy.ndarray，因此如果您更改其中一个的值，另一个的值也会更改。
a_ravel = a.ravel()
print(a_ravel)
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
a_ravel[0] = 100
print(a_ravel)
# [100 1 2 3 4 5 6 7 8 9 10 11]
print(a)
# [[100 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
在副本的情况下，为每个分配内存，因此它们彼此分开处理。
ravel()并reshape()尽可能返回视图，但在某些情况下，它们会返回副本。
例如，如果具有指定步长的切片被展平并且内存中的步幅不恒定，则也返回一个副本ravel()。reshape()
a = np.arange(12).reshape(3, 4)
print（一）
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
print(a[:, ::3])
# [[ 0 3]
# [ 4 7]
# [ 8 11]]
print(np.shares_memory(a[:, ::3], np.ravel(a[:, ::3])))
# Flase
print(np.shares_memory(a[:, ::3], np.reshape(a[:, ::3], -1)))
# Flase
在某些情况下，ravel()给出reshape()不同的结果。如果 stride 即使对于带有 step 的 slice 也是不变的，则reshape()返回一个视图，但ravel()返回一个副本。
对于多维数组
到目前为止的示例是针对二维数组的，但是可以用相同的方式展平三维或更多维的多维数组。
a_3d = np.arange(24).reshape(2, 3, 4)
print (a_3d)
# [[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
#
# [[12 13 14 15]
#[16 17 18 19]
#[20 21 22 23]]]
print (a_3d.ravel())
# [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
print (a_3d.ravel( 'F' ))
# [ 0 12 4 16 8 20 1 13 5 17 9 21 2 14 6 18 10 22 3 15 7 19 11 23]
另附：ndarray.flat
数组上的一维迭代器。
这是一个numpy.flatiter实例，其行为类似于 Python 的内置迭代器对象，但不是其子类。
例子
>>> x = np.arange(1, 7).reshape(2, 3)
>>> x
array([[1, 2, 3],
[4, 5, 6]])
>>> x.flat[3]
4
>>> x.T
array([[1, 4],
[2, 5],
[3, 6]])
>>> x.T.flat[3]
5
>>> type(x.flat)
<class 'numpy.flatiter'>
>>> x.flat = 3; x
array([[3, 3, 3],
[3, 3, 3]])
>>> x.flat[[1,4]] = 1; x
array([[3, 1, 3],
[3, 1, 3]])