和标题说的差不多。我已经阅读了文档并且我已经使用了一段时间的功能，但我无法辨别这种转换的物理表现是什么。
问问题
32371 次
5 回答
79
计算机内存是线性寻址的。每个存储单元对应一个数字。可以根据基址（即其第一个元素的内存地址）和项目索引来寻址内存块。例如，假设基地址为 10,000：
item index 0 1 2 3
memory address 10,000 10,001 10,002 10,003
为了存储多维块，它们的几何形状必须以某种方式适应线性内存。在C和NumPy中，这是逐行完成的。一个 2D 示例是：
| 0 1 2 3
--+------------------------
0 | 0 1 2 3
1 | 4 5 6 7
2 | 8 9 10 11
因此，例如，在这个 3×4 块中，2D 索引(1, 2)将对应于线性索引6，即1 x 4 + 2.
unravel_index做相反的事情。给定一个线性索引，它计算相应的ND索引。由于这取决于块尺寸，因此也必须通过这些尺寸。(1, 2)因此，在我们的示例中，我们可以从线性索引中获取原始 2D索引6：
>>> np.unravel_index(6, (3, 4))
(1, 2)
注意：以上内容掩盖了一些细节。1）将项目索引转换为内存地址还必须考虑项目大小。例如，一个整数通常有 4 或 8 个字节。因此，在后一种情况下，项目的内存地址i将是base + 8 x i. 2）。NumPy 比建议的要灵活一些。ND如果需要，它可以逐列组织数据。它甚至可以处理内存中不连续但例如留有间隙等的数据。
额外阅读：ndarray 的内部存储器布局
于 2018-01-07T11:05:54.143 回答
72
我们将从文档中的示例开始。
>>> np.unravel_index([22, 41, 37], (7,6))
(array([3, 6, 6]), array([4, 5, 1]))
首先，(7,6)指定我们要将索引转换回的目标数组的维度。其次，如果数组被展平，则该数组[22, 41, 37]上有一些索引。如果一个 7 x 6 数组被展平，它的索引看起来像
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, *22*, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, *37*, 38, 39, 40, *41*]
如果我们将这些索引展开回它们在昏暗(7, 6)数组中的原始位置，它将是
[[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, *22*, 23], <- (3, 4)
[24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35],
[36, *37*, 38, 39, 40, *41*]]
(6, 1) (6,5)
如果数组没有展平，函数的返回值会unravel_index告诉您[22, 41, 37] 的索引应该是什么。[(3, 4), (6, 5), (6,1)]如果数组没有展平，这些索引应该是。换句话说，该函数将展平数组中的索引传输回其未展平版本。
https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.unravel_index.html
于 2018-01-07T15:24:37.080 回答
44
这在内容上与其他两个答案没有什么不同，但它可能更直观。如果你有一个二维矩阵或数组，你可以用不同的方式引用它。您可以键入 (row, col) 以获取 (row, col) 处的值，或者您可以为每个单元格指定一个数字索引。unravel_index 只是在这两种引用矩阵中的值的方式之间进行转换。
这可以扩展到大于 2 的维度。您还应该知道 np.ravel_multi_index()，它执行反向转换。请注意，它需要 (row, col) 和数组的形状。
我还看到索引矩阵中有两个 10——哎呀。
于 2018-05-02T17:12:51.237 回答
1
我可以用非常简单的例子来解释它。这适用于np.ravel_multi_index以及np.unravel_index
>>> X = np.array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
>>> X.shape
(5, 2)
找出所有值 3在 X 中的位置：
>>> idx = np.where(X==3)
>>> idx
(array([1, 3, 3], dtype=int64), array([1, 0, 1], dtype=int64))
即x = [1,3,3]，y = [1,0,1]
它返回索引的 x, y（因为 X 是二维的）。
如果您应用ravel_multi_index获得idx：
>>> idx_flat = np.ravel_multi_index(idx, X.shape)
>>> idx_flat
array([3, 6, 7], dtype=int64)
idx_flat是 X 的线性索引，其中值为 3。
从上面的例子中，我们可以理解：
- ravel_multi_index 将多维索引（nd 数组）转换为单维索引（线性数组）
- 它仅适用于索引，即输入和输出都是索引
结果索引将是 的直接索引X.ravel()。您可以在下面进行验证x_linear：
>>> x_linear = X.ravel()
>>> x_linear
array([4, 2, 9, 3, 8, 5, 3, 3, 5, 6])
而unravel_index非常简单，只是上面的相反 (np.ravel_multi_index)
>>> idx = np.unravel_index(idx_flat , X.shape)
>>> idx
(array([1, 3, 3], dtype=int64), array([1, 0, 1], dtype=int64))
这与idx = np.where(X==3)
- unravel_index 将单维索引（线性数组）转换为多维索引（nd 数组）
- 它仅适用于索引，即输入和输出都是索引
于 2019-02-15T07:57:27.530 回答
-1
这仅适用于 2D 情况，但在这种情况下 np.unravel_index 函数返回的两个坐标分别相当于进行地板除法和应用模函数。
for j in range(1,1000):
for i in range(j):
assert(np.unravel_index(i,(987654321,j))==(i//j,i%j))
形状数组的第一个元素（即 987654321）是没有意义的，除了设置一个未散列的线性索引可以通过函数的大小的上限。
于 2020-07-08T13:01:22.370 回答