看到这个answer我想知道X的扁平化视图的创建是否本质上是一样的，只要我知道X中的轴数是3：
A = X.ravel()
s0, s1, s2 = X.shape
B = X.reshape(s0*s1*s2)
C = X.reshape(-1) # thanks to @hpaulj below
我不是在问 A 和 B 和 C 是否相同。
我想知道在这种情况下 ravel 和 reshape 的特定用法是否基本相同，或者两者之间是否存在显着差异、优点或缺点 ，前提是您提前知道 X 的轴数。
第二种方法需要几微秒，但这似乎与大小无关。
【问题讨论】：
标签： numpy
看看他们的__array_interface__ 并做一些计时。我能看到的唯一区别是ravel 更快。
.flatten() 有一个更显着的区别 - 它返回一个副本。
A.reshape(-1)
是使用 reshape 的一种更简单的方法。
您可以研究相应的文档，看看是否还有其他内容。我还没有研究过当你指定order 时会发生什么。
如果我只希望它是 1d，我会使用 ravel。我最常使用.reshape 将一维（例如arange()）更改为nd。
例如
np.arange(10).reshape(2,5).ravel()
或者选择让你的代码最易读的那个。
reshape和ravel在numpyC代码中定义：
PyArray_Ravel(PyArrayObject *arr, NPY_ORDER order) 需要将近 100 行 C 代码。如果订单发生变化，它会转至PyArray_Flatten。
在同一个文件中，reshape 平底船到 newshape。这反过来返回一个view 是形状实际上并没有改变，尝试_attempt_nocopy_reshape，最后返回一个PyArray_NewCopy。
两者都使用 PyArray_Newshape 和 PyArray_NewFromDescr - 取决于形状和顺序如何混合和匹配。
因此，确定 reshape (to 1d) 和 ravel 的不同之处需要仔细研究。
另一种方法是创建一个新数组，具有新的形状，但数据缓冲区相同：
np.ndarray((24,),buffer=A.data)
它的时间与reshape 相同。它的__array_interface__ 是一样的。我不推荐使用这种方法，但它可能会澄清这些重塑/拉威尔函数发生了什么。他们都制作了一个新的数组，具有新的形状，但共享数据（如果可能的话）。时序差异是函数调用序列不同（在 Python 和 C 中）的结果，而不是数据处理方式不同的结果。
【讨论】：
.reshape(-1) 很有帮助！
ravel 采取直接路线，reshape 采取更一般的路线。是我去挖还是你来？
view，“数据”的处理方式就没有区别。
ravel() 是扁平化视图的首选，因为它似乎是最快的。