【JavaScript】不用flat怎么扁平化数组

你想在不使用数组的flat()方法的前提下实现数组扁平化,核心是通过递归或迭代的方式,逐层遍历数组中的元素,把嵌套的子数组 “拆解” 成一维数组。我会给你几种实用且易懂的实现方式,覆盖不同场景需求。

方法 1:递归实现(最易理解,适合新手)

递归的核心思路是:遍历数组的每一个元素,如果元素是数组,就继续递归处理这个子数组;如果不是数组,就直接加入结果数组。

// 递归实现数组扁平化(可指定扁平化深度,默认完全扁平化) function flattenArray(arr, depth = Infinity) { // 存储最终扁平化结果 const result = []; // 遍历原数组的每一个元素 arr.forEach(item => { // 判断:如果当前元素是数组,且还没达到指定扁平化深度 if (Array.isArray(item) && depth > 0) { // 递归处理子数组,深度减1 result.push(...flattenArray(item, depth - 1)); } else { // 非数组元素直接加入结果 result.push(item); } }); return result; } // 测试用例 const nestedArr = [1, [2, [3, [4, 5]], 6], 7]; // 完全扁平化 console.log(flattenArray(nestedArr)); // [1, 2, 3, 4, 5, 6, 7] // 只扁平化1层 console.log(flattenArray(nestedArr, 1)); // [1, 2, [3, [4, 5]], 6, 7]

关键解释

  • Array.isArray(item):判断元素是否为数组,这是扁平化的核心判断条件;
  • depth 参数:控制扁平化深度,和flat(depth)的参数逻辑一致,默认Infinity表示完全扁平化;
  • 扩展运算符...:把递归返回的子数组元素逐个推入结果数组,避免嵌套。

方法 2:迭代实现(循环 + 栈,避免递归栈溢出)

如果数组嵌套层级极深(比如几十层),递归可能会触发栈溢出错误,这时用迭代(循环)+ 栈的方式更稳健。

// 迭代实现数组扁平化(完全扁平化) function flattenArrayIterative(arr) { // 用栈存储待处理的元素,先把原数组浅拷贝入栈 const stack = [...arr]; const result = []; // 只要栈不为空,就继续处理 while (stack.length) { // 弹出栈顶元素 const item = stack.pop(); if (Array.isArray(item)) { // 如果是数组,把元素重新推入栈(注意顺序:pop是从末尾取,所以要反向推入保持原顺序) stack.push(...item); } else { // 非数组元素加入结果 result.push(item); } } // 因为pop是从后往前取,结果需要反转恢复原顺序 return result.reverse(); } // 测试用例 const nestedArr = [1, [2, [3, 4], 5]]; console.log(flattenArrayIterative(nestedArr)); // [1, 2, 3, 4, 5]

关键解释

  • 栈(stack)的特性是 “后进先出”,所以最后需要reverse()恢复原数组顺序;
  • 迭代方式没有递归的栈深度限制,适合处理超深嵌套的数组。

方法 3:利用 reduce 简化递归(简洁写法)

reduce 可以替代手动遍历和结果数组的声明,让代码更简洁,核心逻辑和递归法一致。

// reduce实现扁平化 function flattenArrayReduce(arr, depth = Infinity) { return arr.reduce((acc, item) => { if (Array.isArray(item) && depth > 0) { // 递归处理子数组,合并到累计结果中 return acc.concat(flattenArrayReduce(item, depth - 1)); } else { // 非数组元素直接合并 return acc.concat(item); } }, []); // 初始值为空数组 } // 测试用例 const nestedArr = [1, [2, [3]], 4]; console.log(flattenArrayReduce(nestedArr)); // [1, 2, 3, 4]

关键解释

  • reduceacc(累计值)就是最终的扁平化数组;
  • concat 方法可以把数组或单个元素合并到数组中,替代push(...)更简洁。

总结

不用flat()实现数组扁平化的核心要点:

  1. 核心逻辑:遍历数组元素,判断是否为数组,是则拆解层级,否则直接保留;
  2. 实现方式
    • 递归(forEach/reduce):代码易读,适合常规嵌套深度的数组;
    • 迭代(栈):无栈溢出风险,适合超深嵌套的数组;
  3. 扩展点:通过depth参数可模拟flat(depth)的 “指定深度扁平化” 功能,适配不同需求。

这些方法都能兼容所有主流浏览器,且逻辑清晰,新手可以先从递归法入手理解,再根据实际场景选择迭代法或 reduce 写法。

Read more

AIGC - Raphael AI:全球首个无限制免费 AI 图片生成器

AIGC - Raphael AI:全球首个无限制免费 AI 图片生成器

文章目录 * 引言 * 一、Raphael AI 是什么? * 二、核心引擎:Flux.1-Dev 与 Flux Kontext * 1. Flux.1-Dev:极速与精细的结合 * 2. Flux Kontext:精确的语义理解 * 三、主要功能一览 * 1. 零成本创作 * 2. 多风格引擎 * 3. 高级文本理解 * 4. 极速生成 * 5. 隐私保护 * 四、实测体验与使用方式 * 五、与其他 AI 绘图平台的对比 * 六、未来发展与生态计划 * 七、总结:AI 创意的平权时代 引言 在生成式 AI 技术飞速发展的时代,图像生成的门槛正在被彻底打破。

By Ne0inhk

揭秘VSCode Copilot无法登录原因:5步快速恢复访问权限

第一章:VSCode Copilot无法登录问题概述 Visual Studio Code(VSCode)中的GitHub Copilot作为一款智能代码补全工具,极大提升了开发者的编码效率。然而,在实际使用过程中,部分用户频繁遭遇Copilot无法正常登录的问题,导致功能受限或完全不可用。该问题可能由多种因素引发,包括网络连接异常、身份验证失效、插件配置错误或系统环境限制等。 常见表现形式 * 点击“Sign in to GitHub”后无响应或弹窗无法加载 * 登录完成后仍提示“GitHub authentication failed” * Copilot状态始终显示为“Not signed in” 基础排查步骤 1. 确认网络可正常访问GitHub服务,必要时配置代理 2. 检查VSCode是否已更新至最新版本 3. 重新安装GitHub Copilot及GitHub Authentication扩展 验证身份认证状态 可通过开发者工具查看认证请求是否成功发出。在VSCode中按 F1,输入 Developer: Open

By Ne0inhk
AIGC赋能插画创作:技术解析与代码实战详解

AIGC赋能插画创作:技术解析与代码实战详解

文章目录 * 一、技术架构深度解析 * 二、代码实战:构建AIGC插画生成器 * 1. 环境配置与依赖安装 * 2. 模型加载与文本提示词构建 * 3. 图像生成与参数调优 * 4. 风格迁移与多模型融合 * 三、进阶技巧:参数调优与效果增强 * 四、应用场景代码示例 * 1. 游戏角色设计 * 2. 广告海报生成 * 五、技术挑战与解决方案 * 六、未来趋势:AIGC插画创作生态 * 七、完整项目代码仓库 * 结语:重新定义插画创作边界 * 《一颗柚子的插画语言》 * 内容简介 * 作者简介 * 目录 * 前言 在数字艺术领域,AIGC(AI-Generated Content)技术正以指数级速度革新插画创作范式。下面将通过技术原理剖析与完整代码实现,展示如何从零构建AIGC插画生成系统,涵盖环境搭建、模型调用、参数调优到风格迁移全流程。 一、技术架构深度解析 AIGC插画生成的核心基于扩散模型(

By Ne0inhk

Llama Factory时间旅行:比较不同版本基座模型的微调效果

Llama Factory时间旅行:比较不同版本基座模型的微调效果 为什么需要比较不同版本的基座模型 在AI模型迭代过程中,研究团队经常面临一个关键问题:新版本的基座模型到底带来了哪些实质性改进?传统做法需要手动下载不同版本模型、配置独立环境、处理版本冲突,过程繁琐且容易引入变量干扰。Llama Factory的"时间旅行"功能正是为解决这一痛点而生。 这类对比实验通常需要GPU环境支持。目前ZEEKLOG算力平台提供了包含Llama Factory的预置镜像,可快速部署验证。通过该镜像,我们可以轻松加载历史版本模型,在相同数据集和参数下进行公平对比。 快速部署Llama Factory微调环境 1. 在GPU算力平台选择预装Llama Factory的镜像(建议选择PyTorch+CUDA基础环境) 2. 启动实例后,通过终端验证环境是否就绪: python -c "import llama_factory; print(llama_factory.__version__)" 1. 准备实验所需的基础模型版本(以LLaMA-3系列为例): mkdir -p

By Ne0inhk