numpy中对于axis的理解

写在前面

我们知道axis这个东西经常出现在numpy的sum、argsort等一系列有关于数组的操作中，numpy中的轴axis是很重要的，许多numpy的操作根据axis的取值不同，作出的操作也不相同。可以说，axis让numpy的多维数组变的更加灵活，但也让numpy变得越发难以理解。因此，弄清楚axis的作用显得尤为重要。作为一个很基本同时很重要的概念，博主觉得很有必要详细深入了解一下这一名词。
下面把博主的一些发现分享给大家。

简单了解axis

---

axis 中文翻译指“轴”、“枢轴”。我们可以看一下英文官网的解释:

NumPy 的主要对象是同构多维数组。 它是一个元素表（通常是数字），所有类型都相同，由非负整数元组索引。 在 NumPy 中，维度称为轴。

例如，3D 空间 [1, 2, 1] 中一个点的坐标有一个轴。 该轴有 3 个元素，因此我们说它的长度为 3。在下图中的示例中，该数组有 2 个轴。 第一个轴的长度为 2，第二个轴的长度为 3。

[[1., 0., 0.],
 [0., 1., 2.]]

实际上这个维度称为轴并不是很好理解，必须说明这里的轴维度和我们数学物理上面的是有很大区别的。

与数学物理方面的区别

---

我们现随机建立一个3×3的数组。

>>> import numpy as np
>>> np.random.rand(3, 3)
array([[0.14828241, 0.67698515, 0.22729984],
       [0.78760285, 0.71820171, 0.43459394],
       [0.85447318, 0.72708047, 0.56316259]])

该矩阵由于形状是3×3的，所以我们在线性代数里面认为这个矩阵维度是三（秩为三），但是在numpy的数组中，这个array的维数只有2，分别有axis=0,axis=1这两个轴，而axis=0的轴长度为3，axis=1的轴长度也为3.所以这里我们格外注意一下。

进一步理解

---

我们进行一下有关axis的操作，例如求和：

>>> c = np.arange(9).reshape(3,3)
>>> c
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> c.sum(axis=0)
array([ 9, 12, 15])
>>> c.sum(axis=1)
array([ 3, 12, 21])
>>>  

这里可以看出，如果我们令axis=0,它会按照列求和得到一个和矩阵，令axis=1会得到一个按照行求和的矩阵。那么如果我们就这么记的话是不是就万事大吉了？当然不是！因为通常操作中，我们会操作维数更高的数组，这么的话，就无法使用0列1行的方法去操作了。

实际上，我们有着以下的规律：

设axis=i，则Numpy沿着第i个下标变化的方向进行操作

当然这里稍微补充一下如果是axis=-1的情况，那么就是沿着倒数第一个下标变化的方向开始操作

这里可以多举几个例子来帮助我们理解一下：

以以下三维数组为例：

>>> d = np.arange(24).reshape(3, 2, 4)
>>> d
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])

1. 这是一个三维数组，若axis=0,那么我们就应该把d[0][i][j]+d[1][i][j]+d[2][i][j]加起来，最终得到一个形状为2×4的矩阵

>>> d
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> d.sum(axis=0)
array([[24, 27, 30, 33],
       [36, 39, 42, 45]])
>>>  

如图所示，确实得到了一个2×4的矩阵。

2. 接着我们尝试axis=1,那么应该得到了一个3×4的矩阵

>>> d = np.arange(24).reshape(3, 2, 4)
>>> d
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> d.sum(axis=0)
array([[24, 27, 30, 33],
       [36, 39, 42, 45]])
>>> d.sum(axis=1)
array([[ 4,  6,  8, 10],
       [20, 22, 24, 26],
       [36, 38, 40, 42]])

结果便是如此。

实际上除了sum函数，还有着许许多多需要用到这方面知识的函数，例如max、min、average、argsort、sort这些函数。

举几个我们看一下：

• sort

>>> e = np.random.randint(0, 20, 9).reshape(3, 3)
>>> e.sort()
>>> e
array([[ 3,  4,  4],
       [ 9, 12, 14],
       [ 4,  7,  7]])
>>> e.sort(axis=0)
>>> e
array([[ 3,  4,  4],
       [ 4,  7,  7],
       [ 9, 12, 14]])
>>> e.sort(axis=1)
>>> e
array([[ 3,  4,  4],
       [ 4,  7,  7],
       [ 9, 12, 14]])

• argsort

>>> f = np.random.randint(1, 20, 9).reshape(3, 3)
>>> f
array([[ 7,  4, 15],
       [15, 17, 19],
       [19, 15,  5]])
>>> f_sort = f.argsort()
>>> f_sort
array([[1, 0, 2],
       [0, 1, 2],
       [2, 1, 0]], dtype=int64)
>>> f_sort0=f.argsort(axis=0)
>>> f_sort0
array([[0, 0, 2],
       [1, 2, 0],
       [2, 1, 1]], dtype=int64)
>>> f_sort1=f.argsort(axis=1)
>>> f_sort1
array([[1, 0, 2],
       [0, 1, 2],
       [2, 1, 0]], dtype=int64)

参考链接：

• https://zhuanlan.zhihu.com/p/31275071

• https://blog.csdn.net/m0_37673307/article/details/82118030

• https://stackoverflow.com/questions/19389910/in-python-numpy-what-is-a-dimension-and-axis#:~:text=In%20Numpy%20dimensions%20are%20called,has%20a%20length%20of%203.

• https://numpy.org/doc/stable/user/quickstart.html#the-basics