(笔记)Numpy中joint/stack/sum/mean/median的Axis如何理解？

background: 在机器学习中如果使用Python必然会用到Numpy库，但Numpy中对多维数组进行joint/stack/sum/mean/median会用到一个参数Axis，这个参数在w3schools中没有细说，非常让人confuse例子的output.

结论：N-d数组可以根据指定axis=x沿着x轴collapse，完成后成为N-1 d数组，x轴collapse成1个元素，可以视为移除了这个维度。下面图是我在PyCharm中的实验结果，符合参考(2)的说明，不符合参考(1)对于3-D维度的推测。

关键内容：

(1) 来自参考(2)What we must know about axis numbering is that indexing always starts with the highest dimension , 参考(1)的描述就没说清first是不是highest，In a NumPy array, axis 0 is the “first” axis.

（2）

    图1：1-D

图2： 2-D

参考：

(1) Numpy Axes, Explained - Sharp Sight

优点：图文详细说明了2-d ,1-d情况下Axis如何理解。有兴趣可以读读作者其他的post

缺点：没有针对3-d ,4-d做详细说明，一笔带过。下面对3-d的讨论不符合我的实验结果和参考(2)的介绍。

而且维护人在comment的内容与参考(2)矛盾：The rows of each card will be axis 0.
The columns of each card will be axis 1.
And the direction of new cards will be axis 2 。

No, Mateusz, the correct dimensions for the card example are [r,c,n]

参考(2)认为3-d中axis 0是highest

(2) Multi-dimensional Numpy array aggregation

优点：图文说明了1-d,2-d,3-d情况下Axis的使用，补充了(1)没有详细说3-d的情况，对于(1)说的不清楚的地方也有纠正，很好。

缺点：再来介绍4-d就好了，因为大家大部分都是勉强能理解3-d情况下使用Axis，毕竟3-d可以演示成3维图像。4-d开始就是完全抽象的纯数学了。