Python中np.sum()对axis的个人理解，超详细

你们讨论的axis=0和1并不是简单的行和列，axis=0表示的是第一个维度，在第一个维度上的元素间进行求和、比较大小，axis=1表示的是第二个维度，在第二个维度上的元素间进行求和、比较大小。一个维度的元素并不总是单值，有时候是一个数组或矩阵等等，这时候就要在对应位置上再进行求和、比较大小等等。

如果你不想知道其原理，简单的记作：axis=0表示对行（上下）进行操作计算，axis=1（左右）表示对列进行操作计算，也是没有问题的。

首先看一下什么叫做维度，一个矩阵的维度大家都知道是二维。包含行和列。

接着看下面这个数组a，这个数组可以看作是一个二维数组，每一维中又同时包含一个矩阵。运用下你的空间想象能力。所以这个数组是三维的。

>>> import numpy as np
>>> a = np.array([[[1,2,3,2],[1,2,3,1],[2,3,4,1]],[[1,0,2,0],[2,1,2,0],[2,1,1,1]]])
>>> a
array([[[1, 2, 3, 2],
        [1, 2, 3, 1],
        [2, 3, 4, 1]],

       [[1, 0, 2, 0],
        [2, 1, 2, 0],
        [2, 1, 1, 1]]])

由下面我们可以看到a的维度是3，其实有个简便的看法，你看小括号旁有几个中括号 [ 就是几维，简单吧。

>>> a.ndim
3
>>> a.shape
(2, 3, 4)

当我们想要定位到某个元素时，需要表示为 $a[i][j][k]$，容易理解，三维所以需要三层括号。其中 i 表示第一维，j 表示第二维，k 表示第三维。

axis取多少，就表明在哪个维度上求和。

• axis=None 表示对所有元素求和。
• axis=0 表示在第1个维度上求和。
• axis=1 表示在第2个维度上求和。
• 以此类推…

二维数组

让我们从简单的开始，先来看二维数组的求和，假设有一个2x2的矩阵b，也就是一个二维数组。第一个维度包含两个数组，每个数组包含两个值。

>>> b = np.array([[1, 2], [2, 3]])
>>> b
array([[1, 2],
       [2, 3]])
>>> b.shape
(2, 2)

当axis=0时，表示在第1个维度上求和，也就是在第一个维度上的元素间的求和。在这里也就是行与行之间进行求和。因为第一个维度中包含两个数组，这两个数组也就是矩阵的两行，发挥你的想象力。接着我们来算一下，行与行之间进行求和，首先是第一行的第一个元素与第二行的第一个元素求和（1+2）=3，然后是（2+3）=5。有下面可以看到计算正确。且可以看到输出的shape是（1，2），也就是一行两列。注意这一点，后面会继续说明。直观理解是对列进行求和。

>>> np.sum(b,axis=0)
array([3, 5])
>>> np.sum(b,axis=0).shape
(2,)

如果我们用公式来表达呢：
$$s[j]=\sum _{i=1}^{2}b[i][j]--j\in (1,2)$$
好理解吗？当你习惯后，你会发现用公式会比直觉好理解的多，且更容易泛化。当数据是高维的时候，你的直觉可能就不够用了，这时用公式你会发现会非常简单。$i$ 表示第一个维度，axis=0表示在第一个维度上进行求和，所以公式表达就是对$i$ 进行求和，$j$ 为结果的索引。所以最后的输出的shape是删掉了第一个维度的shape，这里删掉了2，结果的shape是（1，2），也就是一行两列。好好理解公式。

axis=1 时，在第二个维度上进行求和，是第二个维度的元素间的求和。在这里也就是列之间的求和，首先是（1+2）=3，然后（2+3）=5。

>>> np.sum(b,axis=1)
array([3, 5])

公式，对$j$ 进行求和，$i$不变：
$$s[i]=\sum _{j=1}^{2}b[i][j]--i\in (1,2)$$

三维数组

当我们熟悉公式后，计算高维数据就不用直觉来推了，直接套公式。$a[i][j][k]$

axis=0，对 $i$ 进行求和，其余为结果的索引。求和公式为：
$$s[j,k]=\sum _{i=1}a[i][j][k]$$
输出的shape自然也就是去掉 $i$ 的，为（j, k），这里就是（3，4）

例如s[1,1]=(1+1)=2，结果正确，其余的可以自己验算。

>>> np.sum(a,axis=0)
array([[2, 2, 5, 2],
       [3, 3, 5, 1],
       [4, 4, 5, 2]])
>>> np.sum(a,axis=0).shape
(3, 4)

axis=1，对 $j$ 进行求和，直接把上面的公式中的 $i$ 改为 $j$ 就行了。求和公式为：
$$s[i,k]=\sum _{j=1}a[i][j][k]$$
还要注意输出的shape等于原来的减去$j$的，也就是（2，4）

>>> np.sum(a,axis=1)
array([[ 4,  7, 10,  4],
       [ 5,  2,  5,  1]])
>>> np.sum(a,axis=1).shape
(2, 4)

axis=2就不写了，与上面同理。

axis为元组

还有一个问题，上面讨论的是axis取值为单值的情况，当axis等于一个元组的时候呢？例如axis=（0，1）

其实和上面是一样的道理，axis等于什么，就在公式中对什么求和就行了，例如axis=（0，1），也就是在第一个维度和第二个维度上进行求和，公式中就是对 $i$ , $j$ , 进行求和，其余的则是结果的索引。

公式：
$$s[k]=\sum _{i=1}\sum _{j=1}a[i][j][k]$$
输出的shape为原来的shape减去 i 和 j 的shape就行

>>> np.sum(a,axis=(0, 1))
array([ 9,  9, 15,  5])
>>> np.sum(a,axis=(0, 1)).shape
(4,)

对三维数组a来说，axis=（0，1，2）也就等于axis=None，对所有元素进行求和。

那么对于高位数组，同样也只要套公式就行了。

刚开始看可能有点绕，有任何问题可以留言交流。