1. 为什么需要数组扁平化？

第一次处理图像数据时，我遇到了一个三维数组——它由多个二维矩阵堆叠而成。当时需要计算所有像素的平均值，但统计函数只接受一维输入。这个看似简单的需求，让我花了整个下午研究如何"压平"这个多维数组。

数组扁平化（Flattening）就是把嵌套的多维数组转换成一维序列的过程。比如把[[1,2],[3,4]]变成[1,2,3,4]。这在实际开发中非常常见：

• 机器学习中预处理特征矩阵
• 图像处理时操作像素数据
• 神经网络输入层的维度调整
• 数据可视化前的格式整理

但Python自带的列表(list)并没有直接的扁平化方法。下面这张表对比了常见数据结构对扁平化的支持情况：

数据结构	原生支持扁平化	需要额外处理
普通列表	❌	✅
NumPy数组	✅	❌
Pandas DataFrame	❌	✅

2. 基础方法：不用任何库

2.1 列表推导式

最Pythonic的写法，适合处理中小型列表：

matrix = [[1,2,3], [4,5,6], [7,8,9]]
flatten = [item for row in matrix for item in row]
# 输出：[1,2,3,4,5,6,7,8,9]

我特别喜欢这种写法，因为它就像读英文句子一样自然："对于矩阵中的每一行，对于行中的每个元素"。不过当嵌套超过两层时，可读性会下降。

2.2 sum函数妙用

一个很酷的技巧是利用sum的拼接特性：

matrix = [[1,2], [3,4]]
flatten = sum(matrix, [])
# 输出：[1,2,3,4]

原理是sum的第二个参数是初始值，设为空列表后就会执行列表拼接。但要注意性能问题——它在内部其实是循环拼接，时间复杂度是O(n²)。

2.3 递归解法

对于不规则的多维列表（比如[[1,[2]],3]），递归是最可靠的方式：

def flatten(lst):
    result = []
    for item in lst:
        if isinstance(item, list):
            result.extend(flatten(item))
        else:
            result.append(item)
    return result

这个方案能处理任意深度的嵌套结构。我在处理JSON数据时经常用它，特别是当数据来自不确定结构的API响应时。

3. 标准库工具

3.1 itertools.chain

处理大型数据集时，我首推这个方案：

from itertools import chain

matrix = [[1,2,3], [4,5,6]]
flatten = list(chain.from_iterable(matrix))

chain对象是惰性求值的，不会立即创建新列表。这在处理GB级数据时能显著减少内存占用。实测下来，它比列表推导式快15%左右。

3.2 functools.reduce

函数式编程爱好者的选择：

from functools import reduce
import operator

matrix = [[1,2], [3,4]]
flatten = reduce(operator.add, matrix)

这个写法的性能其实不如列表推导式，但展示了Python支持多种编程范式的能力。我在教学时常用它来演示函数式编程思想。

4. NumPy专业方案

当处理数值计算时，NumPy提供的方案是性能王者。

4.1 flatten vs ravel

这两个方法经常被混淆：

import numpy as np

arr = np.array([[1,2], [3,4]])
f1 = arr.flatten()  # 总是返回拷贝
f2 = arr.ravel()    # 可能返回视图

关键区别在于内存分配：

• flatten() 总会创建新数组
• ravel() 在原数组连续时会返回视图

在图像处理项目中，我习惯用ravel()来避免不必要的内存拷贝。

4.2 reshape的魔法

最灵活的变形方法：

arr = np.arange(9).reshape(3,3)
flatten = arr.reshape(-1)  # -1表示自动计算

reshape不会实际移动数据，只是改变"视图"。我经常用它来做张量运算前的维度调整。

5. 性能对决

我用1000x1000的随机矩阵测试了各方法的耗时（单位：毫秒）：

方法	Python列表	NumPy数组
列表推导式	120	-
itertools.chain	95	-
sum拼接	3800	-
flatten()	-	5
ravel()	-	0.5
reshape(-1)	-	0.5

几个发现：

1. 对纯Python列表，itertools最快
2. sum的性能灾难性地差
3. NumPy方法比纯Python快100倍以上
4. ravel和reshape几乎没有开销

6. 如何选择最佳方案

根据我的经验，可以按这个流程图选择：

开始
  │
  ├─ 是否使用NumPy？ → 是 → 用ravel()或reshape(-1)
  │
  └─ 否 → 数据量是否很大？ → 是 → 用itertools.chain
           │
           └─ 否 → 需要处理不规则嵌套？ → 是 → 用递归
                      │
                      └─ 否 → 用列表推导式

实际项目中，我通常会写一个工具函数来统一处理：

def smart_flatten(data):
    if 'numpy' in str(type(data)):
        return data.ravel()
    try:
        from itertools import chain
        return list(chain.from_iterable(data))
    except:
        return [item for sublist in data for item in sublist]

这个函数会自动选择最优方案，是我在多个机器学习项目中提炼出来的最佳实践。