python的axis=0 or 1 ?(迷糊笔记)

之前学了numpy和pandas对axis这个参数感觉很懵。。。。

看了好多博博客，然而感觉。。。。还是很懵。。我可能太笨了吧

没办法死死记硬背吧，大佬如果有好的理解方法麻烦中在下方评论一下啊。。。

下面是个人的理解

首先什么是轴？

Pandas保持了Numpy对关键字axis的用法，用法在Numpy库的词汇表当中有过解释：

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。

这个句话我也是没太读明白，我认为吧这个应该是观看整个数据的方法，0轴是沿着行然后一行一行的往下看，以下图为例（就是假如是axis=0，那么看这个数据的方法是 [0、1、2]然后[1,2,3]之后[1,2,3]......。。axis=1的话就是[0,1,1,1,1]z之后[1,2,2,2,2]）

注：是个人理解，看看就好，我不太懂别误人子弟咯。

 

所以问题当中第一个列子 df.mean(axis=1)代表沿着列水平方向计算均值，而第二个列子df.drop(name, axis=1) 代表将name对应的列标签（们）沿着水平的方向依次删掉。

看如下代码：（来自：https://www.cnblogs.com/rrttp/p/8028421.html）

>>>df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \
columns=["col1", "col2", "col3", "col4"])
>>>df
   col1  col2  col3  col4
    0     1     1     1     1
    1     2     2     2     2
    2     3     3     3     3

如果我们调用df.mean(axis=1),我们将得到按行计算的均值

>>> df.mean(axis=1)
0    1
1    2
2    3

然而，如果我们调用 df.drop((name, axis=1),我们实际上删掉了一列，而不是一行：

>>> df.drop("col4", axis=1)
   col1  col2  col3
0     1     1     1
1     2     2     2
2     3     3     

上方列出的博客写了一些跨行跨列的思想，我没看懂。。。

但是最后的几句话挺好：所以问题当中第一个列子 df.mean(axis=1)代表沿着列水平方向计算均值，而第二个列子df.drop(name, axis=1) 代表将name对应的列标签（们）沿着水平的方向依次删掉。

mean(axis=1)axis=1代表的就是看数据的方式，1代表是：第1轴沿着列的方向水平延伸（我上方举的例子：axis=1的话就是[0,1,1,1,1]之后看[1,2,2,2,2]）

drop(name, axis=1) axis=1还是代表是：第1轴沿着列的方向水平延伸，但是前边指定了name参数。col4它是一个列，沿着列的方向水平延伸，水平延伸的话还是这个col4这列，所以看中就只是沿着列了，那么删除的展现形式是删除了一列（将name对应的列标签（们）沿着水平的方向依次删掉）

 

Pandas的合并：

concat(axis=0),默认axis=0，向下合并

#定义资料集
df1 = pd.DataFrame(np.ones((3,4))*0, columns=['a','b','c','d'])
df2 = pd.DataFrame(np.ones((3,4))*1, columns=['a','b','c','d'])
df3 = pd.DataFrame(np.ones((3,4))*2, columns=['a','b','c','d'])

#concat纵向合并
res = pd.concat([df1, df2, df3], axis=0)

#打印结果
print(res)
#     a    b    c    d
# 0  0.0  0.0  0.0  0.0
# 1  0.0  0.0  0.0  0.0
# 2  0.0  0.0  0.0  0.0
# 0  1.0  1.0  1.0  1.0
# 1  1.0  1.0  1.0  1.0
# 2  1.0  1.0  1.0  1.0
# 0  2.0  2.0  2.0  2.0
# 1  2.0  2.0  2.0  2.0
# 2  2.0  2.0  2.0  2.0

第0轴沿着行的垂直往下，那么就是向下加咯。

 

Numpy合并:(和pandas一样咯)

A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
'''
[[1]
[1]
[1]]

[[2]
[2]
[2]]
'''

C = np.concatenate((A,B,B,A),axis=0)

print(C)
"""
array([[1],
       [1],
       [1],
       [2],
       [2],
       [2],
       [2],
       [2],
       [2],
       [1],
       [1],
       [1]])
"""

D = np.concatenate((A,B,B,A),axis=1)

print(D)
"""
array([[1, 2, 2, 1],
       [1, 2, 2, 1],
       [1, 2, 2, 1]])
"""

个人对concat的axis理解：

axis=0：第0轴沿着行的垂直往下np.concatenate((A,B,B,A),axis=0)，那么就是先A，然后向下在连接B，依次向下连接B、A。

axis=1：第1轴沿着列的方向水平延伸，同理。