タイトル: 多次元配列を１次元配列に変換
SEOタイトル: NumPy で多次元配列を 1 次元に変換する方法完全ガイド
| この記事の要点 |
|
flatten() と ravel() の違い
NumPy で多次元配列を 1 次元にする代表的な 2 つのメソッド:
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape) # (2, 3)
# 方法1: flatten（常にコピー）
b = a.flatten()
print(b) # [1 2 3 4 5 6]
print(b.shape) # (6,)
b[0] = 99
print(a[0, 0]) # 1 (元は変わらない)
# 方法2: ravel（可能なら view）
c = a.ravel()
print(c) # [1 2 3 4 5 6]
c[0] = 99
print(a[0, 0]) # 99 (元も変わる！)| flatten() | ravel() | reshape(-1) | |
|---|---|---|---|
| 戻り値 | 新しい配列（コピー） | 可能なら view | 可能なら view |
| メモリ使用 | 2 倍 | 同じ | 同じ |
| 速度 | 遅い（コピー発生） | 速い | 速い |
| 元配列への影響 | なし（安全） | あり（view 時） | あり（view 時） |
| 連続でない配列 | OK | コピー発生 | コピー発生 |
reshape(-1) を使う方法
a = np.arange(24).reshape(2, 3, 4)
print(a.shape) # (2, 3, 4)
# -1 は「残り全部」の意味
b = a.reshape(-1)
print(b.shape) # (24,)
print(b)
# [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
# 多次元 → 別の多次元も可能
c = a.reshape(6, 4)
d = a.reshape(-1, 4) # 行は自動計算C-order と F-order
1 次元化のとき、要素を取り出す順序を指定できます:
a = np.array([[1, 2, 3],
[4, 5, 6]])
# C-order（行優先、デフォルト）
print(a.flatten(order='C'))
# [1 2 3 4 5 6] ← 行を順に並べる
# F-order（列優先、Fortran）
print(a.flatten(order='F'))
# [1 4 2 5 3 6] ← 列を順に並べる
# K-order（メモリレイアウトに従う）
print(a.flatten(order='K'))
# C 配列なら C 順、F 配列なら F 順
# A-order（C 連続なら C、それ以外は F）
print(a.flatten(order='A'))| order | 意味 | 用途 |
|---|---|---|
| C | 行優先（NumPy デフォルト） | Python / C と相性良 |
| F | 列優先（Fortran） | MATLAB / 線形代数で使用 |
| K | メモリ順 | 最速 |
| A | 連続性優先 | あまり使われない |
np.concatenate と np.stack
複数の配列を結合して 1 次元化する場合:
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
# concatenate: 既存の軸に沿って結合
c = np.concatenate([a.ravel(), b.ravel()])
# [1 2 3 4 5 6 7 8]
# または直接 reshape
c = np.concatenate([a, b], axis=None)
# axis=None で自動 1 次元化
# [1 2 3 4 5 6 7 8]
# np.hstack / np.vstack
d = np.hstack([a, b]) # 横方向（axis=1）
# [[1 2 5 6]
# [3 4 7 8]]
e = np.vstack([a, b]) # 縦方向（axis=0）
# [[1 2] [3 4] [5 6] [7 8]]Python のリスト内包表記との比較
import numpy as np
a = np.arange(1_000_000).reshape(1000, 1000)
# 方法1: Python ループ（遅い）
flat_py = [x for row in a for x in row]
# 約 200ms
# 方法2: numpy.ravel（速い）
flat_np = a.ravel()
# 約 0.001ms （20万倍速い）
# 速度差の理由:
# - Python ループは要素ごとに Python オブジェクト化
# - NumPy はメモリレイアウトをそのまま使う（コピー不要なら）メモリ効率の違い
import numpy as np
import sys
a = np.arange(10_000_000)
print(a.nbytes / 1024 / 1024, "MB") # 76 MB
# flatten はコピー → 倍の 152 MB を使う
b = a.flatten()
# ravel は view → 元と同じメモリ
c = a.ravel()
print(c.base is a) # True（同じデータを共有）
print(b.base) # None（独立）view と copy の判定
ravel / reshape が view を返せないケースもあるので確認方法:
a = np.arange(12).reshape(3, 4)
b = a.ravel()
print(b.base is a) # True (view)
# 連続でない配列（slice 等で抜き出した場合）
c = a[:, ::2] # 1 つ飛ばしで列を抜く
print(c.flags.c_contiguous) # False
d = c.ravel()
print(d.base is a) # False (コピーになった)
# 明示的に view を強制
e = c.reshape(-1)
# これはエラーになる場合あり
# 確実に view を取りたいなら .ravel(order='K')
f = c.ravel(order='K')PyTorch / TensorFlow の同等関数
| NumPy | PyTorch | TensorFlow |
|---|---|---|
arr.flatten() | tensor.flatten() | tf.reshape(t, [-1]) |
arr.ravel() | tensor.view(-1) | 同上 |
arr.reshape(-1) | tensor.reshape(-1) | 同上 |
arr.flatten(order="F") | 非対応 | 非対応 |
機械学習での典型例
# CNN の出力を全結合層に通すとき
batch_size, channels, h, w = 32, 64, 7, 7
features = np.random.randn(batch_size, channels, h, w)
# (32, 64, 7, 7) → (32, 3136) に変換
flattened = features.reshape(batch_size, -1)
print(flattened.shape) # (32, 3136)
# 画像 1 枚のピクセルベクトル化
image = np.random.randint(0, 256, (28, 28), dtype=np.uint8)
vector = image.flatten() # shape (784,)FAQ
Q: flatten した結果を変更しても元配列が変わる
A: flatten はコピーなので変わらないはず。ravel や reshape(-1) なら view なので変わる。
Q: 巨大配列で flatten がメモリエラー
A: コピーが必要なので元の 2 倍メモリを要求する。ravel を使うか、ジェネレータで chunk 処理に切替。
Q: 順序を維持したまま列優先で取り出したい
A: .flatten(order="F") または .T.ravel()（転置 → ravel）。