Numpy中的axis到底怎么看

在使用Numpy进行矩阵运算时，常常会需要选择对哪一轴（axis）进行求平均值等操作，笔者由于对矩阵不是很敏感，因此很多时候还是需要通过测试的笨办法来确定参数设置到底是axis=0还是axis=1。但是这样终归效率很低，因此在之前的一些测试经验上，总结出了识别Numpy矩阵中axis较为实用的一些规律。

首先从最简单的二维矩阵开始：

x = np.array([
    [1, 1, 1],
    [2, 2, 2],
    [3, 3, 3],
    [4, 4, 4],
])

首先查看axis=0时的均值

x.mean(axis=0)

结果为

array([2.5, 2.5, 2.5])

是对从最大的括号往里的第一级元素（即[1,1,1]这样的整体）进行了平均，得到的平均后的结果为一个3元素的矩阵，相当于是按列进行了平均；

再查看axis=1时的均值

x.mean(axis=1)

 结果为

array([1., 2., 3., 4.])

是对从里往外第二级括号内的元素进行了平均，得到一个4元素的矩阵，相当于是按行进行了平均。

对于二维矩阵来说，如果是死记硬背的话，那么就有如下的结论：

axis = 0 ：按列平均

axis = 1 ：按行平均

但是如果Numpy矩阵是更高维度的，那么这样死记硬背的方法可能就不太实用了。下面以三维的情况为例，简单阐述一下笔者对于Numpy矩阵操作时指定axis规律的理解。

x = np.array([
    [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]],
    [[2, 2, 2, 2], [2, 2, 2, 2], [2, 2, 2, 2], [2, 2, 2, 2], [2, 2, 2, 2]],
    [[3, 3, 3, 3], [3, 3, 3, 3], [3, 3, 3, 3], [3, 3, 3, 3], [3, 3, 3, 3]]
])

上面的代码中，x是一个3维矩阵，通过Numpy中提供的.shape属性来查看矩阵的形状：

x.shape
(3, 5, 4)

可以看到，x是一个形状的矩阵，而接下来要测试的axis分别取0、1、2时的输出，与矩阵的形状有很大关系。

首先给出axis分别取0、1、2时，对矩阵求均值的结果，以及相应的矩阵形状：

>> x.mean(axis=0)

array([[2., 2., 2., 2.],
       [2., 2., 2., 2.],
       [2., 2., 2., 2.],
       [2., 2., 2., 2.],
       [2., 2., 2., 2.]])
shape = (5, 4)

>> x.mean(axis=1)

array([[1., 1., 1., 1.],
       [2., 2., 2., 2.],
       [3., 3., 3., 3.]])
shape = (3, 4)

>> x.mean(axis=2)

array([[1., 1., 1., 1., 1.],
       [2., 2., 2., 2., 2.],
       [3., 3., 3., 3., 3.]])
shape = (3, 5)

在上述三种不同的axis参数设置下，得到的均值矩阵的形状具有一定的规律。对于axis=0的情况，结果shape=(5,4)，相较于原矩阵（3,5,4）去除了shape[0]的3，代表结果中的每个值是由原来的3个值平均得到；axis=1的结果shape=(3,4)，相较于原矩阵去除了shape[1]=5，代表结果中的每个值是由原来的5个值平均得到；axis=2的结果shape=(3,5)，相较于原矩阵去除了shape[2]=4，代表结果中的每个值是由原来的4个值平均得到。

因此，对于求均值操作，设置axis的规律为：

先写出原矩阵的shape，axis=k，就去掉shape中的第k+1个元素，剩下的元素组成了结果矩阵的形状，矩阵中每个元素都是由原来的shape[k]个元素平均得到。

 下面再来看一下具体的平均操作：

对于axis=0的情况，从最外层括号往内看一层，每个被平均的元素形式为

[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]

从上到下一共三个元素被平均，位置相加，最终得到5x4的结果中所有元素值均为2；

对于axis=1的情况，从最外层括号往内看两层，每个被平均的元素形式为

[1, 1, 1, 1]

在axis=0的基础上，每个最外层维度中一共包含5个[1, 1, 1, 1]形式的元素，对其进行平均，最终得到了3x4的结果；

对于axis=2的情况，从最外层括号往内看三层，每个被平均的元素形式为

1

同上，在axis=1的基础上，每个第二层维度中一共包含4个1形式的元素，对其进行平均，最终得到3x5的结果。