Numpy中高维axis的操作个人理解

Numpy中维数

numpy能够实现高维矩阵的运算，但是当维数超过3后，就能难理解根据某个轴进行运算的操作过程（太抽象了）。二维矩阵，就是有行和列，axis=0，对应是行，axis=1，对应是列，通过2个下标确定具体某个元素的位置，三维则需要三个下标确定某个元素的位置。

Numpy维度的直观理解

对应三维矩阵，那么里面的具体的元素是被三个[]所包围的，最外层[]对应于axis=0，即第一维，次外层[]对应于axis=1,即第二维，最里层的[]对应axis=2,即第三维。

多少个维度，就对应有多少个[]。

三维数组，sum（axis=i）的理解。

二维数组的对固定某个轴进行加减排序不难理解，但是达到三维及以上就比较难直观理解了。这里以三维数组为例，更高维度情况类似。
np.sum(axis=0)
这是按照第1维进行数组的求和。

对于axis=0,就对应于第一个[]，那么从这个[]往内看，子单位是两个二维数组，sum(axi