Python的numpy中axis=0、axis=1、axis=2解释

最新推荐文章于 2024-08-13 19:45:55 发布
最新推荐文章于 2024-08-13 19:45:55 发布
阅读量4.6w 收藏 1k
点赞数 292
分类专栏： # python 文章标签： numpy python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mahoon411/article/details/114777623
版权

参考：Python：一文让你彻底理解numpy中axis=-1/0/1/2… [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]

0. 前置知识

0.1 axis

axis翻译过来就是轴的意思。

numpy数组中：

  • 一维数组拥有一个轴：axis=0；
  • 二维数组拥有两个轴：axis=0，axis=1；
  • 三维数组拥有三个轴：axis=0，axis=1，axis=2。
  • 四维数组拥有三个轴：axis=0，axis=1，axis=2，axis=3。

0.2 数组维度

可以从左至右计算数组的方括号数目，一个方括号是一维数组，两个方括号是二维数组，三个方括号是三维数组。
如： [1, 2, 3]是一维数组、[[1, 2, 3], [4, 5, 6]]是二维数组、[[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]] 是三维数组。

0.3 axis(轴)与数组括号的对应关系

numpy数组都有[]标记，其对应关系：axis=0对应最外层的[]，axis=1对应第二外层的[]，…，axis=n对应第n外层的[]。以三维数组为例，两者关系如下表所示：

axis[ ]
axis = 0[ [ [ ] ] ]
axis = 1[ [ [ ] ] ]
axis = 2[ [ [ ] ] ]

1. 如何理解对numpy数组的axis(轴)的操作

这里使用了博主西北种田文的方法“括号最大块法”。

博客链接为：Python：一文让你彻底理解numpy中axis=-1/0/1/2… [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]

括号最大块法有且仅有两步：

  • 第一步：由axis = value，找对应[]里的最大单位块。（np.sum()拆掉此层[]，np.argmax()不拆此层[]）

  • 第二步：对单位块进行计算，这里又分为两种情况：

    • 当单位块是数值时，直接计算
    • 当单位块是数组时，对应下标元素进行计算

接下来对上述方法进行补充说明：

首先，最大单位块就是某层[]里包裹的最大结构块。比如：

  • [1，2，3]：[]里最大的单位块是数值 1 2 3。
  • [[1，2]，[3，4]]：最外层[]里最大单位块是[1，2] 和 [3，4]，第二层[]里最大单位块是1，2 和 3，4。
  • [[[1，2]，[3，4]]，[[5，6]，[7，8]]]：最外层[]里最大单位块是[[1，2]，[3，4]]和[[5，6]，[7，8]]，第二层[]里最大单位块是[1，2]和[3，4] 还有 [5，6]和[7，8]，第三层[]里最大单位块是1，2 和 3，4 和 5，6 和 7，8。

其次，最大单位块是数组时，对应下标元素的计算方法为：

  • 对于numpy二维数组[[1，2]，[3，4]]。
    axis=0，最外层[]，有一对，其里包含两个最大块[1，2]、[3，4]，这两个块1和3、2和4即为对应。
    axis=1，第二层[]，有两对，两个[]都为数值，直接计算。
  • 对于numpy三维数组[[[1, 2],[3, 4]], [[5, 6],[7, 8]]]。
    axis=0，最外层[]，有一对，其里包含两个最大块[[1, 2],[3, 4]]、 [[5, 6],[7, 8]]，这两个块1和5、2和6、3和7、4和8即为对应。
    axis=1，第二层[]，有两对，第一个[]最大块为：[1, 2]、[3, 4]，其中1和3、2和4对应；第二个[]最大块为：[5, 6]，[7, 8]，其中5和7、6和8对应。
    axis=2，第三层[]，有四对，4个[]内都是数值，直接计算。

2. 实例

2.1 实例1：np.sum(axis=-1/0/1/2)

一维数组

axis=0

>>> import numpy as np
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 0)
6

第一步：axis=0对应最外层[]，其内最大单位块为：1，2，3，并去掉[]
第二步：单位块是数值，直接计算：1+2+3=6

axis=1

>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 1)  # 越界使用，报错
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "D:\Anaconda3\lib\site-packages\numpy\core\_methods.py", line 38, in _sum
    return umr_sum(a, axis, dtype, out, keepdims, initial, where)
numpy.AxisError: axis 1 is out of bounds for array of dimension 1

由此可知，使用axis时，不要越界，即：N维数组，最大能使用axis=N-1

二维数组

axis=0

>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 0)
array([4, 6])

第一步：axis=0对应最外层[]，其内最大单位块为：[1，2] 和 [3，4]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[1+3，2+4]=[4，6]

axis=1

>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 1)
array([3, 7])

第一步：axis=1对应第二层[]，其内最大单位块为：第一[]内： 1，2；第二[]内： 3，4，并去掉第二层[]
第二步：单位块是数值，直接进行计算，即：[1+2，3+4]=[3，7]

三维数组

axis=0

>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr
array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])
>>> arr.sum(axis=0)
array([[ 6,  8],
       [10, 12]])

第一步：axis=0对应最外层[]，其内最大单位块为：[[1, 2],[3, 4]] 和 [[5, 6],[7, 8]]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[[1, 2]，[3, 4]] + [[5, 6],[7, 8]] = [[1+5，2+6]，[3+7，4+8]] = [[6，8]， [10，12]]

axis=1

>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=1)
array([[ 4,  6],
       [12, 14]])

第一步：axis=1对应第二层[]，其内最大单位块为：第一个[]： [1, 2]和[3, 4]；第二个[]： [5, 6]和[7, 8]，并去掉第二层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：第一个[]内：[1+3，2+4]，第二个[]内：[5+7，6+8]，即：[[1+3，2+4]，[5+7， 6+8]] = [[4，6]，[12，14]]

axis=2

>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=2)
array([[ 3,  7],
       [11, 15]])

第一步：axis=1对应第三层[]，其内最大单位块为：第一个[]：1，2；第二个[]：3，4；第三个[]：5，6；第四个[]：7，8，并去掉第三层[]
第二步：单位块是数值，直接进行计算，即：[[1+2，3+4]，[5+6，7+8]] = [[3，7]，[11，15]]

axis=-1

>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=-1)
array([[ 3,  7],
       [11, 15]])

axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！

2.2 实例2：np.argmax(axis=-1/0/1/2)

np.argmax()：取数组中元素最大值的下标值
np.argmax()中axis=0/1/2…原理与np.sum()中类似，只是不用“拆括号”了！

一维数组

>>> import numpy as np
>>> arr = np.array([3, 4, 6, 9, 1, 2])
>>> print(np.argmax(arr)) # 默认axis=0
3
>>> print(np.argmax(arr, axis=0))
3

二维数组

axis=0

>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3,  6,  6,  2],
       [ 4,  7, 11,  2],
       [ 5,  9,  1,  3]])
>>> np.argmax(arr, axis=0)
array([2, 2, 1, 2], dtype=int64)
>>> print(np.argmax(arr, axis=0))
[2 2 1 2]

第一步：axis=0对应最外层[]，其内最大单位块为：[ 3, 6, 6, 2]、 [ 4, 7, 11, 2]和[ 5, 9, 1, 3]
第二步：单位块是数组，两者对应下标元素进行计算，即：argmax([3，4，5])、argmax([6，7，9])、argmax([6，11，1])、argmax([2，2，3])，得到4个最大值索引值：2、2、1、2，得到索引值数组：[2 2 1 2]

axis=1

>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3,  6,  6,  2],
       [ 4,  7, 11,  2],
       [ 5,  9,  1,  3]])
>>> print(np.argmax(arr, axis=1))
[1 2 1]

第一步：axis=1对应第二层[]，其内最大单位块为：3, 6, 6, 2 和 4, 7, 11, 2 和 5, 9, 1, 3
第二步：单位块是数值，直接进行计算，即：argmax([3，6，6，2])、argmax([4，7，11，2])、argmax([5，9，1，3])，得到3个最大值索引值：1、2、1，得到索引数组：[1 2 1]

三维数组

axis=0

>>> arr = np.array([[[1, 5, 5, 2], [9, -6, 2, 8], [-3, 7, -9, 1]], [[-1, 7, -5, 2], [9, 6, 2, 8], [3, 7, 9, 1]], [[21, 6, -5, 2], [9, 36, 2, 8], [2, 7, 66, 1]]])
>>> arr
array([[[ 1,  5,  5,  2],
        [ 9, -6,  2,  8],
        [-3,  7, -9,  1]],

       [[-1,  7, -5,  2],
        [ 9,  6,  2,  8],
        [ 3,  7,  9,  1]],

       [[21,  6, -5,  2],
        [ 9, 36,  2,  8],
        [ 2,  7, 66,  1]]])
>>> print(np.argmax(arr, axis=0))
[[2 1 0 0]
 [0 2 0 0]
 [1 0 2 0]]

第一步：axis=0对应最外层[]，其内最大单位块为：
在这里插入图片描述
第二步：单位块是数组，三者对应下标元素进行计算，如图：
在这里插入图片描述
即：argmax([1，-1，21)、argmax([5，7，6])、argmax([5，-5，-5])、argmax([2，2，2])、argmax([9，9，9])、argmax([-6，6，36])…以此类推，得到索引值数组：
在这里插入图片描述

axis=1

>>> arr
array([[[ 1,  5,  5,  2],
        [ 9, -6,  2,  8],
        [-3,  7, -9,  1]],

       [[-1,  7, -5,  2],
        [ 9,  6,  2,  8],
        [ 3,  7,  9,  1]],

       [[21,  6, -5,  2],
        [ 9, 36,  2,  8],
        [ 2,  7, 66,  1]]])
>>> print(np.argmax(arr, axis=1))
[[1 2 0 1]
 [1 0 2 1]
 [0 1 2 1]]

第一步：axis=1对应第二层[]，其内最大单位块为：
第一个[]内最大单位块：
在这里插入图片描述
第二个[]内最大单位块：
在这里插入图片描述
第三个[]内最大单位块：
在这里插入图片描述
第二步：各[]内单位块是数组且都为三块，三者对应下标元素进行计算，即：
第一个[]内，三块对应下标，如图：
在这里插入图片描述
计算：argmax([1，9，-3)、argmax([5，-6，7])、argmax([5，2，-9])、argmax(2，8，1)
以此类推：第二个[]、第三个[]，得到索引值数组：
在这里插入图片描述

axis=2

>>> arr
array([[[ 1,  5,  5,  2],
        [ 9, -6,  2,  8],
        [-3,  7, -9,  1]],

       [[-1,  7, -5,  2],
        [ 9,  6,  2,  8],
        [ 3,  7,  9,  1]],

       [[21,  6, -5,  2],
        [ 9, 36,  2,  8],
        [ 2,  7, 66,  1]]])
>>> print(np.argmax(arr, axis=2))
[[1 0 1]
 [1 0 2]
 [0 1 2]]

第一步：axis=2对应第三层[]，其内最大单位块为：
1，5，5，2
9，-6，2，8
-3，7，-9，1

-1，7，-5，2
9，6，2，8
3，7，9，1

21，6，-5，2
9，36，2，8
2，7，66，1

第二步：单位块是数值，直接进行计算，即：
argmax([1，5，5，2])
argmax([9，-6，2，8])
argmax([-3，7，-9，1])
argmax([-1，7，-5，2])
…
以此类推，得到索引数组：
在这里插入图片描述

axis=-1

>>> print(np.argmax(arr, axis=-1))
[[1 0 1]
 [1 0 2]
 [0 1 2]]

axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！

python中pd是什么意思_python中axis的含义
weixin_39883705的博客
12-01 3058
如标题所示，自己写了个例子好用，一下就理解了import numpy as np # linear algebraimport pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)import datetime as dtdf=pd.DataFrame([[1,1,1,1],[2,2,2,2],[3,3,3,3]])pr...
Python进阶学习：axis=0和axis=1的区别和用法
创作高质量博文，分享知识，共同进步！
02-28 5717
🌟 在这篇博客中，我们将深入探索axis=0和axis=1在数据处理中的奥秘。🔍 通过NumPy和Pandas的实例，我们将揭示它们在不同情境下的区别和用法。💡 从基本概念到实际应用场景，让我们一起揭开这两个参数的神秘面纱！🌈 期待你在这个Python进阶之旅中收获满满，与我们一起共同成长！🤝 Python进阶 #axis=0 #axis=1 #NumPy #Pandas #数据处理 #学习之旅
numpy中axis
northeastsqure的专栏
10-30 272
使用numpy中，经常遇到axis, 一直没有研究明白。今天终于明白点了 np.sum(arr, axis=2) 其中axis指的是arr中从左0开始的第二个下标。每个其它下标，遍历第二个下标求和。这样结果是，arr的第二个下标维度，消失。 自己随便生成几个array，由易到难，手动求一下就明白了。 >>> data = np.random.randint(0,3, [2,3,4])
lambda表达式
最新发布
weixin_67804833的博客
08-13 1469
便于并行处理：Lambda表达式与Java 8引入的Stream API结合使用，可以方便地进行集合的并行处理，充分发挥多核处理器的优势，提高代码的执行效率。可读性的折衷：尽管Lambda表达式可以提高代码的可读性，但在某些复杂的情况下，Lambda表达式可能变得难以理解和阅读，特别是当表达式变得过于复杂时。避免匿名内部类的繁琐语法：相比于使用匿名内部类，Lambda表达式的语法更为简洁，减少了冗余的代码，提高了编码效率。Lambda主体可以是一个表达式，表达式外的大括号，可加可不加。
axis=0 axis=1 axis=2 在numpy中的区别
Vodka_Lou的博客
07-17 856
背景： 在图像数据处理的过程中，处理的数据大多是矩阵或者多维数组。同时，对多维数组或者矩阵的操作有多种可能，为了帮助实现对数组或矩阵各种各样的功能，就有了axis这一参数。 样例： 1 随机创建一个三维数据： import numpy as np # 创建从0到15的矩阵：深度为2,4行2列(reshape的第一个参数为深度，其次是行，最后是列) arr = np.arange(16).reshape(2,4,2) 打印所创建的矩阵： [[[ 0, 1], [ 2, 3], [ 4,
numpy入门总结
weixin_48644184的博客
03-06 519
numpy创建数组 常规方法创建 np.array(shape, dtype=None) #dtype默认情况下为保存序列中对象所需的最小类型 np.arange（start,end,step） 特殊方法 np.empty(shape,dtype) #得到一个指定形状，数据类型且未初始化的数组，即数组元素为随机值 np.zeros（shape,dtype） np.ones(shape,dtype) np.eye(n) #创建一个N*N的矩阵，对角线为1，其余为0 假设存在一个数组t： 1.若要
python中，axis=0，axis=1，axis=2的理解【对于按待定轴求和，axis=‘x’的理解】
IN year
11-20 451
axis='x'的理解
关于python中axis=0还是axis=1的讨论
qq_39526140的博客
07-13 1万+
首先请看一下官方帮助的解释：轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。注意看，官方对于0和1的解释是轴，也就是坐标轴。而坐标轴是有方向的，所以千万不要用行和列的思维去想axis，因为行和列是没有方向的，这样想会在遇到不同的例子时感到困惑。根据官方的说法，1表示横轴，方向从左到右；0表示纵轴，方向从上到下。当axis=1时，数组的变化是...
Python中的axis=0,axis=1
ZhikangFu的专栏
07-31 1388
转自 http://blog.csdn.net/rango_lhl/article/details/50542887 axis=0表述列  axis=1表述行 如下面例子： In [52]: arr=np.arange(12).reshape((3,4)) In [53]:arr Out[53]: array([[ 0, 1, 2, 3], [ 4, 5
python axis=2_python-平日名称中的xaxis
weixin_39910523的博客
12-13 187
我查看了文档,但他们似乎没有提及它.如何更改x轴上的标签以显示“周一20-7”,“周二21-7”等.用于xaxis的“日期”格式为“ 20-7-2018 11:00:00 am”,依此类推.我使用以下Python Plotly脚本：trace0=go.Scatter(x=df_pre.index,y=df_pre['Total'],line=dict(color=('rgb(16,25,109)'...
Python之NumPy(axis=0 与axis=1)区分详解
09-19
### Python之NumPy(axis=0 与axis=1)区分详解 #### 一、NumPy中的Axis概念 在NumPy库中，`axis`参数是一个非常重要的概念，它用于指定数组操作的方向。对于多维数组而言，理解`axis`的概念至关重要，尤其是在进行...
python中axis=0和axis=1的问题记录
01-20
之前一直搞不清axis = 0 和 axis = 1 之间的区别，一会是按行求和，一会是按列遍历，那到底axis是咋操作的呢？查找了些资料，发现了一种很好的解释就是： 0轴垂直往下，1轴向右水平延伸。 啥意思？？ 尝试一下好了 ...
python axis=-1_Python之NumPy(axis=0 与axis=1)区分详解
weixin_42502255的博客
02-02 538
python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？考虑以下代码：>>>df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \columns=["col1", "col2", "col3", "col4"])>>>dfcol1 col2 col3 col4...
python库pandas，numpy的axis=0/1的理解与记忆
ustbbsy的博客
11-09 1115
1 绪论     在使用python的库，例如pandas，会删除一列或者几列数据；numpy会用到对行或者对列求均值，方差等。 对于二维数组，有时希望对行运算，有时希望对列运算，而对行或者列的运算，是对参数axis=0/1来控制的。 但经常会忘记该使用axis=0，还是axis=1呢？     其实，只要理解了axis的含义，以后对于axis=0/1的应用，就得心应手了。下面是我对这个参...
【python】详解numpy库与pandas库axis=0，axis= 1轴的用法
热门推荐
brucewong0516的博客
01-11 4万+
对数据进行操作时，经常需要在横轴方向或者数轴方向对数据进行操作，这时需要设定参数axis的值： axis = 0 代表对横轴操作，也就是第0轴； axis = 1 代表对纵轴操作，也就是第1轴； numpy库中横轴、纵轴 axis 参数实例详解： In [1]: import numpy as np #生成一个3行4列的数组 In [2]: a = np.arange(12).resha
【numpy】关于numpy的axis=0和1及高维tensor
littlemichelle
07-08 2720
关于numpy python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？考虑以下代码： import pandas as pd df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \ columns=["col1", "col2", "col3", "col4"]) print(df) col1 col2 col3 col4 0 1 1 1 1 1
Python中numpy库中 axis=0，axis= 1轴的详解
ding_programmer的博客
10-10 5927
对数据比如二维矩阵进行操作时，经常需要在横轴（行）方向或者纵轴（列）方向对数据进行操作，这时需要设定参数axis的值： axis = 0 代表对横轴（行）操作，也就是第0轴； axis = 1 代表对纵轴（列）操作，也就是第1轴； 操作为： axis= 0 对a的横轴（行）进行操作，在运算的过程中其运算的方向表现为纵向（列）运算 axis= 1 对a的纵轴（列）进行操作，在运算的过程中其运算...
python axis=0 axis=1的区别
studyvcmfc的专栏
07-08 177
https://zhuanlan.zhihu.com/p/110105054 画图解释2 https://www.cnblogs.com/zsy900312/p/8574307.html
Axis
Sml_banzhuiyixi的博客
05-07 377
轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸c = np.array([[0, 2, 1], [3, 5, 6], [0, 1, 1]]) print c.sum() print c.sum(axis=0) print c.sum(axis=1) 结果分别是：19, [3 8 8], [ 3 14 2] axis=0, 表示列。 axi...
axis=0,axis=1,axis=2分别代表什么
05-25
在NumPy和其他Python科学计算库中，axis参数用于指定沿着哪个轴进行操作。具体来说： - axis=0代表沿着第0维度（即行）进行操作。例如，在一个二维数组中，对于axis=0的操作，会在每一列上进行，也就是对每一列求和、计算平均值等等。 - axis=1代表沿着第1维度（即列）进行操作。例如，在一个二维数组中，对于axis=1的操作，会在每一行上进行，也就是对每一行求和、计算平均值等等。 - axis=2代表沿着第2维度进行操作，以此类推。 需要注意的是，不同的操作对axis参数的要求可能不同。例如，对于numpy.sum函数，axis参数可以指定为None（默认值）、0或1，但不能指定为其他值。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吮指原味张

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值