numpy中axis——轴之个人看法

最近用到numpy中sum函数，需要对不同维度进行求和，也就是指定axis参数。

环境： python3.6 + ipython

var code = "2fcb08ec-170a-49bc-9e0f-2f8980e0545d"

1. 初始化数组x。

In [1]: import numpy as np

In [2]: x = np.array(range(24))

In [3]: x
Out[3]:
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])

2.将x变形，并求和。（采用默认axis，将数组展为一维进行求和） 

In [10]: y = x.reshape(4,6)

In [11]: y
Out[11]:
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]])

In [12]: np.sum(y)
Out[12]: 276

3. 此时我们已知轴的个数为2，也就是秩为2。分别用axis=0，axis=1尝试np.sum()

In [21]: np.sum(y, axis=0)
Out[21]: array([36, 40, 44, 48, 52, 56])

In [22]: np.sum(y, axis=1)
Out[22]: array([ 15,  51,  87, 123])

 在 out[21]中可以看到axis=0(也就是x.shape[0]，4), sum结果的长度为6； 而 out[22]中可以看到axis=1(也就是x.shape[1]，6), sum结果的长度为4；

个人理解为：在选中某一轴(如：axis=0)，就是将该轴从 “高维” 降为 “一个数”。

当axis=0，该轴对应的数据，经过 某种操作 后会“退化”为一个数，故该维度也会消失。

4.利用上述的看法解释更高维（2*3*4）

In [32]: z = x.reshape(2, 3, 4)

In [33]: z
Out[33]:
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]]])

In [34]: z.ndim
Out[34]: 3

In [35]: np.sum(z, axis=0)
Out[35]:
array([[12, 14, 16, 18],
       [20, 22, 24, 26],
       [28, 30, 32, 34]])

In [36]: np.sum(z, axis=1)
Out[36]:
array([[12, 15, 18, 21],
       [48, 51, 54, 57]])

In [37]: np.sum(z, axis=2)
Out[37]:
array([[ 6, 22, 38],
       [54, 70, 86]])

 当axis=0, 选中该轴含有的2个元素进行求和，则该维度会 进行求和， 退化为3*4。结果与设想一致。

深入理解： 选中，就把其他维度 压缩 成一个数进行运算。理解为一维数组的求和，只不过这个一维数组里面的每一个元素是3*4的矩阵进行求和。

那当axis=1, 该轴含有3个元素，每一个元素 是含有4个‘元素’的数组 进行求和。

axis=2，也就是该轴含有4个元素，每个元素为一个数进行求和。（所谓一维数组的求和，就是这样进行的）

综上，分析结果与示例代码一致，个人理解 "行得通"。

总结：

1.轴的个数成为秩，轴要从外往内看。

2.数组的shape()，反映出每一个轴上的 元素个数， 该元素可能是 n*k*l 的数组。

3.np中采用axis选择轴时，沿着该轴进行操作，可以类比 该轴 为一维数组去思考。

以上均是个人对numpy中的axis参数的个人理解，如有错误，欢迎评论指出。